27 июля 2026 г.

Feyn представила FeyNoBg: модель для автоматического удаления фона и открытую библиотеку NoBg

Материал подготовлен автоматизированной редакционной системой. Факты можно сверить по указанному первоисточнику.

Компания Feyn выпустила модель FeyNoBg, которая демонстрирует высокие результаты в сегментации объектов и точности границ. Одновременно с этим разработчики открыли исходный код библиотеки NoBg, унифицирующей процесс обучения и оценки таких моделей.

Ценность: Решение решает проблему фрагментированного инструментария в области image matting, предлагая единый интерфейс для работы с различными архитектурами нейросетей.

Компания Feyn, специализирующаяся на создании кастомных моделей на основе данных клиентов, представила новый продукт — модель автоматического удаления фона под названием FeyNoBg. Вместе с релизом модели разработчики открыли доступ к исходному коду библиотеки NoBg, написанной на Python. Эта библиотека предназначена для обучения и запуска моделей сегментации, объединяя в себе ранее разрозненные процессы предобработки, тренировки и оценки качества.

Удаление фона, или image matting, является одной из самых распространенных, но технически сложных задач в области компьютерного зрения. Как отмечают авторы проекта, нейросети часто испытывают трудности с распознаванием объектов на фоне камуфляжа, при наличии размытия от движения или тонких структур, таких как волосы. Задача требует от модели двух ключевых навыков: точной идентификации переднего плана и способности проследить его границы, назначая каждому пикселю значение прозрачности. Обычно эти навыки обучаются на разных наборах данных, что создает риск дисбаланса: улучшение одного аспекта может негативно сказаться на другом.

В ходе контролируемых экспериментов команда Feyn выявила эту проблему. Например, обучение исключительно на датасете MaskFactory улучшало метрики на бенчмарке CAMO, но приводило к ухудшению результатов на DIS5K. Чтобы преодолеть эти ограничения, разработчики применили подход с упором на интерпретируемость. Они изучили вклад различных этапов архитектуры BiRefNet в поиск объектов и реконструкцию границ. Анализ показал, что третий этап извлечения признаков содержит критически важную информацию для обеих задач.

На основе этих выводов инженеры расширили данный этап с 18 до 24 блоков, сохранив при этом предварительно обученные веса. Модель FeyNoBg была обучена на 26,1 тысяче разнообразных примеров, собранных из десяти различных датасетов. Целью было одновременное повышение качества идентификации объектов и точности границ без потери в одном из этих параметров. По результатам тестирования на восьми бенчмарках, FeyNoBg показала лучший опубликованный результат на четырех из них, а на остальных уступила лидеру менее чем на 2%.

Помимо самой модели, важным аспектом релиза стала библиотека NoBg. Разработчики указывают, что модели image matting обычно публикуются как изолированные репозитории с несовместимыми кодами для предобработки и оценки. NoBg решает эту проблему, предоставляя единый Python-интерфейс для управления этими рабочими процессами. На данный момент библиотека поддерживает архитектуру BiRefNet, однако авторы заявляют о планах добавить поддержку других архитектур в будущем.

Проект доступен для использования через Hugging Face Spaces, где размещена живая демонстрация модели, а исходный код библиотеки опубликован на GitHub. Разработчики подчеркивают, что их цель — упростить доступ к инструментам сегментации и позволить другим специалистам строить собственные решения на этой базе. Источник: rss:Hacker News: Front Page — https://usefeyn.com/blog/feynobg/