497 lines
15 KiB
Markdown
497 lines
15 KiB
Markdown
---
|
||
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。
|