FeyNobg

Ein Modell zur Hintergrundentfernung von Feyn Inc., das die BiRefNet-Architektur vertieft und neu trainiert. LibreYOLO bietet Inferenz und Validierung für die Matte-Aufgabe von FeyNobg.

Aufgaben: matte
Größen: l at 1024 px
Installation: pip install libreyolo
Supportstufe: Nur Inferenz, seit v. Nur Vorhersage, Validierung und Export. Trainingsfunktionen sind nicht verfügbar.
Upstream: FeyNobg von Feyn Inc., Apache-2.0. Publikation, Quelle
Lizenzen: Code MIT, Gewichte Apache-2.0. Kommerzielle Nutzung

Installation

FeyNobg benötigt kein optionales Zusatzpaket. Alle Importe sind in der Basisinstallation enthalten.

bash

pip install libreyolo

Vorhersage

Der Checkpoint wird bei der ersten Verwendung von der LibreYOLO-Organisation auf Hugging Face heruntergeladen und wie bei allen anderen Familien lokal zwischengespeichert. Er ist jedoch noch nicht in der Checkpoint-Tabelle auf dieser Seite aufgeführt.

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreFeyNobgl-matte.pt")result = model(SAMPLE_IMAGE, save=True) matte = result.matteprint(matte.array.shape, matte.array.dtype)

CLI

libreyolo predict model=LibreFeyNobgl-matte.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

Freistellung

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreFeyNobgl-matte.pt")result = model(SAMPLE_IMAGE) # RGBA (H, W, 4) uint8: Quell-RGB plus Matte als Alphakanal.rgba = result.cutout()result.save("subject.png")

Ein Matte-Ergebnis enthält keine Boxen. result.matte ist ein dichtes float32-Array der Form (H, W) im Bereich [0, 1], wobei 1 vollständig zum Vordergrund und 0 vollständig zum Hintergrund gehört. Anders als eine binäre Maske bewahrt die weiche Matte geglättete Kantendetails wie Haare und Fell. result.cutout() kombiniert das Quellbild mit diesem Alphakanal zu einem RGBA-Array. result.save(path) (oder save=True beim Vorhersageaufruf) schreibt es direkt als PNG mit transparentem Hintergrund. Das Modell läuft auf einer festen nativen Arbeitsfläche von 1024x1024. Eine andere Auflösung wird nicht unterstützt, weil die Tabellen der relativen Positionen im Swin-Backbone daran gebunden sind. Bei einer Abweichung werden sie schlecht interpoliert, statt einen Fehler auszulösen. Unter Vorhersage findest du Quellen, Streaming und die Verarbeitung von Ergebnissen.

Varianten

Es gibt eine veröffentlichte Größe l mit einem Backbone aus dem Swin-L-Tier. FeyNobg übernimmt die BiRefNet-Architektur, vertieft deren dritte Swin-Stufe vor dem erneuten Training von 18 auf 24 Blöcke und behält den restlichen Ablauf bei. Die LibreYOLO-Portierung nutzt daher den Vorwärtspfad, die Vorverarbeitung und den Ausgabevertrag mit einem einzelnen Logit von BiRefNet erneut. Vorhersage, Validierung und Checkpoint-Verarbeitung verhalten sich wie bei der Familie birefnet.

Validierung

val() meldet zwei Metriken auf einem gepaarten Bild-und-Matte-Ordner. Beide liegen im Bereich [0, 1] und sind auflösungsunabhängig: MAE ist der mittlere absolute Fehler gegenüber dem Ground-Truth-Alpha (niedriger ist besser). S-Measure (Fan et al., ICCV 2017) misst strukturelle Ähnlichkeit und würdigt die Erhaltung der Form und Öffnungen eines Motivs, die der pixelweise MAE allein nicht erfasst (höher ist besser). Die Validierung ruft die eigene predict-Methode des Modells auf und verwendet dadurch exakt die Vorverarbeitung der Familie.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreFeyNobgl-matte.pt") # Statt einer Datensatz-YAML funktioniert auch ein Verzeichnis mit images/# und einem automatisch erkannten Matte-Verzeichnis (mattes/, matte/, gt/,# masks/, mask/ oder alpha/).metrics = model.val(data="my-matte-dataset/") print(metrics["metrics/MAE"])print(metrics["metrics/Smeasure"])

Die Validierung ist reine Inferenz. Die Upstream-Bibliothek nobg stellt Trainingscode unter Apache-2.0 bereit. Fine-Tuning erfolgt derzeit dort mit anschließender Konvertierung des Ergebnisses durch das LibreYOLO-eigene Konvertierungsskript. Ein Aufruf von train() für diese Familie löst einen Fehler aus, statt einen unvollständigen Trainer zu starten.

Lizenzierung

Prüfe die Lizenz im Hugging-Face-Repository der konkreten Gewichte, die du herunterlädst. Jeder Checkpoint in der LibreYOLO-Organisation hat eine Lizenz, und sie ist innerhalb einer Familie nicht immer gleich. Dieses Repository ist die maßgebliche Quelle. Die Zusammenfassung unten beschreibt den Stand bei der letzten Verifizierung dieser Seite.

Dies ist eine Beschreibung der beteiligten Lizenzen und keine Rechtsberatung. Wenn die Antwort kommerziell relevant ist, lies die Lizenzen selbst und hole eigenen Rechtsrat ein.

Originalarbeit: FeyNobg, Feyn Inc.
Upstream-Lizenz: Apache-2.0
Upstream-Quelle: github.com/feyninc/nobg
LibreYOLO-Code: MIT
Gewichte: Apache-2.0, erneut unter huggingface.co/LibreYOLO veröffentlicht
Einordnung: Apache-2.0 is a permissive license, so these weights can be used in commercial and closed-source products. It asks you to keep its license text and attribution notices with any copy of the weights you redistribute, and it grants a patent license. It places no obligation on your own application code. FeyNobg builds on BiRefNet's architecture (MIT) with a deepened backbone stage, and Feyn Inc. releases both the nobg library and the FeyNobg weights under Apache-2.0. LibreYOLO's checkpoint is a format conversion of Feyn's own published weights, with the learned parameters unchanged; fine-tuning is not wired into this library, so there is no LibreYOLO-trained variant to license separately.

Zitieren

@software{nobg,
  title={nobg: Open Source Background Removal Models for Image and Video Matting},
  author={Hichri, Hafedh},
  year={2026},
  url={https://github.com/feyninc/nobg},
  license={Apache-2.0},
}

Aus dem Zitierblock der Autoren unter github.com/feyninc/nobg#citation kopiert.