vault backup: 2026-04-22 23:34:21

2026-04-22 23:34:21 +08:00
parent e24b90aea0
commit 62d98c592e
6 changed files with 967 additions and 16 deletions
--- a/自动语义分割系统/系统设计.md
+++ b/自动语义分割系统/系统设计.md
@@ -1 +1,496 @@
-#
+---
+title: ComfyUI 视频语义分割系统设计
+date: 2026-04-22
+tags:
+  - comfyUI
+  - SAM2
+  - 视频分割
+  - 语义分割
+  - 系统设计
+---
+
+# ComfyUI 视频语义分割系统设计
+
+## 1. 设计目标
+
+通过对视频单帧进行交互式语义分割（点/框/文本提示），利用视频追踪能力将分割结果传播到整个视频序列，并支持人工修正与迭代优化，最终实现对完整视频的自动化语义分割。
+
+## 2. 核心功能
+
+| 功能模块 | 说明 |
+|---------|------|
+| 单帧交互分割 | 支持点标注（正/负）、框标注、语义文本提示 |
+| 双向视频追踪 | 以关键帧为锚点，向前/向后追踪目标对象 |
+| 人工修正回环 | 对追踪过程中的错误帧进行人工修正，重新触发追踪 |
+| 批量输出 | 输出每帧分割掩码（Mask Sequence）及合成视频 |
+
+## 3. 技术架构
+
+```mermaid
+flowchart TB
+    subgraph Input["输入层"]
+        V[视频文件]
+        FP[第一帧 / 关键帧]
+        SP[语义提示词]
+    end
+
+    subgraph Interaction["交互分割层"]
+        P[点标注: 正选/反选]
+        B[框标注]
+        T[语义提示: Grounding DINO / CLIP]
+        SAM2_IMG[SAM2 Image Encoder + Decoder]
+    end
+
+    subgraph Tracking["视频追踪层"]
+        SAM2_VID[SAM2 Video Predictor]
+        FWD[前向追踪]
+        BWD[后向追踪]
+        MEM[记忆库: 多帧特征缓存]
+    end
+
+    subgraph Correction["修正回环层"]
+        CHECK[人工质检]
+        FIX[修正帧标注]
+        RE_TRACK[重新追踪]
+    end
+
+    subgraph Output["输出层"]
+        MASK[掩码序列]
+        COMP[合成视频]
+        MAT[抠像结果]
+    end
+
+    V --> FP
+    FP --> P & B & T
+    P & B & T --> SAM2_IMG
+    SAM2_IMG --> SAM2_VID
+    SAM2_VID --> FWD & BWD
+    FWD & BWD --> MEM
+    MEM --> CHECK
+    CHECK -->|发现问题| FIX
+    FIX --> RE_TRACK
+    RE_TRACK --> SAM2_VID
+    CHECK -->|确认无误| MASK
+    MASK --> COMP & MAT
+```
+
+## 3.1 模型选型
+
+| 组件 | 推荐模型 | 作用 |
+|------|---------|------|
+| 图像分割基座 | **SAM2** (Segment Anything Model 2) | 提供单帧分割与视频追踪能力 |
+| 语义 grounding | Grounding DINO / YOLO-World | 将文本提示转为检测框 |
+| 特征缓存 | SAM2 Memory Attention | 跨帧特征传播与目标记忆 |
+| 后处理 | 形态学滤波 / 时序一致性约束 | 消除帧间抖动与空洞 |
+
+## 4. ComfyUI 节点设计
+
+### 4.1 节点拓扑图
+
+```mermaid
+flowchart LR
+    subgraph 输入
+        LoadVideo["🎬 Load Video (Path + FPS)"]
+        FramePicker["🔍 Frame Picker (选帧)"]
+    end
+
+    subgraph 提示生成
+        PointPrompt["📍 Point Prompt (points + labels)"]
+        BoxPrompt["📦 Box Prompt (xyxy)"]
+        TextPrompt["💬 Text Prompt (语义)"]
+        Grounding["🎯 Grounding DINO / YOLO-World"]
+    end
+
+    subgraph SAM2核心
+        SAM2Loader["⚙️ SAM2 Model Loader"]
