RMBG 1.4

🚀 BRIA背景去除v1.4模型卡片

BRIA背景去除v1.4模型是一款先进的背景去除模型，能够在多种类别和图像类型中，高效地将前景与背景分离。该模型在精心挑选的数据集上进行训练，涵盖通用库存图像、电子商务、游戏和广告内容等，适用于企业级大规模内容创作的商业场景。其准确性、效率和通用性可与当前领先的开源模型相媲美，尤其适用于对内容安全、合法授权数据集和偏差缓解有较高要求的场景。

此模型由BRIA AI开发，以开源形式提供非商业用途。若需购买商业许可证，只需点击此处。

点击此处查看演示

注意：新版RMBG已发布！查看RMBG - 2.0

加入我们的Discord社区，获取更多信息、教程、工具，并与其他用户交流！

✨ 主要特性

• 基于精心挑选的数据集训练，涵盖多种图像类型，适用于商业内容创作。
• 准确性、效率和通用性高，可与领先的开源模型竞争。
• 适用于对内容安全、合法授权数据集和偏差缓解要求高的场景。

📦 安装指南

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

💻 使用示例

基础用法

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) # 输出一个Pillow掩码
pillow_image = pipe(image_path) # 对输入应用掩码并返回一个Pillow图像

高级用法

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)

# 准备输入
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)

# 后处理
result_image = postprocess_image(result[0][0], orig_im_size)

# 保存结果
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)

📚 详细文档

模型描述

训练数据

Bria - RMBG模型使用了超过12000张高质量、高分辨率、手动标注（像素级精度）且完全授权的图像进行训练。我们的基准数据集涵盖了均衡的性别、种族和不同类型残疾的人群。为了清晰展示，我们按不同类别提供了数据分布情况，体现了模型的通用性。

图像分布

定性评估

架构

RMBG v1.4基于IS - Net开发，并结合了独特的训练方案和专有数据集。这些改进显著提高了模型在各种图像处理场景中的准确性和有效性。

📄 许可证

本模型遵循bria - rmbg - 1.4许可证。该模型以知识共享许可证发布供非商业使用，商业使用需与BRIA签订商业协议。购买商业许可证请点击此处。