RMBG 2.0

🚀 BRIA背景去除v2.0模型卡片

BRIA背景去除v2.0模型是一款先进的图像分割模型，旨在有效分离各类图像中的前景与背景。它基于精心挑选的数据集进行训练，适用于商业用途，能为企业大规模内容创作提供支持。该模型由BRIA AI开发，以开源形式提供非商业使用。

🚀 快速开始

获取访问权限

Bria RMBG2.0可通过多种方式获取，包括源代码和权重、ComfyUI节点或API端点：

• 购买商业许可证：点击此处。
• API端点：Bria.ai，fal.ai
• ComfyUI：在工作流中使用

更多信息，请访问我们的网站。加入我们的Discord社区，获取更多信息、教程和工具，并与其他用户交流！点击此处查看演示

✨ 主要特性

• 性能提升：相比RMBG v1.4有显著改进，在准确性、效率和通用性方面可与领先的开源模型相媲美。
• 适用场景广泛：经过精心挑选的数据集训练，包括通用库存图像、电子商务、游戏和广告内容，适用于商业用途。
• 内容安全可靠：适合对内容安全、合法授权数据集和偏差缓解要求较高的场景。

📦 安装指南

依赖要求

torch
torchvision
pillow
kornia
transformers

💻 使用示例

基础用法

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()

# 数据设置
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')

# 预测
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")

📚 详细文档

模型详情

• 开发者：BRIA AI
• 模型类型：背景去除
• 许可证：知识共享署名 - 非商业性使用 4.0 国际许可协议（CC BY - NC 4.0）
  • 该模型以CC BY - NC 4.0许可证发布，仅用于非商业用途。
  • 商业使用需与BRIA签订商业协议，点击此处。
  • 购买商业许可证：点击此处。
• 模型描述：BRIA RMBG - 2.0是一个二分类图像分割模型，仅在专业级数据集上进行训练。模型输出包括单通道8位灰度alpha蒙版，其中每个像素值表示原始图像中相应像素的不透明度级别。这种非二进制输出方法为开发者提供了灵活性，可定义自定义阈值进行前景 - 背景分离，满足不同用例需求并增强其在复杂管道中的集成能力。
• BRIA相关资源：BRIA AI

训练数据

Bria - RMBG模型使用了超过15,000张高质量、高分辨率、手动标注（像素级精度）、完全授权的图像进行训练。我们的基准测试包括平衡的性别、种族和不同类型残疾的人群。为了清晰起见，我们提供了不同类别的图像分布情况，展示了模型的通用性。

图像分布

定性评估

开源模型对比

架构

RMBG - 2.0基于BiRefNet架构开发，并结合了我们的专有数据集和训练方案。这些训练数据显著提高了模型在背景去除任务中的准确性和有效性。

如果您在研究中使用此模型，请引用：

@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}
}

📄 许可证

本模型采用知识共享署名 - 非商业性使用 4.0 国际许可协议（CC BY - NC 4.0）。模型仅用于非商业用途，商业使用需与BRIA签订商业协议，点击此处获取更多信息。