De l’expérience rapide à la production : trois façons de déployer RMBG-1.4

1. Démo en ligne et API REST

Accédez à l’espace Hugging Face officiel ou à un miro­r Chine-mainland, glissez-déposez une image et récupérez le résultat en un clic. Pour une intégration programmatique :

from huggingface_hub import InferenceClient
client = InferenceClient("briaai/RMBG-1.4", token="hf_***")
mask = client.image_segmentation("photo.jpg", return_mask=True)

2. Installation locale en 4 commandes

uv venv rmbg
source rmbg/bin/activate
uv pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118
uv pip install briarmbg pillow opencv-python

Lencez ensuite :

python - <<'PY'
from briarmbg import BriaRMBG
from PIL import Image
net = BriaRMBG.from_pretrained("briaai/RMBG-1.4").cuda().eval()
img = Image.open("produit.jpg").convert("RGB")
out = net.remove_background(img, output_type="pil")
out.save("produit_alpha.png")
PY

3. Déploiement ONNX haute performance

Convertissez le modèle PyTorch vers ONNX puis TensorRT pour un service GPU millisecondes :

torch.onnx.export(
    net, torch.randn(1,3,1024,1024).cuda(),
    "rmbg.onnx", opset_version=17,
    input_names=["image"], output_names=["alpha"]
)
trtexec --onnx=rmbg.onnx --saveEngine=rmbg.engine --fp16

Architecture technique : le cœur RSU revisité

Le réseau RSU (Residual U-Block) de RMBG-1.4 est découpé en trois échelles :

• RSU-7 : capture les structures fines (cheveux, fils)
• RSU-5 : équilibre détails et contexte
• RSU-4 : focalise les objets volumineux

Chaque bloc applique des convolutions dilatées dirate=2 pour agrandir le champ réceptif sans augmenter le nombre de paramètres. Le schéma ci-dessous montre le pipeline complet :

Image 1024×1024
    │
┌───┴──────────┐
│  RSU-7       │  → feature map 512×512
│  RSU-5       │  → feature map 256×256
│  RSU-4       │  → feature map 128×128
└───┬──────────┘
    │ concat + 1×1 conv
    ↓
Binaire alpha mat 1024×1024

Cas d’usage industriels

E-commerce : chaîne de traitement batch

import asyncio, aiofiles
from pathlib import Path

async def process_folder(src: Path, dst: Path):
    tasks = []
    for f in src.glob("*"):
        if f.suffix.lower() in {".jpg", ".png"}:
            tasks.append(worker(f, dst/f"{f.stem}.png"))
    await asyncio.gather(*tasks)

async def worker(src, dst):
    img = Image.open(src)
    alpha = await asyncio.to_thread(net.remove_background, img)
    async with aiofiles.open(dst, "wb") as fp:
        alpha.save(fp, format="PNG")

asyncio.run(process_folder(Path("in"), Path("out")))

Avec 8 cœurs CPU et le modèle quantisé INT8, 1 000 images 2K sont traitées en 6 minutes.

Studio de jeux : génération de sprites

Photographiez un accessoire réel, détourez-le automatiquement, puis appliquez une palette PBR dans Blender via le nœud Image Texture. Le gain de temps est estimé à 70 % par rapport au roto­scopage manuel.

Agence marketing : API serverless

Déployez le modèle ONNX sur AWS Lambda (10 GB mémoire, GPU T4) exposé via Amazon API Gateway. Coût moyen : 0,002 USD par image à 1 000 QPS.

Licence et limites

Limites actuelles :

• Transparence fine (verre, fumée) : 78 % IoU
• Objets < 32×32 px : 15 % de faux négatifs
• Images non photo-réalistes : dégradation visible

Feuille de route communautaire

Les prochaines étapes discutées sur GitHub :

1. Support vidéo 30 fps (déjà en branche feature/video)
2. Modèles spécialisés : portrait, produit, document
3. Plugin Figma & Photoshop signé par la communauté

Contribuez via git clone https://github.com/briaai/RMBG-1.4.git et ouvrez une PR ; les datasets additionnels doivent être publiés sous CC-BY-4.0.