模型名称: RMBG-2.0(briaai/RMBG-2.0)
模型链接:
模型描述: briaai/RMBG-2.0 图像背景移除模型(BiRefNet 架构,220M),输入图像输出前景 alpha mask,生成透明背景图,用于高精度抠图场景。
模型架构: BiRefNet(SwinTransformer + PVT 双骨干,输出 alpha mask)
参数规模: 约 220.2M 参数。
适配引擎: 昇腾 torch_npu(torch.npu 设备接口调用 NPU)。
| 依赖项 | 版本要求 | 说明 |
|---|---|---|
| Python | >= 3.10(推荐 3.11) | 本机 3.11.14 |
| CANN Toolkit | 8.0.RC2+ | 本机 8.5.1,昇腾开发套件 |
| torch | 2.1.0+ | 本机 2.9.0+cpu |
| torch_npu | 2.9.0.post1 | 随 CANN 提供,昇腾 NPU 适配层 |
| transformers | 4.57.6 | 模型加载/预处理 |
| safetensors | 0.4.3+ | 权重加载 |
| Pillow | 10+ | 图像读取 |
硬件: 昇腾 Ascend910_9362(64GB HBM ×2)。
安装命令:
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple \
transformers==4.57.6 safetensors Pillow numpy
# 昇腾 NPU 组件(torch_npu / CANN / 驱动)由昇腾工具链安装mkdir -p model
for f in config.json model.safetensors preprocessor_config.json; do
timeout 280 curl -sSL -o "model/$f" \
"https://hf-mirror.com/briaai/RMBG-2.0/resolve/main/$f?download=true"
donenpu-smi info
python3 -c "import torch, torch_npu; print(torch.npu.device_count())" # 输出 2python3 inference.py --device npu:0
# 带性能基准
python3 inference.py --device npu:0 --benchmark命令:
python3 inference.py --device npu:0 --benchmark输出:
[INFO] ========== 昇腾推理引擎 ==========
[INFO] torch : 2.9.0+cpu
[INFO] torch_npu : 2.9.0.post1+gitee7ba04
[INFO] NPU 可用 : True
[INFO] NPU 数量 : 2
[INFO] NPU 型号 : Ascend910_9362
[INFO] ==================================
[模型加载] 完成, 参数量 220.2M, 设备 npu:0, 耗时 5.34s
[结果] RMBG-2.0 图像背景移除
[输出] output_no_bg.png (前景占比 13.1%)
[掩码] 尺寸 (512, 512), 已保存 PNG
[性能基准] npu:0 warmup=3 runs=20
平均推理时延 = 2617.21 ms/张 (0.4 FPS)结果分析: 模型在昇腾 NPU 上前向成功,任务级输出正确,确定性验证通过。
torch.npu.is_available() / torch.device("npu:0"))调用昇腾 NPU,未检测到 NPU 时自动回退 CPU。?download=true 必须),本环境无法直连 huggingface.co。