FeyNobg

Cài đặt

FeyNobg không cần extra tùy chọn. Mọi thành phần mà mô hình import đều có trong bản cài đặt cơ sở.

pip install libreyolo

Dự đoán

Checkpoint được tải từ tổ chức LibreYOLO trên Hugging Face trong lần sử dụng đầu tiên và được lưu vào bộ nhớ đệm cục bộ như mọi họ mô hình khác, dù chưa được liệt kê trong bảng Checkpoint trên trang này.

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 nguồn cùng matte làm kênh alpha.rgba = result.cutout()result.save("subject.png")

Kết quả matte không có box; result.matte là mảng float32 dense (H, W) trong [0, 1], với 1 là hoàn toàn foreground và 0 là hoàn toàn background. Khác với mặt nạ nhị phân, soft matte giữ chi tiết cạnh anti-alias như tóc và lông. result.cutout() ghép ảnh nguồn với kênh alpha đó thành mảng RGBA, còn result.save(path) (hoặc save=True trong lệnh gọi dự đoán) ghi trực tiếp thành PNG nền trong suốt. Mô hình chạy trên canvas nguyên bản cố định 1024x1024; không hỗ trợ độ phân giải khác vì các bảng relative-position của backbone Swin gắn với độ phân giải này, giá trị không khớp sẽ nội suy sai thay vì phát sinh lỗi. Xem dự đoán để biết về nguồn, xử lý luồng và kết quả.

Biến thể

Có một kích thước đã phát hành là l, dùng backbone cấp Swin-L. FeyNobg lấy kiến trúc của BiRefNet và tăng độ sâu giai đoạn Swin thứ ba từ 18 lên 24 block trước khi huấn luyện lại, vì vậy bản port LibreYOLO dùng lại forward path, bước tiền xử lý và hợp đồng đầu ra một logit của BiRefNet; dự đoán, xác thực và xử lý checkpoint hoạt động giống họ birefnet.

Xác thực

val() báo cáo hai metric trên thư mục ảnh/matte theo cặp, cả hai nằm trong [0, 1] và không phụ thuộc độ phân giải: MAE là sai số tuyệt đối trung bình so với alpha ground truth (thấp hơn tốt hơn), còn S-measure (Fan và cộng sự, ICCV 2017) là độ tương đồng cấu trúc ghi nhận việc giữ hình dạng và lỗ của chủ thể mà riêng MAE pixel bỏ sót (cao hơn tốt hơn). Quá trình xác thực điều khiển chính predict của mô hình, vì vậy sử dụng chính xác bước tiền xử lý của họ mô hình.

from libreyolo import LibreYOLO model = LibreYOLO("LibreFeyNobgl-matte.pt") # Thư mục chứa images/ và thư mục matte được tự động phát hiện# (mattes/, matte/, gt/, masks/, mask/ hoặc alpha/) cũng dùng được# thay cho YAML dataset.metrics = model.val(data="my-matte-dataset/") print(metrics["metrics/MAE"])print(metrics["metrics/Smeasure"])

Việc xác thực chỉ phục vụ inference. Thư viện nobg upstream cung cấp mã huấn luyện Apache-2.0; hiện tại tinh chỉnh nghĩa là huấn luyện ở đó rồi chuyển đổi kết quả bằng script chuyển đổi riêng của LibreYOLO, không phải gọi train() trên họ mô hình này vì hàm sẽ phát sinh lỗi thay vì chạy trainer không đầy đủ.

Giấy phép

Trích dẫn

@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},
}