+        SAM2Image["🖼️ SAM2 Image Predictor"]
+        SAM2Video["🎞️ SAM2 Video Predictor"]
+        SAM2AddMask["➕ SAM2 Add Mask Hint"]
+    end
+
+    subgraph 追踪控制
+        TrackForward["⏩ Track Forward"]
+        TrackBackward["⏪ Track Backward"]
+        TrackRange["🔀 Track Range (双向)"]
+    end
+
+    subgraph 修正与输出
+        MaskViewer["👁️ Mask Viewer / 人工检查"]
+        MaskFix["✏️ Manual Mask Correction"]
+        MaskToVideo["🎬 Mask Sequence to Video"]
+        Composite["🎨 Composite (原图 + Mask)"]
+        SaveMasks["💾 Save Mask Sequence"]
+    end
+
+    LoadVideo --> FramePicker
+    FramePicker --> SAM2Image
+    PointPrompt & BoxPrompt --> SAM2Image
+    TextPrompt --> Grounding --> BoxPrompt
+    SAM2Loader --> SAM2Image & SAM2Video
+    SAM2Image --> SAM2Video
+    SAM2Video --> TrackForward & TrackBackward
+    TrackForward & TrackBackward --> MaskViewer
+    MaskViewer -->|OK| SaveMasks
+    MaskViewer -->|Fix| MaskFix
+    MaskFix --> SAM2AddMask --> SAM2Video
+    SaveMasks --> MaskToVideo & Composite
+```
+
+### 4.2 节点详细说明
+
+#### 4.2.1 输入节点
+
+**`LoadVideo`**
+- 输入: 视频路径 (mp4/avi/mov)
+- 输出: 图像批次 (image batch), 帧率, 总帧数, 元数据
+- 参数: `start_frame`, `end_frame`, `skip_frame` (抽帧)
+
+**`FramePicker`**
+- 功能: 从视频批次中选择一帧作为关键帧
+- 参数: `frame_index` (默认 0, 即第一帧)
+- 输出: 单张图像 + 对应的批次索引
+
+#### 4.2.2 提示节点
+
+**`PointPrompt`**
+- 输入: 图像坐标列表 `[(x1,y1), (x2,y2), ...]`
+- 参数: `labels` (1=正选前景, 0=反选背景)
+- 输出: 结构化 prompt 对象
+
+**`BoxPrompt`**
+- 输入: 边界框 `[[x1,y1,x2,y2], ...]`
+- 支持多框同时输入
+- 可与 PointPrompt 混合使用
+
+**`TextPrompt`**
+- 输入: 自然语言描述，如 `"a person wearing red hat"`
+- 依赖: Grounding DINO / YOLO-World 节点前置转换
+- 输出: 自动生成的 BoxPrompt
+
+#### 4.2.3 SAM2 核心节点
+
+**`SAM2ModelLoader`**
+- 加载 SAM2 模型权重:
+  - `sam2_hiera_tiny.pt` (轻量/预览)
+  - `sam2_hiera_small.pt` (平衡)
+  - `sam2_hiera_base_plus.pt` (高精度)
+  - `sam2_hiera_large.pt` (最佳质量)
+- 输出: model 对象
+
+**`SAM2ImagePredictor`**
+- 功能: 对单帧生成分割掩码
+- 输入: image, model, point_prompt / box_prompt / mask_prompt
+- 输出: mask (1,H,W), 置信度分数, logits
+- 参数: `multimask_output` (是否输出多候选 mask)
+
+**`SAM2VideoPredictor`**
+- 功能: 初始化视频追踪状态
+- 输入: model, video_frames (image batch), initial_frame_index, initial_mask
+- 内部逻辑:
+  1. 对视频所有帧预计算图像编码 (Image Encoder)
+  2. 在初始帧注入 mask 作为记忆
+  3. 构建时空记忆库
+- 输出: video_state 对象
+
+**`SAM2AddMaskHint`**
+- 功能: 在指定帧追加/修正 mask 提示，用于人工修正回环
