Catniti/catrex-lite-image-segmentation

Catrex Lite Image Segmentation

Компактная сегментационная сеть, обученная с нуля (случайная инициализация, без предобученных весов) на DIS5K для удаления фона.

Результаты

F1 на DIS-VD	0.6461
MAE	0.1178
Разрешение	512×512
Параметров	4.63M
Обучение	1× T4, 40 эпох

Файлы

Файл	Зачем
model.safetensors	веса для PyTorch, безопасный формат
model.onnx	инференс без PyTorch, динамический размер входа
config.json	параметры архитектуры

Использование (ONNX — проще всего)

import numpy as np, onnxruntime as ort
from PIL import Image
from huggingface_hub import hf_hub_download

sess = ort.InferenceSession(hf_hub_download("Catniti/catrex-lite-image-segmentation", "model.onnx"))

img = Image.open("photo.jpg").convert("RGB")
x = np.array(img.resize((512, 512))).astype(np.float32) / 255.
x = (x - [0.485, 0.456, 0.406]) / [0.229, 0.224, 0.225]
x = x.transpose(2, 0, 1)[None].astype(np.float32)

mask = sess.run(None, {"input": x})[0][0, 0]
mask = Image.fromarray((mask * 255).astype(np.uint8)).resize(img.size)

cutout = Image.fromarray(np.dstack([np.array(img), np.array(mask)]), "RGBA")
cutout.save("no_background.png")

Ограничения

Обучалась на одной T4 в разрешении 512px, поэтому уступает BiRefNet и RMBG-2.0 на тонких деталях: волосы, мех, прозрачные и полупрозрачные объекты. На простых сюжетах с чётко выраженным объектом работает уверенно.

Обучающие данные — DIS5K (Apache-2.0), веса под той же лицензией.