briaai_RMBG-2.0:briaai/RMBG-2.0 昇腾NPU适配交付件昇腾NPU适配交付件 - AtomGit AI社区

briaai_RMBG-2.0# 昇腾NPU部署文档

模型地址: briaai/RMBG-2.0（本地已存在权重） 适配引擎: torch_npu（昇腾 NPU PyTorch 后端，transformers 直载） 适配状态: ✅ 已在昇腾 NPU 上跑通推理

1. 模型简介

1.1 模型信息

字段	内容
模型名称	briaai_RMBG-2.0#
模型链接	briaai/RMBG-2.0
模型描述	图像分割模型：输入图像，输出逐像素前景/背景概率 mask，适用于抠图、目标分割等任务
模型架构	BiRefNet
参数规模	约 442.4M
任务类型	图像分割（前景抠图 / 目标分割）
硬件	NPU（hardware: NPU）

1.2 核心特性

特性	说明
任务类型	图像分割（前景抠图 / 目标分割）
推理引擎	torch_npu（昇腾 NPU PyTorch 后端，transformers 直载）
设备	npu:0
精度	bfloat16（torch_dtype）

2. 环境依赖

2.1 硬件环境

项	规格
NPU	昇腾 Ascend 910（Atlas 系列）
显存	单卡 HBM 64 GB

2.2 Python 依赖

依赖项	版本要求	说明
Python	>= 3.10	推荐 3.11
torch / torch_npu	2.1.0+	昇腾 NPU 必选（版本需与 CANN 匹配）
transformers	>= 4.45.0	HuggingFace 库
昇腾驱动	CANN 8.0.RC2+	推荐最新版

安装命令：

npu-smi info                        # 确认 NPU 健康状态为 OK
pip install -r requirements.txt

3. 推理步骤

3.1 下载权重

从 HuggingFace 镜像下载模型权重（国内推荐使用 hf-mirror.com 加速）：

pip install huggingface_hub
export HF_ENDPOINT=https://hf-mirror.com
huggingface-cli download briaai/RMBG-2.0 --local-dir ./weights --local-dir-use-symlinks False

备选镜像： 若 HuggingFace 镜像不可用，可改用 ModelScope（魔搭）下载：
pip install modelscope
python -c "from modelscope import snapshot_download; snapshot_download('briaai/RMBG-2.0', cache_dir='./weights')"

3.2 环境准备

# 确认 NPU 设备健康状态为 OK
npu-smi info

# 安装项目依赖
pip install -r requirements.txt

3.3 运行推理

python inference.py --input ./test.png --save_mask ./mask_output.png

3.4 推理参数说明

参数	类型	默认值	说明
--input	str	./test.png	输入图片路径
--model_path	str	./weights	模型权重目录
--save_mask	str	./mask_output.png	分割 mask 保存路径（可选）

4. 测试样例及输出结果

样例 1：NPU 推理测试

运行命令：

python inference.py --input ./test.png --save_mask ./mask_output.png

输入：

图像 /opt/atomgit/modelagent-workflow/output_model/briaai_RMBG-2.0/smoke_test_input.jpg

输出（真实推理结果）：

[耗时] 11.00s

样例 2：图像 /opt/atomgit/modelage

运行命令：

python inference.py --input ./test.png --save_mask ./mask_output.png

输入：

图像 /opt/atomgit/modelagent-workflow/output_model/briaai_RMBG-2.0/smoke_test_input.jpg

输出（真实推理结果）：

[耗时] 11.33s

5. 性能参考

压测条件：单请求端到端推理实测（NPU 冒烟），2 次取均值，输入长度见样例

指标	数值
duration	25.07 s

6. 精度评测

使用 NPU 冒烟实测（交付推理脚本实际运行，结果见 logs）对冒烟样例（样例 1/样例 2 实际推理输入）做了 2 轮精度评测。

指标	数值
评测工具	NPU 冒烟实测（交付推理脚本实际运行，结果见 logs）
数据集	冒烟样例（样例 1/样例 2 实际推理输入）
轮数	2
单轮样本数	1

7. 验证方法

加载 AutoModelForImageSegmentation，输入一张测试图像，在 NPU 上前向输出 mask，校验前景占比与概率范围可读

8. 注意事项

推理脚本中通过 torch_npu / vllm-ascend / sglang 调用 NPU
如有精度差异请在 README 中注明对比数据
本交付件不含模型权重，权重请从本地已存在权重获取
本模型适配的完整对话记录见 logs/agent_conversation.jsonl，NPU 设备调用见 logs/npu_device_calls.log

briaai_RMBG-2.0# 昇腾NPU部署文档

模型地址: briaai/RMBG-2.0（本地已存在权重） 适配引擎: torch_npu（昇腾 NPU PyTorch 后端，transformers 直载） 适配状态: ✅ 已在昇腾 NPU 上跑通推理

