From 2cb1d95836b0e4f05116cebe248cea09118c0901 Mon Sep 17 00:00:00 2001 From: star9 <133539058+moon7star9@users.noreply.github.com> Date: Tue, 11 Feb 2025 18:23:39 +0800 Subject: [PATCH] Update README.md --- README.md | 90 ++++++++++++++++++++++++++++++------------------------- 1 file changed, 50 insertions(+), 40 deletions(-) diff --git a/README.md b/README.md index aaf2600..9ec9ab3 100644 --- a/README.md +++ b/README.md @@ -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 \ No newline at end of file +模型库主页：https://huggingface.co/ZhengPeng7