RMBG 2.0

🚀 BRIA背景去除v2.0模型卡片

BRIA背景去除v2.0模型是一款先進的圖像分割模型，旨在有效分離各類圖像中的前景與背景。它基於精心挑選的數據集進行訓練，適用於商業用途，能為企業大規模內容創作提供支持。該模型由BRIA AI開發，以開源形式提供非商業使用。

🚀 快速開始

獲取訪問權限

Bria RMBG2.0可通過多種方式獲取，包括源代碼和權重、ComfyUI節點或API端點：

• 購買商業許可證：點擊此處。
• API端點：Bria.ai，fal.ai
• ComfyUI：在工作流中使用

更多信息，請訪問我們的網站。加入我們的Discord社區，獲取更多信息、教程和工具，並與其他用戶交流！點擊此處查看演示

✨ 主要特性

• 性能提升：相比RMBG v1.4有顯著改進，在準確性、效率和通用性方面可與領先的開源模型相媲美。
• 適用場景廣泛：經過精心挑選的數據集訓練，包括通用庫存圖像、電子商務、遊戲和廣告內容，適用於商業用途。
• 內容安全可靠：適合對內容安全、合法授權數據集和偏差緩解要求較高的場景。

📦 安裝指南

依賴要求

torch
torchvision
pillow
kornia
transformers

💻 使用示例

基礎用法

from PIL import Image
import matplotlib.pyplot as plt
import torch
from torchvision import transforms
from transformers import AutoModelForImageSegmentation

model = AutoModelForImageSegmentation.from_pretrained('briaai/RMBG-2.0', trust_remote_code=True)
torch.set_float32_matmul_precision(['high', 'highest'][0])
model.to('cuda')
model.eval()

# 數據設置
image_size = (1024, 1024)
transform_image = transforms.Compose([
    transforms.Resize(image_size),
    transforms.ToTensor(),
    transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
])

image = Image.open(input_image_path)
input_images = transform_image(image).unsqueeze(0).to('cuda')

# 預測
with torch.no_grad():
    preds = model(input_images)[-1].sigmoid().cpu()
pred = preds[0].squeeze()
pred_pil = transforms.ToPILImage()(pred)
mask = pred_pil.resize(image.size)
image.putalpha(mask)

image.save("no_bg_image.png")

📚 詳細文檔

模型詳情

• 開發者：BRIA AI
• 模型類型：背景去除
• 許可證：知識共享署名 - 非商業性使用 4.0 國際許可協議（CC BY - NC 4.0）
  • 該模型以CC BY - NC 4.0許可證發佈，僅用於非商業用途。
  • 商業使用需與BRIA簽訂商業協議，點擊此處。
  • 購買商業許可證：點擊此處。
• 模型描述：BRIA RMBG - 2.0是一個二分類圖像分割模型，僅在專業級數據集上進行訓練。模型輸出包括單通道8位灰度alpha蒙版，其中每個像素值表示原始圖像中相應像素的不透明度級別。這種非二進制輸出方法為開發者提供了靈活性，可定義自定義閾值進行前景 - 背景分離，滿足不同用例需求並增強其在複雜管道中的集成能力。
• BRIA相關資源：BRIA AI

訓練數據

Bria - RMBG模型使用了超過15,000張高質量、高分辨率、手動標註（像素級精度）、完全授權的圖像進行訓練。我們的基準測試包括平衡的性別、種族和不同類型殘疾的人群。為了清晰起見，我們提供了不同類別的圖像分佈情況，展示了模型的通用性。

圖像分佈

定性評估

開源模型對比

架構

RMBG - 2.0基於BiRefNet架構開發，並結合了我們的專有數據集和訓練方案。這些訓練數據顯著提高了模型在背景去除任務中的準確性和有效性。

如果您在研究中使用此模型，請引用：

@article{BiRefNet,
  title={Bilateral Reference for High-Resolution Dichotomous Image Segmentation},
  author={Zheng, Peng and Gao, Dehong and Fan, Deng-Ping and Liu, Li and Laaksonen, Jorma and Ouyang, Wanli and Sebe, Nicu},
  journal={CAAI Artificial Intelligence Research},
  year={2024}
}

📄 許可證

本模型採用知識共享署名 - 非商業性使用 4.0 國際許可協議（CC BY - NC 4.0）。模型僅用於非商業用途，商業使用需與BRIA簽訂商業協議，點擊此處獲取更多信息。