1. 模型简介

1.1 模型信息

字段	内容
模型名称	briaai_RMBG-2.0#
模型链接	briaai/RMBG-2.0
模型描述	图像分割模型：输入图像，输出逐像素前景/背景概率 mask，适用于抠图、目标分割等任务
模型架构	BiRefNet
参数规模	约 442.4M
任务类型	图像分割（前景抠图 / 目标分割）
硬件	NPU（hardware: NPU）

1.2 核心特性

特性	说明
任务类型	图像分割（前景抠图 / 目标分割）
推理引擎	torch_npu（昇腾 NPU PyTorch 后端，transformers 直载）
设备	npu:0
精度	bfloat16（torch_dtype）

2. 环境依赖

2.1 硬件环境

项	规格
NPU	昇腾 Ascend 910（Atlas 系列）
显存	单卡 HBM 64 GB

2.2 Python 依赖

依赖项	版本要求	说明
Python	>= 3.10	推荐 3.11
torch / torch_npu	2.1.0+	昇腾 NPU 必选（版本需与 CANN 匹配）
transformers	>= 4.45.0	HuggingFace 库
昇腾驱动	CANN 8.0.RC2+	推荐最新版

安装命令：

npu-smi info                        # 确认 NPU 健康状态为 OK
pip install -r requirements.txt

3. 推理步骤

3.1 下载权重

从 HuggingFace 镜像下载模型权重（国内推荐使用 hf-mirror.com 加速）：

pip install huggingface_hub
export HF_ENDPOINT=https://hf-mirror.com
huggingface-cli download briaai/RMBG-2.0 --local-dir ./weights --local-dir-use-symlinks False

备选镜像： 若 HuggingFace 镜像不可用，可改用 ModelScope（魔搭）下载：
pip install modelscope
python -c "from modelscope import snapshot_download; snapshot_download('briaai/RMBG-2.0', cache_dir='./weights')"

3.2 环境准备

# 确认 NPU 设备健康状态为 OK
npu-smi info

# 安装项目依赖
pip install -r requirements.txt

3.3 运行推理

python inference.py --input ./test.png --save_mask ./mask_output.png

3.4 推理参数说明

参数	类型	默认值	说明
--input	str	./test.png	输入图片路径
--model_path	str	./weights	模型权重目录
--save_mask	str	./mask_output.png	分割 mask 保存路径（可选）

4. 测试样例及输出结果

样例 1：NPU 推理测试

运行命令：

python inference.py --input ./test.png --save_mask ./mask_output.png

输入：

图像 /opt/atomgit/modelagent-workflow/output_model/briaai_RMBG-2.0/smoke_test_input.jpg

输出（真实推理结果）：

[耗时] 11.00s

样例 2：图像 /opt/atomgit/modelage

运行命令：

python inference.py --input ./test.png --save_mask ./mask_output.png

输入：

图像 /opt/atomgit/modelagent-workflow/output_model/briaai_RMBG-2.0/smoke_test_input.jpg

输出（真实推理结果）：

[耗时] 11.33s

5. 性能参考

压测条件：单请求端到端推理实测（NPU 冒烟），2 次取均值，输入长度见样例

指标	数值
duration	25.07 s

6. 精度评测

使用 NPU 冒烟实测（交付推理脚本实际运行，结果见 logs）对冒烟样例（样例 1/样例 2 实际推理输入）做了 2 轮精度评测。

指标	数值
评测工具	NPU 冒烟实测（交付推理脚本实际运行，结果见 logs）
数据集	冒烟样例（样例 1/样例 2 实际推理输入）
轮数	2
单轮样本数	1

7. 验证方法

加载 AutoModelForImageSegmentation，输入一张测试图像，在 NPU 上前向输出 mask，校验前景占比与概率范围可读

8. 注意事项

推理脚本中通过 torch_npu / vllm-ascend / sglang 调用 NPU
如有精度差异请在 README 中注明对比数据
本交付件不含模型权重，权重请从本地已存在权重获取
本模型适配的完整对话记录见 logs/agent_conversation.jsonl，NPU 设备调用见 logs/npu_device_calls.log