+- 输入: video_state, frame_index, new_mask
+- 输出: 更新后的 video_state
+
+#### 4.2.4 追踪节点
+
+**`TrackForward`**
+- 输入: video_state, start_frame, end_frame
+- 逻辑: 从 start_frame 的记忆向后续帧传播
+- 输出: mask_sequence (从 start 到 end 的掩码序列)
+
+**`TrackBackward`**
+- 输入: video_state, start_frame, end_frame
+- 逻辑: 从 start_frame 的记忆向前序帧反向传播
+- 输出: mask_sequence
+
+**`TrackRange (双向追踪)`**
+- 封装 TrackForward + TrackBackward
+- 以关键帧为中心，自动向两端传播
+- 输出: 完整视频的 mask_sequence
+
+#### 4.2.5 修正与输出节点
+
+**`MaskViewer`**
+- 功能: 可视化 mask 叠加结果，支持逐帧检查
+- 显示: 原图 + 半透明 mask + 边界轮廓
+- 交互: 标记问题帧索引
+
+**`ManualMaskCorrection`**
+- 输入: 原图, 当前错误 mask
+- 功能: 提供简易画板，人工涂鸦修正 mask
+- 输出: 修正后的 mask
+- 触发: 修正后的 mask 通过 `SAM2AddMaskHint` 重新注入追踪流程
+
+**`MaskSequenceToVideo`**
+- 输入: mask_sequence (batch of masks)
+- 参数: `color_map`, `alpha`, `fps`
+- 输出: 合成视频文件
+
+**`CompositeMask`**
+- 输入: 原视频帧, mask_sequence
+- 功能: 生成绿幕/透明通道/高亮边框等合成效果
+- 输出: 合成后的图像批次
+
+**`SaveMaskSequence`**
+- 输入: mask_sequence
+- 输出: 按帧保存的 PNG (8-bit 灰度或 1-bit 掩码)
+- 可选: 保存为 numpy `.npy` 数组供下游使用
+
+## 5. 工作流程 (Workflow)
+
+### 5.1 标准流程：第一帧标注 + 双向追踪
+
+```mermaid
+sequenceDiagram
+    actor User
+    participant UI as ComfyUI
+    participant V as 视频输入
+    participant S2 as SAM2
+    participant T as 追踪器
+    participant Out as 输出
+
+    User->>V: 上传视频
+    V->>UI: 提取帧序列
+    User->>UI: 选择第 0 帧
+    User->>UI: 点/框/文本标注目标
+    UI->>S2: 生成初始 mask
+    S2->>UI: 返回分割结果预览
+    User->>UI: 确认初始分割
+    UI->>T: 初始化 Video Predictor + 注入初始 mask
+    par 前向追踪
+        T->>T: 从第0帧 → 最后一帧
+    and 后向追踪
+        T->>T: 从第0帧 → 第0帧 (若首帧则无)
+    end
+    T->>UI: 返回完整 mask sequence
+    User->>UI: 逐帧检查结果
+    alt 发现问题
+        User->>UI: 在帧 N 进行人工修正
+        UI->>S2: 注入修正 mask
+        UI->>T: 从帧 N 重新双向追踪
+        T->>UI: 更新 mask sequence
+    else 无问题
+        UI->>Out: 输出最终掩码 + 合成视频
+    end
+```
+
+### 5.2 中途关键帧修正流程
+
+当视频较长或目标发生严重形变/遮挡时，可在中间帧插入新的关键帧进行修正：
+
+1. **运行标准流程** 获取初版 mask sequence
+2. **人工检查** 发现帧 `[N, N+k]` 区间出现追踪漂移
+3. **暂停追踪**，在帧 `N` 进行交互式重新标注（点/框修正）
+4. **以帧 N 为新锚点**，分别执行：
+   - `TrackForward`: N → N+k (覆盖原错误区间)
+   - `TrackBackward`: N → 0 (可选，若前面也有问题)
+5. **合并 mask sequence**: 用新追踪结果替换原错误区间
+6. **输出最终序列**
+
+## 6. 关键技术细节
+
+### 6.1 SAM2 视频追踪原理
+
+SAM2 的视频分割基于**流式记忆机制**：
+
+1. **图像编码**: 每帧独立通过 Hiera Image Encoder 提取视觉特征
+2. **记忆注意力**: 当前帧的解码通过 Memory Attention 模块查询历史记忆
+3. **记忆库组成**:
+   - **对象记忆**: 先前帧的高分辨率 mask 嵌入
