Характеристики

Лицензия: MIT
Библиотека: birefnet
Опубликована: 5 фев 2025

Ссылки

BiRefNet_512x512

Сегментация изображенийИзображение → mask3 профессии

BiRefNet_512x512 выделяет объекты на изображениях и строит маски сегментации с упором на быструю инференцию при разрешении 512×512.

1 431скачиваний за 30 дней5лайковвеса обновлены4 фев 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

BiRefNet_512x512 — модель сегментации изображений из семейства BiRefNet, представленная в репозитории ZhengPeng7 и основанная на работе «Bilateral Reference for High-Resolution Dichotomous Image Segmentation». Она предназначена для выделения объектов на изображениях и построения масок, в том числе для задач dichotomous image segmentation, обнаружения замаскированных объектов и salient object detection.

Модель обучалась на изображениях размером 512×512; авторы указывают, что этот вариант обеспечивает более быструю и точную инференцию при низком разрешении. В README приведены результаты на наборе DIS-VD для проверки в режиме FP16. Репозиторий содержит веса в формате safetensors, лицензия — MIT.

Модель принимает изображения и выдаёт сегментационные маски. README не описывает ограничения по типам изображений или сценариям применения; результаты производительности относятся к указанному тестовому набору и режиму оценки.

Сценарии применения

выделение главного объекта на изображении
создание маски для удаления фона
сегментация замаскированных объектов
выделение заметных объектов на изображении
подготовка масок для обработки изображений

Ограничения

Опубликованные в карточке метрики относятся к набору DIS-VD и оценке в FP16; они не характеризуют качество на всех типах изображений. Указанный вариант рассчитан на входное разрешение 512×512.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей IV.1Отраслевые задачиРитейл, электронная коммерция и fashion-techAI помогает управлять ассортиментом, покупательским опытом и эффективностью торговых операций.29 задач5 934модели II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

This BiRefNet was trained with images in 512x512 for faster and more accurate lower resolution inference.

Performance:

All tested in FP16 mode.

Dataset	Method	Resolution	maxFm	wFmeasure	MAE	Smeasure	meanEm	HCE	maxEm	meanFm	adpEm	adpFm	mBA	maxBIoU	meanBIoU
DIS-VD	BiRefNet_512x512-epoch_216	512x512	.879	.840	.040	.888	.931	1526	.941	.864	.938	.857	.732	.747	.726
DIS-VD	BiRefNet-general-epoch_244	512x512	.834	.789	.050	.860	.891	1589	.905	.817	.902	.816	.708	.698	.669
DIS-VD	BiRefNet_HR-general-epoch_130	512x512	.540	.409	.112	.634	.565	1647	.682	.428	.690	.576	.585	.384	.309

DIS-Sample_1	DIS-Sample_2

This repo is the official implementation of "Bilateral Reference for High-Resolution Dichotomous Image Segmentation" (CAAI AIR 2024).

Check the main BiRefNet model repo for more info and how to use it:
https://huggingface.co/ZhengPeng7/BiRefNet/blob/main/README.md

Also check the GitHub repo of BiRefNet for all things you may want:
https://github.com/ZhengPeng7/BiRefNet

Acknowledgement:

Many thanks to @freepik for their generous support on GPU resources for training this model!

Citation

@article{zheng2024birefnet,
  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},
  volume = {3},
  pages = {9150038},
  year={2024}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · birefnet · image-segmentation

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры: BiRefNet
Ревизия весов: 678c37f