FeyNobg

Instalação

O FeyNobg não precisa de nenhum extra opcional. Tudo o que ele importa está na instalação base.

pip install libreyolo

Predição

O checkpoint é baixado da organização LibreYOLO no Hugging Face no primeiro uso e fica em cache local, como em qualquer outra família, embora ainda não esteja listado na tabela de Checkpoints desta 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: o RGB de origem mais o matte como canal alfa.rgba = result.cutout()result.save("subject.png")

Um resultado de matte não carrega boxes; result.matte é um array denso (H, W) float32 em [0, 1], com 1 totalmente primeiro plano e 0 totalmente fundo. Diferente de uma máscara binária, o matte suave preserva o detalhe das bordas com antialiasing, como cabelo e pelo. result.cutout() compõe a imagem de origem com esse canal alfa em um array RGBA, e result.save(path) (ou save=True na chamada de predição) grava direto em um PNG de fundo transparente. O modelo roda em um canvas nativo fixo de 1024x1024; outra resolução não é suportada, porque as tabelas de posição relativa do backbone Swin estão atreladas a ela, e uma divergência as interpola mal em vez de gerar um erro. Veja predição para fontes, streaming e tratamento de resultados.

Variantes

Um único tamanho publicado, l, um backbone do nível Swin-L. O FeyNobg pega a arquitetura do BiRefNet e aprofunda seu terceiro estágio Swin de 18 para 24 blocos antes de retreinar, então o port para LibreYOLO reaproveita o forward path, o pré-processamento e o contrato de saída de logit único do BiRefNet; predição, validação e o tratamento de checkpoints se comportam igual à família birefnet.

Validação

val() reporta duas métricas sobre uma pasta pareada de imagens e mattes, ambas em [0, 1] e independentes da resolução: MAE, o erro absoluto médio em relação ao alfa do ground truth (quanto menor, melhor), e S-measure (Fan et al., ICCV 2017), uma similaridade estrutural que valoriza preservar a forma e os buracos do sujeito, algo que o MAE por pixel sozinho não capta (quanto maior, melhor). A validação passa pelo próprio predict do modelo, então usa exatamente o pré-processamento da família.

from libreyolo import LibreYOLO model = LibreYOLO("LibreFeyNobgl-matte.pt") # Um diretório contendo images/ e um diretório de mattes detectado# automaticamente (mattes/, matte/, gt/, masks/, mask/ ou alpha/)# também funciona no lugar de um YAML de dataset.metrics = model.val(data="my-matte-dataset/") print(metrics["metrics/MAE"])print(metrics["metrics/Smeasure"])

A validação é somente inferência. A biblioteca nobg upstream inclui código de treinamento sob Apache-2.0; hoje, fazer fine-tuning significa treinar lá e converter o resultado com o script de conversão do próprio LibreYOLO, não chamar train() nesta família, que gera um erro em vez de rodar um trainer parcial.

Licenciamento

Citação

@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},
}