AI工作站

FeyNoBg由Feyn Labs推出，是基于BiRefNet架构深度优化的开源自动抠图模型，参数量2.63亿。模型在UHRSD-TE、HRSOD-TE等8项权威基准测试中，4项斩获SOTA最优指标，剩余4项测试结果与顶尖模型差距小于2%。项目同步开源NoBg Python工具库，提供标准化模型推理与训练接口，原生适配Hugging Face生态，整体采用Apache-2.0开源协议。

一、产品核心功能：

1、高精度背景去除：

自动识别图像前景，输出Alpha蒙版，精准处理发丝、绒毛、细线等复杂边缘。

2、超高分辨率适配：

在4K、8K图像场景对应的UHRSD-TE基准测试中具备领先性能。

3、图像与视频抠图：

支持单张图像、批量图片、视频帧序列批量背景去除。

4、开源可微调：

依托NoBg库，支持基于自定义数据集微调模型，可自由更换损失函数、调整输入分辨率。

5、Hugging Face生态集成：

模型与处理器兼容transformers框架，支持模型一键拉取、权重推送。

二、技术原理：

1、BiRefNet双模块架构：

定位模块完成前景目标识别，重建模块精细追踪物体边界，双模块协同输出精准蒙版。

2、网络深度扩展优化：

特征提取器第三阶段模块由18块扩充至24块，参数量由2.22亿提升至2.63亿；保留原有预训练权重，新增模块从零训练，有效规避知识遗忘问题。

3、混合多样化训练数据集：

融合10套数据集共26100张图像，覆盖密集场景、伪装物体、超高清素材、人像、动漫等样本；每套数据集上限4000张，杜绝单一数据分布造成模型偏向。

4、统一训练标注标准：

将分割数据集前景掩码、抠图数据集Alpha通道统一转化为二值前景掩码，对齐训练目标。

5、S-measure综合评估：

采用0~1区间S-measure指标，同步考量主体完整性与轮廓形态保真度。

三、核心优势：

1、SOTA级抠图性能：

8项基准测试四项最优，超高分辨率图像场景优势突出。

2、增量训练方案：

扩展网络结构时复用原始权重，防止灾难性遗忘。

3、工程性能优化：

NoBg库在batch size=1/2/4条件下性能优于原生BiRefNet，吞吐量更高、推理延迟更低、显存占用更小。

4、完善生态兼容：

深度适配Hugging Face transformers，支持Trainer训练工具、模型Hub推送、FP16半精度推理。

四、标准使用流程：

1、环境部署：

执行`pip install nobg`安装依赖库，运行环境要求Python ≥ 3.10、torch ≥ 2.0。

2、加载模型：

调用`AutoModel.from_pretrained("feyninc/FeyNobg")`，从Hugging Face拉取并加载预训练权重。

3、初始化处理器：

通过`AutoProcessor.from_pretrained("feyninc/FeyNobg")`加载图像预处理组件。

4、图像读取：

读取目标图像并转换为RGB格式，匹配模型输入规范。

5、预处理操作：

使用处理器完成图像缩放、归一化，生成模型输入张量。

6、模型推理：

在`torch.inference_mode()`上下文内传入pixel_values，获取模型原始输出。

7、蒙版后处理：

执行`post_process_alpha_matting`，将输出蒙版还原至原图分辨率。

8、生成成品：

调用cutout接口融合原图与Alpha蒙版，导出带透明通道的PNG图片。

数据统计