一款集成先进计算机视觉模型的工具，简化图像数据集创建，支持零样本分割和目标跟踪，提供多种模型选择与自定义导出格式，无缝结合Labelme，提升标注效率。

segment-geospatial是一个基于Segment Anything Model (SAM) 用于地理空间数据分割的Python包，旨在通过最少的编码简化数据分析流程。它支持从Tile Map Service (TMS)服务器下载地图瓦片并创建GeoTIFF文件，使用SAM和HQ-SAM分割GeoTIFF文件，创建交互式标记，保存分割结果为常见矢量格式并在交互地图上显示。segment-geospatial提供丰富的示例和教程，方便用户使用，并在PyPI和conda-forge上可用，适用于各种计算环境。

EfficientSAM是一个基于掩码图像预训练的通用图像分割模型，支持点提示、框提示、全景分割和显著性检测等功能。该模型在保持高精度的同时显著提高了处理速度，已集成到多个开源工具中。项目提供在线演示和Jupyter notebook示例，便于研究人员和开发者快速上手和应用。

UniSeg是一个基于提示驱动的通用分割模型，可对多模态、多领域的3D医学图像进行多器官、肿瘤和椎骨分割。作为强大的分割模型和特征学习器，UniSeg提供完整代码实现、预训练模型及详细使用说明。项目涵盖数据准备、预处理、训练和测试等步骤。在MICCAI SegRap 2023比赛中，UniSeg在两项任务中均获得第二名，展现了其在医学图像分割领域的出色表现。