Характеристики

Лицензия: MIT
Библиотека: birefnet
Опубликована: 22 апр 2025

Ссылки

Hugging Face arXiv 2401.03407

BiRefNet_lite-matting

ZhengPeng7

Сегментация изображенийИзображение → mask3 профессии

Облегчённая модель BiRefNet выделяет объекты и передний план на изображениях, включая маттинг людей.

2 578скачиваний за 30 дней2лайкавеса 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_lite-matting — облегчённая модель семейства BiRefNet для сегментации переднего плана и объектов на изображениях с высокой детализацией. Карточка связывает её с работой «Bilateral Reference for High-Resolution Dichotomous Image Segmentation» и приводит результаты на наборах данных для маттинга людей и выделения объектов; авторы работы связаны с Nankai University, Northwestern Polytechnical University, National University of Defense Technology, Aalto University, Shanghai AI Laboratory и University of Trento.

Модель предназначена для отделения объектов от фона и построения масок, в том числе для маттинга людей. Она принимает изображения и выдаёт сегментационные маски. В README приведены высокие результаты на TE-P3M-500-NP и TE-AM-2k, но инструкция по применению отсылает к основной карточке BiRefNet_lite. Репозиторий содержит веса в формате safetensors; лицензия — MIT.

Сценарии применения

удаление фона на фотографиях
выделение переднего плана на изображении
создание масок объектов для редактирования изображений
маттинг людей на фотографиях
сегментация аниме-изображений

Ограничения

README не содержит сведений о размере модели, контексте или языках; для инструкции по использованию он отсылает к основной карточке BiRefNet_lite. Приведённые результаты относятся к указанным тестовым наборам и сами по себе не гарантируют качество на других типах изображений.

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 repo holds the official weights of BiRefNet for general matting.

Training Sets:

P3M-10k (except TE-P3M-500-NP)
TR-humans
AM-2k
AIM-500
Human-2k (synthesized with BG-20k)
Distinctions-646 (synthesized with BG-20k)
HIM2K
PPM-100

Validation Sets:

TE-P3M-500-NP

Performance:

Dataset	Method	Smeasure	maxFm	meanEm	MSE	maxEm	meanFm	wFmeasure	adpEm	adpFm	HCE	mBA	maxBIoU	meanBIoU
TE-P3M-500-NP	BiRefNet-matting--epoch_100	.978	.996	.990	.003	.996	.987	.989	.962	.980	.000	.825	.934	.888
TE-AM-2k	BiRefNet-matting--epoch_100	.970	.995	.989	.003	.996	.986	.987	.985	.990	.000	.830	.937	.876

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

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

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: 99c3341