FeyNobg

Instalación

FeyNobg no necesita ningún extra opcional. Todo lo que importa está en la instalación base.

pip install libreyolo

Predicción

El checkpoint se descarga de la organización LibreYOLO en Hugging Face en el primer uso y se guarda en la caché local, igual que en cualquier otra familia, aunque todavía no aparece en la tabla de Checkpoints de esta página.

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)

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

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreFeyNobgl-matte.pt")result = model(SAMPLE_IMAGE) # RGBA (H, W, 4) uint8: el RGB de origen más el matte como canal alfa.rgba = result.cutout()result.save("subject.png")

Un resultado de matte no lleva cajas; result.matte es un array denso (H, W) float32 en [0, 1], donde 1 es primer plano puro y 0 fondo puro. A diferencia de una máscara binaria, el matte suave conserva el detalle de los bordes con antialiasing, como el pelo o el pelaje. result.cutout() compone la imagen de origen con ese canal alfa en un array RGBA, y result.save(path) (o save=True en la llamada de predicción) lo escribe directamente a un PNG con fondo transparente. El modelo funciona sobre un lienzo nativo fijo de 1024x1024; no se admite otra resolución, porque las tablas de posición relativa del backbone Swin están atadas a ella, y un desajuste las interpola mal en lugar de lanzar un error. Consulta predicción para fuentes, streaming y manejo de resultados.

Variantes

Un único tamaño publicado, l, un backbone del nivel Swin-L. FeyNobg toma la arquitectura de BiRefNet y profundiza su tercera etapa Swin de 18 a 24 bloques antes de reentrenarla, así que el port a LibreYOLO reutiliza el forward pass, el preprocesado y el contrato de salida de un único logit de BiRefNet; la predicción, la validación y el manejo de checkpoints se comportan igual que en la familia birefnet.

Validación

val() informa de dos métricas sobre una carpeta emparejada de imágenes y mattes, ambas en [0, 1] e independientes de la resolución: MAE, el error absoluto medio frente al alfa del ground truth (mejor cuanto más bajo), y S-measure (Fan et al., ICCV 2017), una similitud estructural que premia conservar la forma y los huecos del sujeto, algo que el MAE por píxel por sí solo se pierde (mejor cuanto más alto). La validación pasa por el propio predict del modelo, así que usa exactamente el preprocesado de la familia.

from libreyolo import LibreYOLO model = LibreYOLO("LibreFeyNobgl-matte.pt") # Un directorio que contenga images/ y un directorio de mattes# autodetectado (mattes/, matte/, gt/, masks/, mask/ o alpha/)# también vale en lugar de un YAML de dataset.metrics = model.val(data="my-matte-dataset/") print(metrics["metrics/MAE"])print(metrics["metrics/Smeasure"])

La validación es solo de inferencia. La biblioteca original nobg incluye código de entrenamiento con licencia Apache-2.0; hoy hacer fine-tuning significa entrenar allí y convertir el resultado con el propio script de conversión de LibreYOLO, no llamar a train() en esta familia, que lanza un error en lugar de ejecutar un trainer parcial.

Licencia

Cita

@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},
}