简单介绍
这个是BiRefNet王炸级AI抠图工具的一个整合包，支持批量图片抠图，支持多种算法模型进行抠图，
支持自定义分辨率，不仅支持本地图片上传，还支持网络远程图片直接输入url点击下方的submit即可进行智能抠图
BiRefNet是一种基于PyTorch实现的双向精细化网络架构，专为高分辨率图像分割任务设计，
尤其在发丝级抠图（Portrait Matting）和二分图像分割（Dichotomous Image Segmentation）中表现突出。
其核心创新在于双边参考框架（Bilateral Reference, BiRef），通过结合全局语义与局部细节信息提升分割精度
关键词
图像分割 显着对象检测 背景去除 伪装对象检测 二分图像分割 双线网 高分辨率图像分割
界面预览
抠图效果
更新记录
2025 年 9 月 23 日：我们使用 PyTorch 中的官方 SDPA 升级了 swin transformer 中的注意力实现。 完全相同的模型现在在训练和推理方面具有更低的内存成本和潜在的加速（当attn_mask可以适应未来的flash_attn时）。 2025 年 6 月 30 日：通过 fast-fg-est 的 GPU 实现（感谢 @lucasgblu）和数组预/后处理的升级， 我们设法将refine_foreground速度提高了 8 倍（现在在 8090 上为 ~5090 毫秒）。 2025 年 5 月 15 日：我们在我的 YouTube 和 Bilibili 频道上发布了 BiRefNet 微调教程（屏幕录制）的视频。 3月 31， 2025：我们发布了通用BiRefNet_dynamic，该在动态分辨率范围内的图像上进行了训练， 在任何分辨率的图像上都表现出出色而强大的性能！再次感谢 Freepik 他们的 GPU 支持。256x2562304x2304 2025 年 2 月 12 日：我们发布了用于一般抠图的BiRefNet_HR抠图，它经过图像训练， 在更高分辨率的图像上显示出出色的抠图性能！再次感谢 Freepik 他们的 GPU 支持。2048x2048 2025 年 2 月 1 日：我们发布了通用BiRefNet_HR，该在图像上进行了训练， 在更高分辨率的图像上表现出出色的性能！感谢 Freepik 为这次大规模培训（~200 周）提供 H4x3 GPU。2048x2048 2025 年 1 月 6 日：验证 FP16 推理的成功与性能降低 ~0 和效率提高： 标准 BiRefNet 可以在单个 .在下面的模型动物园部分的模型效率部分中查看更多详细信息。17 FPSresolution==1024x10243.45GB GPU memoryRTX 4090 2024 年 12 月 5 日：修复在最新 PyTorch 版本（2.5.1）中使用 PyTorch 的错误， 以及 FP16 训练中使用 accelerate（设置为默认）的迭代缓慢的问题。torch.compile 2024 年 11 月 28 日：祝贺@Nankai大学在2024年中国国际大学生创新大赛中获得省级金奖和国家级铜奖， 并校采用BiRefNet构建项目。 2024 年 10 月 26 日：我们添加了使用现有权重对自定义数据进行微调的指南。 2024 年 10 月 6 日：我们上传了 BiRefNet 抠图模型，用于一般无三映射抠图。 2024 年 9 月 24 日：我们上传了 BiRefNet_lite-2K 模型，它以更高的分辨率 （2560x1440） 进行输入。 我们还添加了用于视频推理的笔记本。 2024 年 9 月 7 日：感谢 Freepik 支持我使用 GPU 进行更广泛的实验，尤其是在 BiRefNet 上进行 2K 推理！ 2024 年 8 月 30 日：我们上传了笔记本，以便在本地运行推理和 ONNX 转换。tutorials 2024 年 8 月 23 日：我们的BiRefNet现已在CAAI AIR期刊上正式在线发布。感谢新闻稿。 2024 年 8 月 19 日：我们上传了 GitHub 版本和 GDrive 文件夹中所有权重的 ONNX 模型文件。 查看模型动物园中的 ONNX 转换部分以了解更多详细信息。 2024 年 7 月 30 日：感谢 @not-lain 为将 BiRefNet 添加到官方huggingface.js存储库所做的善意努力。 2024 年 7 月 28 日：我们发布了用于盒式引导式分割的 Colab 演示。 2024 年 7 月 15 日：我们在 Hugging Face Models 上部署了 BiRefNet，以便用户可以轻松地将其加载到一行代码中。 2024 年 6 月 21 日：我们发布了原始论文的中文版本并将其上传到我的 GDrive。 2024 年 5 月 28 日：我们拥有一个模型动物园，其中包含训练有素的 BiRefNet 权重，具有不同的尺寸和不同的任务， 包括通用、消光分割、DIS、HRSOD、COD 等。 2024 年 5 月 7 日：我们还发布了用于多图像推理的 Colab 演示。非常感谢@rishabh063对此的支持。 4月 9， 2024：感谢 Features and Labels Inc. 部署了一个很酷的在线 BiRefNet 推理 API， 并为我提供了强大的 GPU 资源，为期 4 个月，可以进行更广泛的实验！ 2024 年 3 月 7 日：我们发布了 BiRefNet 代码、原始论文中所有任务的训练有素的权重， 以及我的 GDrive 文件夹中的所有相关内容。同时，我们还在 Hugging Face Spaces 上部署了 BiRefNet， 以便于在线使用，并发布了 Colab 演示以进行推理和评估。 2024 年 1 月 7 日：我们在 arXiv 上发布了我们的论文。
项目官网
https://www.birefnet.top/
GitHub
https://github.com/ZhengPeng7/BiRefNet
模型下载
BiRefNet HuggingFace model:
https://huggingface.co/ZhengPeng7/BiRefNet
教程：使用自定义数据进行BiRefNet的fine-tuning. BiRefNet
https://www.bilibili.com/video/BV1dxEkzgE3J/
注意事项
旧版本33G，新版本41G。
1.旧版本刚刚安装你使用一些没下载的模型会进行联网下载，
所以你所在的网络需要可以访问模型下载地址。下载大概8G的模型资源，
网络需要挺顺畅那种。
2.使用网络图片资源进行抠图的时候需要授予该脚本网络权限，
如果无法链接，一般是由于安全软件进行阻拦
3.新版本模型已经本地化了。直接打开就能用，速度挺快的。
4.下载完成软件后 请解压在没有中文的目录下进行使用，以免发生错误。
推荐路径D:\BiRefNet 或者D:\Downloads\xunlei\BiRefNet
下载地址
链接：https://pan.xunlei.com/s/VObYaZUuBqfiU0lMqra3T2TxA1?pwd=xf65#
链接：https://pan.xunlei.com/s/VObYb3gqedPPbZWXkHmczSf0A1?pwd=xrmc#
评论抢沙发