FeyNobg

Встановлення

FeyNobg не потребує додаткових залежностей. Усе, що вона імпортує, входить до базового встановлення.

pip install libreyolo

Передбачення

Під час першого використання контрольна точка завантажується з організації LibreYOLO на Hugging Face і кешується локально, як для будь-якого іншого сімейства, хоча її ще не наведено в таблиці контрольних точок на цій сторінці.

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 джерела та matte як альфа-канал.rgba = result.cutout()result.save("subject.png")

Результат matte не містить рамок; result.matte є щільним масивом float32 (H, W) у діапазоні [0, 1], де 1 означає повністю передній план, а 0 повністю тло. На відміну від бінарної маски, м'яке matte зберігає згладжені деталі країв, як-от волосся та хутро. result.cutout() об'єднує початкове зображення з цим альфа-каналом у масив RGBA, а result.save(path) (або save=True у виклику передбачення) записує його безпосередньо до PNG із прозорим тлом. Модель працює на фіксованому початковому полотні 1024x1024; інша роздільна здатність не підтримується, оскільки таблиці відносних позицій бекбона Swin прив'язані до неї, а невідповідність спричиняє їх погану інтерполяцію замість помилки. Типи джерел, потокове передбачення та обробку результатів описано в розділі передбачення.

Варіанти

Опубліковано один розмір l із бекбоном рівня Swin-L. FeyNobg бере архітектуру BiRefNet і поглиблює її третій етап Swin із 18 до 24 блоків перед повторним навчанням, тому порт LibreYOLO повторно використовує прямий шлях, попередню обробку та контракт виходу з одним логітом від BiRefNet. Поведінка передбачення, валідації та обробки контрольних точок збігається із сімейством birefnet.

Валідація

val() повідомляє дві метрики для парної папки зображень і matte. Обидві належать до діапазону [0, 1] і не залежать від роздільної здатності: MAE є середньою абсолютною похибкою відносно еталонної альфи (менше значення є кращим), а S-measure (Fan et al., ICCV 2017) є структурною подібністю, що враховує збереження форми об'єкта й отворів, які не помічає сама попіксельна MAE (більше значення є кращим). Валідація викликає власний метод predict моделі, тому використовує точну попередню обробку сімейства.

from libreyolo import LibreYOLO model = LibreYOLO("LibreFeyNobgl-matte.pt") # Замість YAML датасету також працює каталог із images/ і автоматично# виявленим каталогом matte (mattes/, matte/, gt/, masks/, mask/ або alpha/).metrics = model.val(data="my-matte-dataset/") print(metrics["metrics/MAE"])print(metrics["metrics/Smeasure"])

Валідація призначена лише для інференсу. Початкова бібліотека nobg містить код навчання під ліцензією Apache-2.0. Наразі для донавчання потрібно навчити модель там і перетворити результат власним скриптом LibreYOLO, а не викликати train() для цього сімейства, оскільки цей метод спричиняє помилку замість запуску часткового тренера.

Ліцензування

Цитування

@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},
}