先将目前已有的模型列出：
| 模型名称 | 参数 | 地址 | 效果 |
|---|---|---|---|
| BiRefNet-DIS_ep580.pth | 849MB | BiRefNet-DIS_ep580.pth · ViperYX/BiRefNet at main | （旧模型） |
| BiRefNet-ep480.pth | 849MB | ViperYX/BiRefNet at main | （旧模型） |
| COD.safetensors | 844MB | https://huggingface.co/ZhengPeng7/BiRefNet-COD/ | 用于高分辨率二分图像分割的双侧参照物 |
| DIS-TR TEs.safetensors | 844MB | lldacing/ComfyUI_BiRefNet_ll | 基于大量数据集训练的 DIS 任务模型，可能在二值图像分割任务上具有更优的性能。 |
| DIS.safetensors | 844MB | lldacing/ComfyUI_BiRefNet_ll | 用于二值图像分割（DIS）任务的模型文件，适用于需要将图像分割为目标和背景两类的场景。 |
| General-Lite-2K.safetensors | 169MB | dimitribarbot/sd-webui-birefnet: BiRefNet for AUTOMATIC1111 Stable Diffusion WebUI | 轻量级的通用模型，适用于 2560x1440 等高分辨率场景，兼顾性能与计算效率。 |
| General-Lite.safetensors | 169MB | dimitribarbot/sd-webui-birefnet: BiRefNet for AUTOMATIC1111 Stable Diffusion WebUI | 轻量级的通用模型，适用于一般场景的背景移除等任务，计算资源消耗较低。 |
| General.safetensors | 424MB | dimitribarbot/sd-webui-birefnet: BiRefNet for AUTOMATIC1111 Stable Diffusion WebUI | 通用模型，适用于各类一般的背景移除、目标分割等场景，是基础的通用型模型。 |
| HRSOD.safetensors | 844MB | dimitribarbot/sd-webui-birefnet: BiRefNet for AUTOMATIC1111 Stable Diffusion WebUI | 用于 HRSOD（high-resolution salient object detection，高分辨率显著目标检测）任务，擅长检测高分辨率图像中的显著目标。 |
| Matting.safetensors | 844MB | dimitribarbot/sd-webui-birefnet: BiRefNet for AUTOMATIC1111 Stable Diffusion WebUI | 通用无 trimap 抠图任务的模型文件，专门针对图像抠图场景设计，能够实现对图像中目标的精细抠取，适用于需要获取高质量前景与背景分离效果的场景 |
| Portrait.safetensors | 844MB | dimitribarbot/sd-webui-birefnet: BiRefNet for AUTOMATIC1111 Stable Diffusion WebUI | 专门针对人像场景的模型，在人像分割、背景移除等任务上表现出色。 |
| RMBG-2.0/model.safetensors | dimitribarbot/sd-webui-birefnet: BiRefNet for AUTOMATIC1111 Stable Diffusion WebUI | 从名称看 RMBG-2.0 相关的背景移除模型文件，但该模型并非 sd-webui-birefnet 仓库中 BiRefNet 系列的核心模型，用于特定的背景移除场景，具体用途需结合其训练任务判断。 | |
| RMBG-2.0/pytorch model.bin | 885MB | briaai/RMBG-2.0 at main | RMBG-2.0 模型的 PyTorch 权重文件，与同目录下的 model.safetensors 功能类似，均为背景移除相关模型权重，可能用于不同的加载方式或版本兼容。 |
| pth/BiRefNet-general-epoch 244.pth | dimitribarbot/sd-webui-birefnet: BiRefNet for AUTOMATIC1111 Stable Diffusion WebUI | 适用于一般的背景移除等通用场景，是训练过程中特定阶段的权重快照。 | |
| pth/BiRefNet HR-general-epoch 130.pth | dimitribarbot/sd-webui-birefnet: BiRefNet for AUTOMATIC1111 Stable Diffusion WebUI | BiRefNet 高分辨率通用模型训练到 130 个 epoch 的文件，适用于高分辨率图像的通用场景任务，在高分辨率图像处理上有较好表现。 | |
| pth/BiRefNet HR-matting-epoch 135.pth | 444MB | ZhengPeng7/BiRefNet_HR-matting at main | ZhengPeng7/BiRefNet_HR-matting · Hugging Face这是 BiRefNet 的高分辨率抠图模型（HR-matting），训练到了 135 个 epoch，适用于需要高分辨率图像抠图的场景。 |
| pvt_v2_b2.pth | 102MB | ViperYX/BiRefNet at main | 骨干网络（backbone）使用，为模型提供特征提取能力 |
| pvt_v2_b5.pth | 328MB | ViperYX/BiRefNet at main | 相较于 b2 版本，可能具有更深的网络结构或更多的参数，能提取更丰富的图像特征，同样可能作为 BiRefNet 的骨干网络 |
| swin base patch4 window12 384 22kto1k.pth | 365MB | ViperYX/BiRefNet at main | 这是 Swin Transformer 的 base 版本模型文件，“patch4 window12 384” 表示其相关配置（patch 大小为 4、窗口大小为 12、输入图像尺寸为 384），“22kto1k” 表示模型是在 22k 数据集上预训练后，又在 1k 数据集上微调得到的。该模型可能作为 BiRefNet 的骨干网络，用于特征提取。 |
| swin large patch4 window12 384 22kto1k.pth | 801MB | ViperYX/BiRefNet at main | large 版本模型文件，配置与 base 版本类似，但网络规模更大，参数更多，可能能提取更细致的特征，可作为 BiRefNet 的骨干网络使用。 |
算法介绍：
- 通用型（General）：适用于一般场景的预训练模型。
- 通用型-高分辨率（General-HR）：适用于一般场景的预训练模型，在更高分辨率图像（2048x2048）上表现出色。
- 通用型-轻量版（General-Lite）：适用于一般场景的轻量级预训练模型。
- 通用型-轻量版-2K（General-Lite-2K）：适用于高分辨率（2560x1440）一般场景的轻量级预训练模型。
- 通用型-动态分辨率（General-dynamic）：适用于动态分辨率的预训练模型，训练图像分辨率范围为256x256至2304x2304。
- 通用型-512分辨率（General-reso_512）：适用于更低分辨率的预训练模型，速度更快、精度更高，基于512x512图像训练。
- 通用型-旧版（General-legacy）：适用于一般场景的预训练模型，训练数据集包括DIS5K-TR、DIS-TEs、DUTS-TR_TE、HRSOD-TR_TE、UHRSD-TR_TE、HRS10K-TR_TE（不含人像分割数据）。
- 人像（Portrait）：用于人物肖像的预训练模型。
- 抠图（Matting）：适用于一般无Trimap抠图场景的预训练模型。
- 抠图-高分辨率（Matting-HR）：适用于一般抠图场景的预训练模型，在更高分辨率图像（2048x2048）上表现出出色的抠图性能。
- 抠图-轻量版（Matting-Lite）：适用于一般无Trimap抠图场景的轻量级预训练模型。
- 二分图像分割（DIS）：用于二分图像分割的预训练模型。
- 高分辨率显著目标检测（HRSOD）：用于高分辨率显著目标检测的预训练模型。
- 隐蔽目标检测（COD）：用于隐蔽目标检测的预训练模型。
- DIS-TR_TEs：基于大规模数据集训练的预训练模型。
目前常用模型：
models:
- ZhengPeng7/BiRefNet
- ZhengPeng7/BiRefNet-portrait 💡
欢迎分享文章，或是与我联系