FeyNobg

Instalasi

FeyNobg tidak memerlukan extra opsional. Semua yang diimpornya tersedia dalam instalasi dasar.

pip install libreyolo

Prediksi

Checkpoint diunduh dari organisasi LibreYOLO di Hugging Face saat pertama kali digunakan dan disimpan dalam cache lokal seperti family lain, meskipun belum tercantum dalam tabel Checkpoint di halaman ini.

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: RGB sumber ditambah matte sebagai channel alpha.rgba = result.cutout()result.save("subject.png")

Hasil matte tidak memuat box. result.matte adalah array padat float32 (H, W) dalam rentang [0, 1], dengan 1 berarti sepenuhnya foreground dan 0 sepenuhnya background. Tidak seperti mask biner, matte lunak mempertahankan detail tepi anti-alias seperti rambut dan bulu. result.cutout() mengomposisikan gambar sumber dengan channel alpha tersebut menjadi array RGBA, sedangkan result.save(path) (atau save=True pada panggilan prediksi) langsung menulisnya ke PNG berlatar transparan. Model berjalan pada kanvas native tetap 1024x1024. Resolusi lain tidak didukung karena tabel posisi relatif backbone Swin terikat pada resolusi tersebut, dan ketidakcocokan akan menginterpolasinya dengan buruk alih-alih memunculkan error. Lihat prediksi untuk sumber, streaming, dan penanganan hasil.

Varian

Ada satu ukuran yang dipublikasikan, l, dengan backbone tingkat Swin-L. FeyNobg mengambil arsitektur BiRefNet dan memperdalam tahap Swin ketiganya dari 18 menjadi 24 blok sebelum melatihnya kembali. Karena itu, port LibreYOLO menggunakan kembali forward path, preprocessing, dan kontrak output satu logit milik BiRefNet. Prediksi, validasi, dan penanganan checkpoint berperilaku sama seperti family birefnet.

Validasi

val() melaporkan dua metrik pada folder pasangan gambar/matte. Keduanya dalam rentang [0, 1] dan tidak bergantung pada resolusi: MAE, yaitu mean absolute error terhadap alpha ground truth (lebih rendah lebih baik), dan S-measure (Fan dkk., ICCV 2017), yaitu kemiripan struktural yang menilai pelestarian bentuk dan lubang subjek yang terlewat oleh MAE piksel saja (lebih tinggi lebih baik). Validasi menjalankan predict milik model, sehingga menggunakan preprocessing yang tepat untuk family ini.

from libreyolo import LibreYOLO model = LibreYOLO("LibreFeyNobgl-matte.pt") # Direktori yang berisi images/ dan direktori matte yang dideteksi otomatis# (mattes/, matte/, gt/, masks/, mask/, atau alpha/) juga dapat digunakan sebagai# pengganti YAML dataset.metrics = model.val(data="my-matte-dataset/") print(metrics["metrics/MAE"])print(metrics["metrics/Smeasure"])

Validasi hanya untuk inferensi. Library nobg upstream menyediakan kode pelatihan Apache-2.0. Fine-tuning saat ini berarti melatih di sana dan mengonversi hasilnya dengan skrip konversi LibreYOLO, bukan memanggil train() pada family ini, yang akan memunculkan error alih-alih menjalankan trainer parsial.

Lisensi

Sitasi

@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},
}