FeyNobg

Instalacja

FeyNobg nie wymaga żadnego opcjonalnego dodatku. Wszystkie importowane elementy znajdują się w instalacji podstawowej.

pip install libreyolo

Predykcja

Przy pierwszym użyciu checkpoint jest pobierany z organizacji LibreYOLO na Hugging Face i zapisywany w lokalnej pamięci podręcznej, tak samo jak dla każdej innej rodziny, choć nie jest jeszcze wymieniony w tabeli checkpointów na tej stronie.

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: źródłowe RGB oraz matting jako kanał alfa.rgba = result.cutout()result.save("subject.png")

Wynik mattingu nie zawiera ramek. result.matte to gęsta tablica float32 (H, W) z wartościami w zakresie [0, 1], gdzie 1 oznacza pełny pierwszy plan, a 0 pełne tło. W przeciwieństwie do maski binarnej miękki matting zachowuje wygładzone szczegóły krawędzi, takie jak włosy i sierść. result.cutout() łączy obraz źródłowy z tym kanałem alfa w tablicę RGBA, a result.save(path) (lub save=True w wywołaniu predykcji) zapisuje ją bezpośrednio jako plik PNG z przezroczystym tłem. Model działa na stałym natywnym obszarze 1024x1024. Inna rozdzielczość nie jest obsługiwana, ponieważ tablice pozycji względnych backbone Swin są z nią powiązane, a niedopasowanie powoduje ich nieprawidłową interpolację zamiast błędu. Więcej informacji o źródłach, streamingu i obsłudze wyników zawiera strona predykcji.

Warianty

Opublikowano jeden rozmiar, l, z backbone poziomu Swin-L. FeyNobg wykorzystuje architekturę BiRefNet i pogłębia jej trzeci etap Swin z 18 do 24 bloków przed ponownym trenowaniem. Port LibreYOLO ponownie używa więc ścieżki w przód, przetwarzania wstępnego i kontraktu wyjścia pojedynczego logitu z BiRefNet. Predykcja, walidacja i obsługa checkpointów działają tak samo jak w rodzinie birefnet.

Walidacja

val() zwraca dwie metryki dla sparowanego folderu obrazów i mattingu, obie w zakresie [0, 1] i niezależne od rozdzielczości. MAE to średni błąd bezwzględny względem referencyjnego kanału alfa (mniej znaczy lepiej), a S-measure (Fan i in., ICCV 2017) to podobieństwo strukturalne nagradzające zachowanie kształtu i otworów obiektu, których sam pikselowy MAE nie uwzględnia (więcej znaczy lepiej). Walidacja korzysta z własnej metody predict modelu, dlatego używa dokładnie przetwarzania wstępnego tej rodziny.

from libreyolo import LibreYOLO model = LibreYOLO("LibreFeyNobgl-matte.pt") # Zamiast pliku YAML zbioru danych można użyć katalogu zawierającego images/# i automatycznie wykrywany katalog mattingu (mattes/, matte/, gt/,# masks/, mask/ lub alpha/).metrics = model.val(data="my-matte-dataset/") print(metrics["metrics/MAE"])print(metrics["metrics/Smeasure"])

Walidacja służy wyłącznie do inferencji. Źródłowa biblioteka nobg udostępnia kod trenowania na licencji Apache-2.0. Obecnie dostrajanie oznacza trenowanie w tej bibliotece i konwersję wyniku własnym skryptem LibreYOLO, a nie wywołanie train() dla tej rodziny, które zgłasza błąd zamiast uruchamiać niepełnego trenera.

Licencja

Cytowanie

@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},
}