К содержимому
Другое

Sadik BG Remover

локальное удаление фона с GUI, CLI и API

2 мин чтенияобновлено

Sadik BG Remover от SadikNawazAI — это готовое к запуску приложение для вырезания объектов с изображений целиком на вашем компьютере без отправки файлов в облако. Внутри уже лежат готовые веса моделей сегментации ISNet General Use (быстрая по умолчанию) и BiRefNet General Lite (более аккуратные края), работающие через ONNX Runtime (движок для запуска нейросетей на CPU и GPU) поверх библиотеки rembg. На выходе вы получаете PNG с прозрачным фоном или картинку на заданном однотонном/пользовательском фоне. В отличие от простого набора весов или языковых моделей в Ollama, инструмент сразу предлагает три интерфейса под любые сценарии — от разовой обработки мышкой до встраивания в пайплайны.

Ключевые особенности

  • Три режима работы из коробки: десктопное приложение с drag-and-drop, утилита командной строки (CLI) с пакетной рекурсивной обработкой и локальный HTTP API на FastAPI (до 100 файлов в ZIP за запрос).
  • Встроенные ONNX-веса: isnet-general-use.onnx (170 МБ) для высокой скорости и birefnet-general-lite.onnx (214 МБ) для сложных краёв; дополнительно можно докачать полную birefnet-general (928 МБ) и u2net (168 МБ).
  • Тонкая настройка вырезки: поддержка alpha matting для мягкой обработки волос и шерсти, а также замена фона на прозрачный, белый, чёрный, произвольный HEX-цвет или другую картинку.
  • Связка с Ollama и LM Studio: в репозитории есть Modelfile и системный промпт для VLM (например, Moondream2 или Qwen2.5-VL-3B), чтобы модель описывала объект и края, а вырезание выполнял сам пакет.

Что можно сделать

  • Подготовить карточки товаров: пакетно прогнать папку со снимками через CLI с параметром --bg "#ffffff" и получить серию фото на чистом белом фоне.
  • Вырезать портреты и животных: переключиться на BiRefNet General Lite и включить --alpha-matting, чтобы аккуратнее отделить волосы или шерсть.
  • Встроить в свой скрипт или локальный сервис: поднять сервер командой sadik-bg serve --port 8765 и отправлять изображения на /remove или /remove-batch по HTTP.

Пример

from PIL import Image
from sadik_bg_remover import remove_file, remove_image

remove_file("photo.jpg", "cutout.png", model="isnet-general-use")

with Image.open("photo.jpg") as img:
    cutout = remove_image(img, alpha_matting=True)
    cutout.save("cutout.png")
ПодробнееСкорость на CPU Intel Core i5-6500T (4 ядра, без GPU, фото 800×792 и 738×492): ISNet обрабатывает кадр за ~1,8–2,2 с после загрузки (~4–6 с старт), BiRefNet General Lite — за ~14,5–20,6 с (~17 с инициализация).
Железо: по умолчанию работает на CPU через ONNX Runtime; при необходимости можно поставить сборку с поддержкой CUDA или ROCm вручную.
Ограничения: очень тонкие волосы, шерсть, стекло, дым и смаз в движении могут давать неидеальные границы; это инструмент сегментации, он не дорисовывает и не редактирует содержимое.
Лицензии: код приложения — MIT, веса ISNet — Apache-2.0, веса BiRefNet Lite — MIT.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.2 GB · готовые файлы0.7 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.6 GB
  • 4-bitвеса 0.1 GB0.6 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # SadikNawazAI/sadik-bg-remover
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download SadikNawazAI/sadik-bg-remover --local-dir ~/models/sadik-bg-remover
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к sadik-bg-remover
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии sadik-bg-remover — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

SadikNawazAI/sadik-bg-remover
Автор
SadikNawazAI
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Видео

Wan2.1

Wan2.1