+   - **位置记忆**: 帧间时空位置编码
+   - **指针记忆**: 最近帧的特征缓存
+4. **传播方式**: 逐帧顺序传播，当前帧的分割结果成为下一帧的记忆提示
+
+### 6.2 双向追踪策略
+
+```
+视频帧: [0] [1] [2] ... [N-1] [N] [N+1] ... [T]
+                ^关键帧 K
+                |
+    ┌───────────┴───────────┐
+    ▼                       ▼
+ 后向追踪                 前向追踪
+ K → K-1 → ... → 0      K → K+1 → ... → T
+```
+
+- **单关键帧**: 默认第一帧，向两端传播
+- **多关键帧**: 长视频可分段设置多个关键帧，各自追踪后合并
+
+### 6.3 修正回环机制
+
+```python
+# 伪代码示意
+def iterative_video_segmentation(video, prompts):
+    # 1. 初始分割
+    keyframe = video[0]
+    mask_0 = sam2_image_predict(keyframe, prompts)
+    
+    # 2. 初始化视频追踪
+    state = sam2_video_init(video)
+    state.add_mask(frame_idx=0, mask=mask_0)
+    
+    # 3. 双向追踪
+    masks = track_bidirectional(state, anchor=0)
+    
+    # 4. 人工修正回环
+    while True:
+        bad_frames = human_inspect(masks)
+        if not bad_frames:
+            break
+        
+        fix_frame = bad_frames[0]
+        new_prompt = human_correct(video[fix_frame], masks[fix_frame])
+        new_mask = sam2_image_predict(video[fix_frame], new_prompt)
+        
+        # 重新注入并局部追踪
+        state.add_mask(frame_idx=fix_frame, mask=new_mask)
+        masks = track_bidirectional(state, anchor=fix_frame)
+    
+    return masks
+```
+
+### 6.4 语义提示链路
+
+文本提示需先转换为空间位置信息，再输入 SAM2：
+
+```
+用户输入: "the black cat on the sofa"
+           ↓
+    Grounding DINO / YOLO-World
+           ↓
+    检测框: [x1, y1, x2, y2] + 置信度
+           ↓
+    SAM2 Box Prompt
+           ↓
+    分割 Mask
+```
+
+若检测结果不准确，用户可手动调整检测框或直接切换为点标注模式。
+
+## 7. 数据流定义
+
+### 7.1 节点间数据格式
+
+| 数据类型 | 格式 | 说明 |
+|---------|------|------|
+| `IMAGE` | `torch.Tensor` (B,H,W,C) uint8/float32 | 图像批次，ComfyUI 原生格式 |
+| `MASK` | `torch.Tensor` (B,1,H,W) float32 | 二值或概率掩码 |
+| `SAM2_MODEL` | 自定义对象 | 含 image_encoder, memory_attention, mask_decoder |
+| `SAM2_STATE` | 自定义对象 | 视频追踪状态，含特征缓存与记忆库 |
+| `POINTS` | `List[Tuple[int,int]]` | 坐标列表 |
+| `LABELS` | `List[int]` | 1=前景, 0=背景 |
+| `BOXES` | `Tensor[N,4]` | xyxy 格式检测框 |
+| `MASK_SEQ` | `List[Tensor[1,H,W]]` | 帧序列对应的掩码列表 |
+
+### 7.2 输入输出规范
+
+**输入**
+- 视频文件: 支持常见格式 (mp4, mov, avi, mkv)
+- 分辨率建议: ≤1080p (SAM2 对高分辨率显存敏感)
+- 帧率: 按需抽帧，非必要不逐帧 (如 30fps 视频可抽 5-10fps)
+
+**输出**
+- Mask 序列: 每帧一个 PNG 灰度图，文件名 `frame_{:05d}.png`
+- 合成视频: 带透明通道的 RGBA 视频或叠加遮罩的预览视频
+- 元数据: JSON 记录每帧的分割类别、置信度、人工修正标记
+
+## 8. 异常处理与边界情况
+
