FeyNobg

Installazione

FeyNobg non richiede nessun extra opzionale. Tutto quello che importa è nell'installazione base.

pip install libreyolo

Predizione

Il checkpoint viene scaricato dall'organizzazione LibreYOLO su Hugging Face al primo utilizzo e resta nella cache locale, come per qualsiasi altra famiglia, anche se non è ancora elencato nella tabella dei Checkpoint di questa pagina.

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: l'RGB di origine più il matte come canale alfa.rgba = result.cutout()result.save("subject.png")

Un risultato di tipo matte non porta box; result.matte è un array denso (H, W) float32 in [0, 1], dove 1 è primo piano pieno e 0 sfondo pieno. A differenza di una maschera binaria, il matte morbido conserva il dettaglio dei bordi con antialiasing, come capelli e pelo. result.cutout() compone l'immagine di origine con quel canale alfa in un array RGBA, e result.save(path) (oppure save=True nella chiamata di predizione) lo scrive direttamente in un PNG con sfondo trasparente. Il modello lavora su un canvas nativo fisso di 1024x1024; un'altra risoluzione non è supportata, perché le tabelle di posizione relativa del backbone Swin sono legate a quella dimensione, e una discrepanza le interpola male invece di sollevare un errore. Vedi predizione per sorgenti, streaming e gestione dei risultati.

Varianti

Una sola dimensione pubblicata, l, un backbone di livello Swin-L. FeyNobg prende l'architettura di BiRefNet e porta il suo terzo stage Swin da 18 a 24 blocchi prima di riaddestrarla, quindi il port per LibreYOLO riusa il forward path, il preprocessing e il contratto di output a logit singolo di BiRefNet; predizione, validazione e gestione dei checkpoint si comportano come nella famiglia birefnet.

Validazione

val() riporta due metriche su una cartella accoppiata di immagini e matte, entrambe in [0, 1] e indipendenti dalla risoluzione: MAE, l'errore assoluto medio rispetto all'alfa del ground truth (più basso è meglio), e S-measure (Fan et al., ICCV 2017), una similarità strutturale che premia la conservazione della forma e dei buchi del soggetto, cosa che il MAE per pixel da solo si perde (più alto è meglio). La validazione passa per il predict del modello stesso, quindi usa esattamente il preprocessing della famiglia.

from libreyolo import LibreYOLO model = LibreYOLO("LibreFeyNobgl-matte.pt") # Anche una cartella che contiene images/ e una cartella di matte# rilevata automaticamente (mattes/, matte/, gt/, masks/, mask/ o# alpha/) va bene al posto di un YAML del dataset.metrics = model.val(data="my-matte-dataset/") print(metrics["metrics/MAE"])print(metrics["metrics/Smeasure"])

La validazione è solo inferenza. La libreria nobg a monte include codice di addestramento Apache-2.0; oggi fare fine-tuning significa addestrare lì e convertire il risultato con lo script di conversione di LibreYOLO, non chiamare train() su questa famiglia, che solleva un errore invece di eseguire un trainer parziale.

Licenza

Citazione

@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},
}