FeyNobg

Installation

FeyNobg ne demande aucun extra optionnel. Tout ce qu'il importe fait partie de l'installation de base.

pip install libreyolo

Prédire

Le checkpoint est téléchargé depuis l'organisation LibreYOLO sur Hugging Face au premier usage, puis mis en cache localement, comme pour toute autre famille, même s'il n'est pas encore listé dans le tableau des checkpoints de cette page.

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 : le RGB source plus le matte en canal alpha.rgba = result.cutout()result.save("subject.png")

Un résultat de matte ne porte aucune bounding box ; result.matte est un tableau dense (H, W) float32 dans [0, 1], 1 pour un premier plan complet et 0 pour un arrière-plan complet. Contrairement à un masque binaire, le matte doux conserve le détail des bords anticrénelés, cheveux et fourrure compris. result.cutout() compose l'image source avec ce canal alpha dans un tableau RGBA, et result.save(path) (ou save=True sur l'appel de prédiction) l'écrit directement dans un PNG à fond transparent. Le modèle tourne sur un canevas natif fixe de 1024x1024 ; une autre résolution n'est pas prise en charge, parce que les tables de positions relatives du backbone Swin y sont liées et qu'un écart les interpole mal au lieu de lever une erreur. Voir la prédiction pour les sources, le streaming et le traitement des résultats.

Variantes

Une seule taille publiée, l, un backbone de niveau Swin-L. FeyNobg reprend l'architecture de BiRefNet et approfondit son troisième étage Swin de 18 à 24 blocs avant de la réentraîner, si bien que le portage LibreYOLO réutilise le chemin forward, le prétraitement et le contrat de sortie à logit unique de BiRefNet ; la prédiction, la validation et la gestion des checkpoints se comportent comme dans la famille birefnet.

Valider

val() renvoie deux métriques sur un dossier apparié image/matte, toutes deux dans [0, 1] et indépendantes de la résolution : la MAE, l'erreur absolue moyenne par rapport à l'alpha de vérité terrain (plus c'est bas, mieux c'est), et la S-measure (Fan et al., ICCV 2017), une similarité structurelle qui valorise la conservation de la forme du sujet et de ses trous, ce que la MAE par pixel seule ignore (plus c'est haut, mieux c'est). La validation passe par le predict du modèle lui-même, elle utilise donc exactement le prétraitement de la famille.

from libreyolo import LibreYOLO model = LibreYOLO("LibreFeyNobgl-matte.pt") # Un répertoire contenant images/ et un dossier de mattes détecté# automatiquement (mattes/, matte/, gt/, masks/, mask/ ou alpha/)# marche aussi à la place d'un YAML de dataset.metrics = model.val(data="my-matte-dataset/") print(metrics["metrics/MAE"])print(metrics["metrics/Smeasure"])

La validation se fait en inférence seule. La bibliothèque nobg en amont fournit du code d'entraînement sous Apache-2.0 ; faire du fine-tuning aujourd'hui, c'est entraîner là-bas puis convertir le résultat avec le script de conversion propre à LibreYOLO, et non appeler train() sur cette famille, qui lève une erreur au lieu de lancer un entraîneur partiel.

Licence

Citation

@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},
}