Nous présentons Segment Anything Model 2 (SAM 2), un modèle fondamental visant à résoudre la segmentation visuelle pilotée par des commandes dans les images et les vidéos. Nous avons conçu un moteur de données qui améliore à la fois le modèle et les données grâce à l’interaction utilisateur, permettant ainsi de collecter le plus grand ensemble de données de segmentation vidéo à ce jour. Notre modèle repose sur une architecture de transformer simple dotée d’une mémoire en flux (streaming memory) pour un traitement vidéo en temps réel. Entraîné sur nos données, SAM 2 obtient de solides performances sur une large gamme de tâches. En segmentation vidéo, nous observons une meilleure précision, avec trois fois moins d’interactions qu’avec les approches antérieures. En segmentation d’image, notre modèle est à la fois plus précis et six fois plus rapide que le Segment Anything Model (SAM). Nous estimons que nos données, notre modèle et nos découvertes marqueront une étape importante pour la segmentation vidéo et les tâches de perception associées. Nous mettons à disposition une version de notre modèle, l’ensemble de données et une démonstration interactive.