RMBG 1.4

🚀 BRIA背景去除v1.4模型卡片

BRIA背景去除v1.4模型是一款先進的背景去除模型，能夠在多種類別和圖像類型中，高效地將前景與背景分離。該模型在精心挑選的數據集上進行訓練，涵蓋通用庫存圖像、電子商務、遊戲和廣告內容等，適用於企業級大規模內容創作的商業場景。其準確性、效率和通用性可與當前領先的開源模型相媲美，尤其適用於對內容安全、合法授權數據集和偏差緩解有較高要求的場景。

此模型由BRIA AI開發，以開源形式提供非商業用途。若需購買商業許可證，只需點擊此處。

點擊此處查看演示

注意：新版RMBG已發佈！查看RMBG - 2.0

加入我們的Discord社區，獲取更多信息、教程、工具，並與其他用戶交流！

✨ 主要特性

• 基於精心挑選的數據集訓練，涵蓋多種圖像類型，適用於商業內容創作。
• 準確性、效率和通用性高，可與領先的開源模型競爭。
• 適用於對內容安全、合法授權數據集和偏差緩解要求高的場景。

📦 安裝指南

pip install -qr https://huggingface.co/briaai/RMBG-1.4/resolve/main/requirements.txt

💻 使用示例

基礎用法

from transformers import pipeline
image_path = "https://farm5.staticflickr.com/4007/4322154488_997e69e4cf_z.jpg"
pipe = pipeline("image-segmentation", model="briaai/RMBG-1.4", trust_remote_code=True)
pillow_mask = pipe(image_path, return_mask = True) # 輸出一個Pillow掩碼
pillow_image = pipe(image_path) # 對輸入應用掩碼並返回一個Pillow圖像

高級用法

from transformers import AutoModelForImageSegmentation
from torchvision.transforms.functional import normalize
model = AutoModelForImageSegmentation.from_pretrained("briaai/RMBG-1.4",trust_remote_code=True)
def preprocess_image(im: np.ndarray, model_input_size: list) -> torch.Tensor:
    if len(im.shape) < 3:
        im = im[:, :, np.newaxis]
    # orig_im_size=im.shape[0:2]
    im_tensor = torch.tensor(im, dtype=torch.float32).permute(2,0,1)
    im_tensor = F.interpolate(torch.unsqueeze(im_tensor,0), size=model_input_size, mode='bilinear')
    image = torch.divide(im_tensor,255.0)
    image = normalize(image,[0.5,0.5,0.5],[1.0,1.0,1.0])
    return image

def postprocess_image(result: torch.Tensor, im_size: list)-> np.ndarray:
    result = torch.squeeze(F.interpolate(result, size=im_size, mode='bilinear') ,0)
    ma = torch.max(result)
    mi = torch.min(result)
    result = (result-mi)/(ma-mi)
    im_array = (result*255).permute(1,2,0).cpu().data.numpy().astype(np.uint8)
    im_array = np.squeeze(im_array)
    return im_array

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
model.to(device)

# 準備輸入
image_path = "https://farm5.staticflickr.com/4007/4322154488_997e69e4cf_z.jpg"
orig_im = io.imread(image_path)
orig_im_size = orig_im.shape[0:2]
image = preprocess_image(orig_im, model_input_size).to(device)

# 推理
result=model(image)

# 後處理
result_image = postprocess_image(result[0][0], orig_im_size)

# 保存結果
pil_mask_im = Image.fromarray(result_image)
orig_image = Image.open(image_path)
no_bg_image = orig_image.copy()
no_bg_image.putalpha(pil_mask_im)

📚 詳細文檔

模型描述

訓練數據

Bria - RMBG模型使用了超過12000張高質量、高分辨率、手動標註（像素級精度）且完全授權的圖像進行訓練。我們的基準數據集涵蓋了均衡的性別、種族和不同類型殘疾的人群。為了清晰展示，我們按不同類別提供了數據分佈情況，體現了模型的通用性。

圖像分佈

定性評估

架構

RMBG v1.4基於IS - Net開發，並結合了獨特的訓練方案和專有數據集。這些改進顯著提高了模型在各種圖像處理場景中的準確性和有效性。

📄 許可證

本模型遵循bria - rmbg - 1.4許可證。該模型以知識共享許可證發佈供非商業使用，商業使用需與BRIA簽訂商業協議。購買商業許可證請點擊此處。