README.md

---
license: apache-2.0
library_name: pytorch
pipeline_tag: image-segmentation
tags:
- image-segmentation
- background-removal
- onnx
- catrex
datasets:
- nobg/DIS5K
metrics:
- f1
---

# 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)

```python
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.