[LAB 16 · 点、框与负提示：分割规则基线](/course/notebooks/d83defa954034769a1ee94e3ea48640a.html)

# 一个点为什么不总能确定一个对象
[独立阅读](/course/notebook-blocks/b800ace904634fa1923a4a15bf3725cc.html)
按问题继续

像素连通域、正负点/框提示、局部/整体多义性

**学习路径：** [像素、边界与对象身份](/course/study/pixels-instances.html) · [一句话指向哪个对象](/course/study/grounding-interface.html)。两个入口引用同一份现有材料，不需要重复阅读或运行。

这是 [P46–47 提示式分割](/course/pages/l3-r2-p46.html) 的按需短练习，不是 SAM 权重实验。输入同一张 RGB 图、一个正点及可选负点/框，颜色距离与连通域规则返回 mask；没有参数训练。

先看 [四种已保存输出](/course/blocks/sam-rule-baseline-explained.html)，再只改一种条件：颜色容差、负点或框。记录返回面积或边界怎样改变，说明变化来自增加的提示信息还是规则本身的假设。

如果疑问是“训练后模型如何学会响应提示”，转到 [SAM 的任务训练](/course/blocks/sam-task-training.html)；如果已经理解接口，可回 [CLS 02](https://deepnote.com/project/38755e4e-23f6-4f5f-8c68-8a2e4114b1c1/notebook/f9ab632ba16b4f2084669791cba6ba85) 接视觉语言主线，无需额外运行本册。

## 一个点为什么不总能确定一个对象

输入是自行绘制的 48×64 RGB 图像：相邻的红色外壳和深红色内部零件，另有蓝色物体。正点、负点和矩形是使用者给出的条件，而非正确 mask。本例使用颜色距离与连通域的确定性算法，完整读入像素并返回 mask；它不训练，也不是 SAM。我们保留原来的“同一点同时落在局部和整体”例子，但现在实际改变提示和阈值，检查返回区域。

先预测：扩大颜色容差，正点的连通区域会增加还是减少？增加落在外壳上的负点会如何影响结果？负点在此算法中添加的是颜色排除规则，与 SAM 学到的提示编码不同。

[本册算法与四项已保存输出](/course/blocks/sam-rule-baseline-explained.html) · [SAM 的能力实际怎样训练出来](/course/blocks/sam-task-training.html)