nodes/moon7star9-ComfyUI_BiRefNet_Universal
1
0
Fork 0
Code Issues Pull Requests Packages Projects Releases Wiki Activity

Update README.md

Browse Source
This commit is contained in:
star9
2025-02-11 18:23:39 +08:00
committed by GitHub
parent 1acb0a46bd
commit 2cb1d95836
1 changed files with 50 additions and 40 deletions
Download Patch File Download Diff File Expand all files Collapse all files
README.md
+50 -40
View File
@@ -4,74 +4,84 @@
## 功能
- 🚀 支持全系列BiRefNet模型，包括通用模型、高分辨率模型和轻量级模型等，支持所有BiRefNet的huggingface模型库
🚀 支持全系列BiRefNet模型，包括通用模型、高分辨率模型和轻量级模型等，支持所有BiRefNet的huggingface模型库
- 💫 自动模型管理，支持本地加载与在线下载
💫 自动模型管理，支持本地加载与在线下载
可以直接下载到models\BiRefNet\下，如图所示：
可以直接下载到models\BiRefNet\下，如图所示：
![image](https://github.com/user-attachments/assets/db8f1992-12f6-4d8a-8887-076226e417f5)
![image](https://github.com/user-attachments/assets/db8f1992-12f6-4d8a-8887-076226e417f5)
也可以选择运行的时候自动下载
也可以选择运行的时候自动下载
- 🎯 针对不同场景优化的模型选项，自动选择模型推理时的最佳抠图尺寸
🎯 针对不同场景优化的模型选项，自动选择模型推理时的最佳抠图尺寸
- BiRefNet
适合通用场景，1024*1024推理，为展示各模型效果，这里给出一些测试案例。
- BiRefNet
适合通用场景，1024*1024推理，为展示各模型效果，这里给出一些测试案例。
- 插画人物效果对比，此轮DIS5K结果最优。
- 插画人物效果对比，此轮DIS5K结果最优。
![test2](https://github.com/user-attachments/assets/f3542204-94ea-4be8-ad5f-4df295207c1d)
![img](./assets/test2.png)
- 产品主体抠图效果对比
- 产品主体抠图效果对比
![img](./assets/test3.png)
- 结构较为复杂的主体
![test3](https://github.com/user-attachments/assets/bc02c186-a37b-41fc-85c0-f4c05187b07e)
![img](./assets/test4.png)
- 结构较为复杂的主体
- BiRefNet_HR
适合更高分辨率，2048*2048推理，在高分辨率图像抠图时，由于本身可推理尺寸较大，以及训练时使用了matting类数据集(主要为镂空、透明玻璃、人物发丝等)，所以可以获得更为细致、自然的边缘以及玻璃透光类图像，推荐使用时优先选择。
![test4](https://github.com/user-attachments/assets/16fc740d-de33-496c-a4c4-ea1ed05c38be)
- 可缓解边缘锯齿问题，细节抠图更优
![img](./assets/test5.png)
- BiRefNet_HR
适合更高分辨率，2048*2048推理，在高分辨率图像抠图时，由于本身可推理尺寸较大，以及训练时使用了matting类数据集(主要为镂空、透明玻璃、人物发丝等)，所以可以获得更为细致、自然的边缘以及玻璃透光类图像，推荐使用时优先选择。
![img](./assets/compare_cat.gif)
- 可缓解边缘锯齿问题，细节抠图更优
- BiRefNet-matting
镂空、透明、发丝类数据专项训练，1024*1024推理，由于推理尺寸较小，因此边缘清晰度不如BiRefNet_HR
![test5](https://github.com/user-attachments/assets/cc05835e-3376-47d9-9a20-5a05929d9e00)
- 发丝清晰度对比
![img](./assets/test1.png)
![compare_cat](https://github.com/user-attachments/assets/c4f9a532-0d18-4599-880c-2693ae3d2a12)
- BiRefNet-matting
镂空、透明、发丝类数据专项训练，1024*1024推理，由于推理尺寸较小，因此边缘清晰度不如BiRefNet_HR
- 发丝清晰度对比
![test1](https://github.com/user-attachments/assets/3b23d794-0ceb-46fb-8dc7-1af7f85848c7)
- 玻璃杯抠图对比，matting效果较好，前景预估效果也较好
- 玻璃杯抠图对比，matting效果较好，前景预估效果也较好
![img](./assets/cup-hr.png)
![img](./assets/cup-matting.png)
![cup-hr](https://github.com/user-attachments/assets/6e3d7339-7f58-4366-b2f0-e433af5cd2c0)
- BiRefNet_lite
轻量级模型，1024*1024推理
![cup-matting](https://github.com/user-attachments/assets/577cb864-247d-49ee-824d-e31366b4ad5f)
- BiRefNet_lite-2K
轻量级模型，2560*1440推理
- BiRefNet_512x512
对于小图效果更好，512*512推理
- BiRefNet_lite
轻量级模型，1024*1024推理
- BiRefNet-portrait
针对人像类抠图任务，1024*1024推理
- BiRefNet_lite-2K
轻量级模型，2560*1440推理
- 其他：为在各个数据集上训练的分割模型，1024*1024推理，此类模型中的抠图效果更偏向于硬分割，即边缘过渡感较差，若图像对边缘要求较高，需要另外加matting类模型做后处理。
- BiRefNet_512x512
对于小图效果更好，512*512推理
- 🌟 对抠图结果进行前景颜色预估，使得有透明度的像素部分更贴近真实前景颜色
- BiRefNet-portrait
针对人像类抠图任务，1024*1024推理
![img](./assets/compare_cartoon.gif)
![img](./assets/compare_cup.gif)
![img](./assets/compare_fire.gif)
- 其他：为在各个数据集上训练的分割模型，1024*1024推理，此类模型中的抠图效果更偏向于硬分割，即边缘过渡感较差，若图像对边缘要求较高，需要另外加matting类模型做后处理。
🌟 对抠图结果进行前景颜色预估，使得有透明度的像素部分更贴近真实前景颜色
![compare_cartoon](https://github.com/user-attachments/assets/d87bec04-6b7f-446a-b115-7dad545a303a)
![compare_cup](https://github.com/user-attachments/assets/bddf30a6-3a84-4ae3-8002-c2bdcbd1d9f5)
![compare_fire](https://github.com/user-attachments/assets/8dfc4e22-de05-42a9-bf71-1809f283c36b)
## 感谢
感谢BiRefNet仓库的所有作者开源的代码和模型 [ZhengPeng7/BiRefNet](https://github.com/zhengpeng7/birefnet)
模型库主页：https://huggingface.co/ZhengPeng7
模型库主页：https://huggingface.co/ZhengPeng7