دنیا بھر میں کمپیوٹر وژن (Computer Vision) کی دوڑ نے نیا موڑ لیا ہے کیونکہ Meta نے اپنے جدید ترین ماڈلز SAM 3 اور SAM 3D کو پیش کر دیا ہے جو آبجیکٹ ڈیٹیکشن اور تھری ڈی ری کنسٹرکشن کے میدان میں بڑی پیش رفت سمجھے جا رہے ہیں۔ یہ ماڈلز Meta کے Segment Anything پروگرام کا حصہ ہیں اور ان کا مقصد ویڈیو ایڈیٹنگ سے لے کر کنٹینٹ کریشن تک ہر تخلیقی ورک فلو کو تیز اور طاقتور بنانا ہے۔
نئی ٹیکنالوجی کی سب سے دلکش بات یہ ہے کہ اب صارف کو آبجیکٹ منتخب کرنے کے لیے ہاتھ سے باکس کھینچنے کی ضرورت نہیں رہی۔ متن کے ایک چھوٹے سے جملے پر SAM 3 پورے منظر میں موجود متعلقہ اشیا کو خودکار طور پر شناخت اور الگ کر دیتا ہے۔ مثال کے طور پر، اگر صارف لکھے کہ yellow school bus تو سسٹم تصویر یا ویڈیو میں موجود تمام اسکول بسوں کو بغیر کسی غلطی کے الگ کر دیتا ہے۔ اسی طرح وہ جملوں میں بیان کردہ پیچیدہ فلٹر بھی سمجھ سکتا ہے جیسے people sitting down but not wearing a red baseball cap۔
سام تھری ڈی اس کامیابی کو ایک قدم مزید آگے لے جاتا ہے۔ یہ ماڈل ایک سنگل تصویر کو دیکھ کر لوگوں، اشیا یا پورے منظر کا تھری ڈی ماڈل بنا دیتا ہے جو وی آر، ای کامرس، 3D ڈیزائن یا ویڈیو پروڈکشن میں فوری طور پر استعمال ہو سکتا ہے۔ Meta نے اسے Facebook Marketplace کے نئے View in Room فیچر میں شامل کیا ہے تاکہ خریدار کسی بھی فرنیچر کو اپنے کمرے میں رکھنے سے پہلے اس کا مجازی منظر دیکھ سکیں۔
ٹیکنالوجی کی درستگی بھی حیران کن ہے۔ Meta کے مطابق SAM 3 نے LVIS بینچ مارک پر زیرو شاٹ ماسک اوسط پریسژن میں 47.0 اسکور کیا ہے جو موجودہ سسٹمز کے مقابلے میں بائیس فیصد زیادہ ہے۔ ماڈل H200 GPUs پر تیس ملی سیکنڈ فی فریم کی رفتار سے پروسیسنگ کر سکتا ہے اور ایک ساتھ سو سے زیادہ آبجیکٹس کو ہینڈل کرنے کی صلاحیت رکھتا ہے۔
ریسرچ پیپرز کے مطابق Meta نے Roboflow کے ساتھ شراکت بھی کی ہے تاکہ ڈویلپر آسانی سے ڈیٹا اینوٹیشن، فائن ٹیوننگ اور ماڈل ڈپلائمنٹ کر سکیں۔ اس سے مخصوص انڈسٹریز میں ان ماڈلز کے استعمال کے نئے راستے کھلیں گے، جیسے میڈیسن، ڈرون ویژن، اسمارٹ ٹریفک اور مینوفیکچرنگ آٹومیشن۔
Meta نے دونوں ماڈلز کو اپنے پروڈکٹ ایکو سسٹم میں بھی فوری طور پر ضم کر دیا ہے۔ Edits اور Vibes جیسے تخلیقی پلیٹ فارمز میں اب صارف مخصوص آبجیکٹس پر نیا ایفیکٹ لگا سکتا ہے یا کسی منظر کے اندر کی چیزوں کو الگ سے ایڈٹ کر سکتا ہے۔ Segment Anything Playground نامی پلیٹ فارم پر صارف بغیر کسی تکنیکی مہارت کے یہ ماڈلز براہ راست استعمال کر سکتا ہے۔
سام تھری کے ماڈل ویٹس، بینچ مارکس اور ریسرچ پیپرز بھی اوپن سورس کمیونٹی کے لیے جاری کر دیے گئے ہیں، جبکہ سام تھری ڈی کے چیک پوائنٹس اور انفیرنس کوڈ ریسرچرز کے لیے دستیاب ہیں۔
یہ تحریر اے آئی کی دنیا کے فیس بک پیج پر پوسٹ کی گئی ہے۔
