🚀 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，旨在有效分离各种类别和图像类型中的前景与背景。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，适用于大规模企业内容创作的商业用例。其准确性、效率和通用性目前可与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，作为开源模型供非商业用途使用。

点击此处查看演示

🚀 快速开始

你可以按照以下步骤快速使用BRIA背景去除v1.4模型。

✨ 主要特性

• 高精度：在多种图像类型和场景下都能实现准确的背景去除。
• 通用性强：经过精心挑选的数据集训练，适用于多种商业用例。
• 合法合规：使用完全授权的数据集进行训练，确保内容安全和合法合规。

📦 安装指南

使用以下命令安装所需依赖：

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

💻 使用示例

基础用法

可以通过加载管道的方式使用模型：

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PIL图像掩码
pillow_image = pipe(image_path) # 对输入图像应用掩码并返回一个PIL图像

高级用法

也可以直接加载模型进行使用：

from transformers import AutoModelForImageSegmentation
from torchvision.transforms.functional import normalize
import torch
import numpy as np
from PIL import Image
import io
import torch.nn.functional as F

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_im = Image.fromarray(result_image)
no_bg_image = Image.new("RGBA", pil_im.size, (0,0,0,0))
orig_image = Image.open(image_path)
no_bg_image.paste(orig_image, mask=pil_im)

📚 详细文档

模型描述

训练数据

Bria-RMBG模型使用了超过12,000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。我们的基准测试涵盖了平衡的性别、种族和不同类型残疾的人群。为了清晰起见，我们按不同类别提供了数据分布，展示了模型的通用性。

图像分布

定性评估

架构

RMBG v1.4基于IS-Net开发，并结合了我们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

该模型遵循bria-rmbg-1.4许可证。模型根据知识共享许可协议发布，供非商业用途使用。商业用途需与BRIA达成商业协议，联系我们获取更多信息。