option
Maison
Flash info
Contenu
JohnYoung
JohnYoung
30 juillet 2026

L'équipe Feyn a lancé FeyNoBg, un nouveau modèle de suppression d'arrière-plan à la pointe de la technologie (SOTA), et a mis en open source la bibliothèque NoBg. Basé sur BiRefNet, ce modèle étend le nombre de modules d'extraction de caractéristiques de 18 à 24 (263 millions de paramètres). Entraîné sur 10 jeux de données (26 100 images), il obtient la meilleure mesure S sur 4 des 8 benchmarks. La bibliothèque NoBg offre un débit plus élevé, une latence plus faible et une consommation de mémoire réduite par rapport à BiRefNet. Disponible sur Hugging Face et GitHub.

L'équipe Feyn a lancé FeyNoBg, un nouveau modèle de suppression d'arrière-plan à la pointe de la technologie (SOTA), et a mis en open source la bibliothèque NoBg. Basé sur BiRefNet, ce modèle étend le nombre de modules d'extraction de caractéristiques de 18 à 24 (263 millions de paramètres). Entraîné sur 10 jeux de données (26 100 images), il obtient la meilleure mesure S sur 4 des 8 benchmarks. La bibliothèque NoBg offre un débit plus élevé, une latence plus faible et une consommation de mémoire réduite par rapport à BiRefNet. Disponible sur Hugging Face et GitHub. L'équipe Feyn a lancé FeyNoBg, un nouveau modèle de suppression d'arrière-plan à la pointe de la technologie (SOTA), et a mis en open source la bibliothèque NoBg. Basé sur BiRefNet, ce modèle étend le nombre de modules d'extraction de caractéristiques de 18 à 24 (263 millions de paramètres). Entraîné sur 10 jeux de données (26 100 images), il obtient la meilleure mesure S sur 4 des 8 benchmarks. La bibliothèque NoBg offre un débit plus élevé, une latence plus faible et une consommation de mémoire réduite par rapport à BiRefNet. Disponible sur Hugging Face et GitHub. L'équipe Feyn a lancé FeyNoBg, un nouveau modèle de suppression d'arrière-plan à la pointe de la technologie (SOTA), et a mis en open source la bibliothèque NoBg. Basé sur BiRefNet, ce modèle étend le nombre de modules d'extraction de caractéristiques de 18 à 24 (263 millions de paramètres). Entraîné sur 10 jeux de données (26 100 images), il obtient la meilleure mesure S sur 4 des 8 benchmarks. La bibliothèque NoBg offre un débit plus élevé, une latence plus faible et une consommation de mémoire réduite par rapport à BiRefNet. Disponible sur Hugging Face et GitHub.
commentaires (0)
0/300
OR