Metaが2025年11月19日に公開したセグメンテーションモデル。画像や動画の中から「切り抜きたい対象」をプロンプトで指定すると、該当するオブジェクトを自動で検出してマスク（切り抜き用の領域データ）を返す。従来のSAM 1・SAM 2はクリックやバウンディングボックスで1つの対象を指定する方式だったが、SAM 3は「黄色いスクールバス」「縞模様の猫」といった短い名詞句のテキストや、参考画像の例からでも指定でき、条件に合う対象を画面内から一度にすべて拾い上げる。あらかじめ決められたラベルの一覧に縛られない「オープン語彙」の指定に対応するため、学習時に想定されていなかった対象にもそのまま使える。モデルの重みとコードはMeta独自のSAMライセンスで無償公開されている。
主な特徴
- テキストプロンプトによる概念指定: 「solar panels」「vehicles」のような短い名詞句を渡すだけで、該当する対象をすべて検出してマスク化する。Metaはこの仕組みを Promptable Concept Segmentation（PCS）と呼んでいる
- 4種類のプロンプトを併用できる: テキストのほか、クリック（ポイント）、バウンディングボックス、マスク、そして「この物体と同じもの」を示す画像例（image exemplar）を指定でき、組み合わせて絞り込める
- 複数インスタンスを一括検出: SAM 1・SAM 2が1プロンプトにつき1つの対象を返していたのに対し、SAM 3は条件に合う対象すべてに個別のマスクとIDを付けて返す
- 動画のトラッキングに対応: SAM 2譲りのマスクレット（フレームをまたいで同一オブジェクトを追跡するマスク）方式で、動画内の対象を追い続けられる
- 高速な推論: MetaはH200 GPU上で1枚あたり約30ミリ秒、100個超のオブジェクトを含む画像を処理できると公表している
- 大規模データセットSA-Coで学習: 400万語超の名詞句を含む概念セグメンテーション用データセットを構築し、既存システム比で約2倍のスコアをベンチマークで示している
料金
| プラン | 料金 | 主な内容 |
|---|---|---|
| モデル重み・コード | $0 | GitHub（facebookresearch/sam3）とHugging Faceで公開。Meta独自のSAMライセンスに従う |
| Segment Anything Playground | $0 | ブラウザから試せる公式デモ環境。専門知識なしで画像・動画を投入して挙動を確認できる |
料金は2026年8月時点の情報です。SAMライセンスは一般的なオープンソースライセンスとは条件が異なるため、商用利用の可否や制約はライセンス本文を必ず確認してください。最新の情報は公式サイトをご確認ください。
メリット・デメリット
✅ メリット
- テキストで指定できるため、対象クラスごとに学習データを用意して再学習する手間が要らない
- 想定外の対象にもそのまま使えるので、扱う対象が固定されていない現場（在庫写真、現地調査画像など）に向く
- 条件に合う対象をまとめて検出するため、1枚に多数の対象が写る画像でも作業を一括化できる
- 重みとコードが無償公開されており、自前のサーバーやローカル環境で動かせる
- 動画のトラッキングまで同一モデルで完結する
⚠️ デメリット
- 実用的な速度を出すにはGPUが要る。公表値もH200など高性能GPU前提で、CPUのみの環境では厳しい
- 動画では同時に追う対象の数に応じて処理時間が延びるため、多数の対象を実時間で追うのは負荷が高い
- SAMライセンスはMeta独自の条件付きライセンスで、一般的なMIT／Apache-2.0のような自由度とは異なる
- テキストで指定できるのは短い名詞句が中心で、複雑な文章による条件指定は不得手
- 単体はモデルであり、アノテーション管理やデータセット運用の仕組みは自分で用意する必要がある
類似サービスとの比較
| 比較項目 | SAM 3 | SAM 2 | Grounded SAM | OWLv2 |
|---|---|---|---|---|
| 提供元 | Meta | Meta | コミュニティ（IDEA Research ほか） | Google Research |
| テキスト指定 | 対応（短い名詞句） | 非対応 | 対応（Grounding DINOが担当） | 対応 |
| 出力 | マスク（複数インスタンス） | マスク（1プロンプト1対象） | 検出枠＋マスク | 検出枠 |
| 動画対応 | 対応 | 対応 | 実装依存 | 静止画中心 |
| 構成 | 単一モデルで完結 | 単一モデル | 2モデルの組み合わせ | 単一モデル |
こんな人におすすめ
- 写真から商品や部材を切り抜く作業を自動化したい、EC・カタログ制作の担当者
- 対象クラスが頻繁に増える現場で、そのつど再学習せずに検出範囲を広げたいエンジニア
- 動画から特定の被写体を追跡してマスクを取り出したい映像制作・解析の担当者
- アノテーション作業の下ごしらえをモデルに任せ、人手を確認と修正に回したいデータチーム
- まずは無償で試して、自社データで通用するか見極めたい研究・R&D部門
まとめ
SAM 3は、「クリックで1つ選ぶ」道具だったSAMシリーズを、「言葉で条件を伝えて全部拾う」道具へ広げたモデルである。ラベルの一覧を固定せずに済むため、扱う対象が変わり続ける現場ほど恩恵が大きい。一方でGPUを前提とした運用コストと、Meta独自ライセンスの条件確認は避けて通れない。まずはSegment Anything Playgroundで自分の素材を投入し、狙った対象がプロンプト一つで取れるかを確かめるところから始めるとよい。なお2026年3月には高速化版のSAM 3.1が公開されており、処理速度を重視する場合はそちらも併せて検討したい。