Y
YYPGD/RMBG-2.0
Model Introduction
Files & versions
Pull Requests
Discussion
Analysis

RMBG-2.0 昇腾NPU部署文档

1. 模型简介

模型名称: RMBG-2.0

模型链接: briaai/RMBG-2.0

模型描述: RMBG-2.0 是 Bria AI 推出的高精度背景移除(Background Removal)模型,可对图像中的前景主体进行像素级分割并生成透明背景抠图,广泛应用于电商、设计、图像编辑等场景。

模型架构: BiRefNet(基于 Swin Transformer 的双向参考高分辨率图像二分网络)

参数规模: 约 885M(model.safetensors 约 0.9 GB)


2. 环境依赖

依赖项版本要求说明
Python>= 3.10推荐 3.11
torch / torch_npu2.1.0+昇腾 NPU 环境(本环境为 torch 2.7.1+cpu + torch_npu)
transformers>= 4.45.0HuggingFace 库,需 trust_remote_code 加载 BiRefNet
timm>= 1.0.0BiRefNet 自定义代码依赖
kornia>= 0.7.0BiRefNet 自定义代码依赖(Laplacian 算子)
Pillow / numpy最新版图像读取与预处理
torchvision与 torch 匹配deform_conv2d 等算子

安装命令:

pip install --target /mnt/workspace/RMBG-2.0/libs transformers timm kornia
# 运行时叠加 PYTHONPATH=/mnt/workspace/RMBG-2.0/libs

3. 推理步骤

3.1 环境准备

# 检查 NPU 设备
npu-smi info

# 模型权重位于本地目录(离线加载,不联网)
ls /home/developer/models/RMBG-2.0/

3.2 运行推理

PYTHONPATH=/mnt/workspace/RMBG-2.0/libs:$PYTHONPATH \
python inference.py --model_path /home/developer/models/RMBG-2.0

脚本自动选择设备(npu > cuda > cpu),内置示例输入图,输出前景掩码 mask_*.png 与透明背景抠图 cutout_*.png。

3.3 推理参数说明

参数类型默认值说明
--model_pathstr/home/developer/models/RMBG-2.0本地模型权重目录
--input_imagestr内置示例图输入图片路径
--output_dirstroutputs结果输出目录

4. 测试样例及输出结果

样例 1:内置示例图背景移除

输入:

python inference.py --model_path /home/developer/models/RMBG-2.0

输出:

[INFO] 设备类型: npu, device=npu:0
[INFO] 模型加载完成,加载耗时 xx.xxs
[INFO] 输入图像: t4.png (size=(w, h))
[INFO] 前景掩码已保存: outputs/mask_t4.png
[INFO] 抠图结果已保存: outputs/cutout_t4.png
[INFO] 掩码尺寸: (w, h), 前景占比: 0.xxxx
耗时/elapsed: x.xxx s

样例 2:指定图片背景移除

输入:

python inference.py --model_path /home/developer/models/RMBG-2.0 --input_image /path/to/test.jpg --output_dir ./outputs

输出:

[INFO] 输入图像: test.jpg (size=(w, h))
[INFO] 前景掩码已保存: ./outputs/mask_test.png
[INFO] 抠图结果已保存: ./outputs/cutout_test.png
耗时/elapsed: x.xxx s

5. Agent适配截图

5.1 Agent适配全过程截图

Agent 适配流程

5.2 NPU设备调用截图

NPU 设备调用

5.3 模型适配结果截图

模型适配结果


6. 注意事项

  • 推理脚本通过 torch_npu 调用 NPU,设备自动选择 npu > cuda > cpu;
  • 输入张量为 float32(NPU 不支持 float64 算子);预处理按 preprocessor_config.json 的 ImageNet mean/std 归一化,resize 到 1024x1024;
  • 模型通过 AutoModelForImageSegmentation.from_pretrained(..., trust_remote_code=True) 加载,依赖权重目录内的 birefnet.py 自定义代码,需安装 timm、kornia;
  • 离线运行:local_files_only=True,不联网下载任何文件;
  • 权重目录自带样例图 t4.png / collage5.png 可直接用作内置测试输入。