+| 场景 | 策略 |
+|------|------|
+| 目标遮挡 > 50% 帧 | 依赖记忆库推断，若失败则提示人工标注 |
+| 目标出画再入画 | SAM2 可能丢失目标，需在重新出现时设置新关键帧 |
+| 多目标分割 | 每目标独立 mask，支持批量追踪 |
+| 光线剧烈变化 | 时序一致性后处理，或中间帧修正 |
+| 显存不足 | 自动启用半精度 (fp16) / 梯度检查点 / 降低分辨率 |
+| 追踪漂移累积 | 分段设置关键帧，限制单次追踪长度 |
+
+## 9. 系统扩展性
+
+### 9.1 未来可扩展方向
+
+1. **自动关键帧检测**: 基于光流或特征差异自动建议关键帧位置
+2. **多目标并行追踪**: 同时追踪多个语义对象，输出独立 mask 通道
+3. **在线学习**: 利用人工修正样本微调分割模型
+4. **实时预览**: 降低分辨率快速追踪预览，确认后再全分辨率输出
+5. **与 3D 结合**: 输出 mask 用于 NeRF/3DGS 的前景分离
+
+### 9.2 节点生态集成
+
+| 现有 ComfyUI 生态 | 用途 |
+|------------------|------|
+| ComfyUI-VideoHelperSuite | 视频加载/保存/帧处理 |
+| ComfyUI-SAM2 / WAS Node Suite | SAM2 基础封装 |
+| ComfyUI-Impact-Pack (Detector) | Grounding DINO / YOLO 接入 |
+| ComfyUI-Advanced-ControlNet | 时序一致性约束 |
+| ComfyUI-Frame-Interpolation | 帧间 mask 插值补全 |
+
+## 10. 部署与运行建议
+
+### 10.1 硬件要求
+
+| 配置 | 推荐规格 |
+|------|---------|
+| GPU | NVIDIA RTX 4090 / A100 (24GB+ VRAM) |
+| RAM | 32GB+ |
+| 存储 | SSD，视频与中间特征缓存较大 |
+
+### 10.2 软件依赖
+
+```text
+pytorch >= 2.0
+cuda >= 11.8
+sam2 (Meta 官方仓库)
+comfyui (最新版)
+opencv-python
+imageio-ffmpeg
+```
+
+### 10.3 性能优化
+
+- **预编码缓存**: 视频所有帧的图像特征只需编码一次，建议缓存到磁盘
+- **分块追踪**: 长视频分段处理，避免显存持续增长
+- **fp16 推理**: SAM2 支持半精度，显存占用减半，精度损失极小
+- **关键帧密度**: 根据目标运动速度动态调整，慢速运动 2-5s 一帧，快速/形变 0.5-1s 一帧
+
+---
+
+## 附录：ComfyUI 工作流 JSON 结构示意
+
+```json
+{
+  "last_node_id": 42,
+  "last_link_id": 89,
+  "nodes": [
+    { "id": 1, "type": "LoadVideo", ... },
+    { "id": 2, "type": "FramePicker", ... },
+    { "id": 10, "type": "SAM2ModelLoader", "inputs": { "model_name": "sam2_hiera_base_plus.pt" } },
+    { "id": 20, "type": "PointPrompt", ... },
+    { "id": 25, "type": "SAM2ImagePredictor", ... },
+    { "id": 30, "type": "SAM2VideoPredictor", ... },
+    { "id": 35, "type": "TrackRange", ... },
+    { "id": 40, "type": "MaskViewer", ... },
+    { "id": 41, "type": "SaveMaskSequence", ... }
+  ],
+  "links": [
+    [1, 0, 2, 0, "IMAGE"],
+    [2, 0, 25, 0, "IMAGE"],
+    [10, 0, 25, 1, "SAM2_MODEL"],
+    [20, 0, 25, 2, "POINTS"],
+    [25, 0, 30, 0, "MASK"],
+    [30, 0, 35, 0, "SAM2_STATE"],
+    [35, 0, 40, 0, "MASK_SEQ"],
+    [40, 0, 41, 0, "MASK_SEQ"]
+  ]
+}
+```
+
+---
+
+> **备注**: 本系统核心依赖 SAM2 的视频追踪能力。若 ComfyUI 生态中 SAM2 节点尚未完全支持 video predictor 的全部特性（如记忆注入、双向追踪），需基于 [facebookresearch/segment-anything-2](https://github.com/facebookresearch/segment-anything-2) 官方实现进行 ComfyUI 节点封装。