Feyn Labs lanza FeyNoBg y la biblioteca de entrenamiento NoBg de código abierto

Why it matters

Feyn Labs is turning open-source specialist models into evidence for its custom-model business, though FeyNoBg's benchmark case remains self-reported and focused on foreground masks.

Feyn Labs founder Shreyash Nigam and FeyNoBg co-author Hafedh Hichri publicaron FeyNoBg y su biblioteca de entrenamiento NoBg el 21 de julio, liberando los pesos del modelo y el código detrás del último experimento de Feyn Labs en modelos de IA especializados.

El lanzamiento va más allá de los recortes automáticos de imagen. Nigam está usando modelos de código abierto para demostrar el negocio más amplio que él y el cofundador Bhavnick Singh Minhas están construyendo: ayudar a los clientes a entrenar modelos con datos propietarios, ejecutarlos bajo su propio control y mejorarlos con retroalimentación en producción. La página principal de Feyn Labs enmarca a la empresa alrededor de modelos personalizados que los clientes entrenan con sus propios datos, siguen mejorando en producción y poseen como pesos.

Nigam llegó a esa tesis después de estudiar computer science en la University of Washington y de trabajar en infraestructura de nube, personalización de publicidad y IA en dispositivo en Google. [Every informó] que los límites de ventana de contexto en Google lo empujaron a construir Chonkie, una biblioteca de fragmentación de documentos de código abierto, con Minhas, un amigo de la infancia. La pareja más tarde llevó a Feyn Labs por la cohorte Spring 2025 de Y Combinator. [Y Combinator actualmente lista] a Feyn Labs como una operación de tres personas en San Francisco.

Añadiendo capacidad sin descartar el modelo base

FeyNoBg se basa en BiRefNet, una arquitectura de segmentación del primer plano de alta resolución con componentes separados para localizar un sujeto y reconstruir su contorno. Feyn Labs amplió la tercera etapa del extractor de características de BiRefNet de 18 bloques a 24, aumentando el conteo de parámetros de 222 millones a 263 millones.

La elección de diseño refleja el problema que Feyn Labs quería resolver. Un modelo de eliminación de fondo debe reconocer el objeto completo en primer plano mientras preserva contornos difíciles alrededor del cabello, pelaje, cables, desenfoque y otras estructuras finas. La tercera etapa de extracción de características conserva suficiente información espacial para representar esos bordes al mismo tiempo que transporta suficiente contexto para identificar el sujeto en su totalidad.

Feyn Labs conservó todos los pesos preentrenados compatibles de BiRefNet e inicializó solo los seis bloques añadidos. Eso le dio a FeyNoBg capacidad extra sin forzar a toda la red a reaprender las representaciones existentes del modelo base.

Los datos de entrenamiento fueron la segunda parte de la apuesta. Una corrida inicial usando solo ejemplos sintéticos de MaskFactory mejoró a FeyNoBg en un benchmark mientras lo perjudicaba en otro, según Feyn Labs. Nigam y Hichri luego reunieron 26,110 imágenes de 10 fuentes que abarcan escenas concurridas, camuflaje, retratos, sujetos de alta resolución, anime e imágenes sintéticas. Las fuentes más grandes aportaron 4,000 ejemplos cada una; Feyn Labs barajó el conjunto combinado y entrenó durante 7,000 pasos.

Esa mezcla es central en el argumento de Feyn Labs. Los sistemas de eliminación de fondo pueden sobreadaptarse hacia el reconocimiento amplio de objetos o hacia contornos precisos cuando se entrenan con conjuntos de datos estrechos. Feyn Labs dice que un conjunto de entrenamiento variado produjo un modelo que manejó ambos aspectos de manera más consistente.

La afirmación del benchmark tiene un límite definido

Feyn Labs dice que FeyNoBg logró la S-measure publicada más alta en cuatro de ocho benchmarks y terminó dentro del 2% del líder reportado en los otros cuatro. Sus resultados publicados incluyen puntuaciones de 0.981 en UHRSD-TE, comparado con 0.957 para BiRefNet, y 0.983 en HRSOD-TE, comparado con 0.961 para S3ODNet.

Esas cifras son la propia evaluación de Feyn Labs y no han sido validadas de forma independiente en el material que acompaña el lanzamiento. La métrica también merece escrutinio. La S-measure evalúa la estructura y la integridad de una máscara de primer plano predicha. Feyn Labs convirtió máscaras de segmentación y mapas alfa en sus datos de entrenamiento en máscaras binarias de primer plano, lo que significa que los conjuntos de datos de matizado contribuyeron contornos detallados sin sus etiquetas de opacidad suave.

Por lo tanto, los resultados hacen el caso más sólido para la detección del sujeto y la precisión de los contornos estructurales. Aportan menos evidencia sobre píxeles parcialmente transparentes, donde las evaluaciones tradicionales de matizado alfa examinan cuán bien un modelo maneja mechones de cabello, vidrio, humo y desenfoque por movimiento. Feyn Labs muestra ejemplos cualitativos de cabello, pero la nota de campo no publica un benchmark separado de matizado alfa.

Esa distinción no hace que el benchmark sea irrelevante. Fotografías de productos, retratos, vehículos y muchas tareas comunes de recorte dependen en gran medida de máscaras completas del primer plano con formas limpias. Sí significa que la frase "estado del arte" debe permanecer ligada a las ocho comparaciones de S-measure que Feyn Labs seleccionó en lugar de ser tratada como un veredicto sobre todas las cargas de trabajo de eliminación de fondo.

NoBg convierte el modelo en una herramienta para desarrolladores

La parte más duradera del lanzamiento puede ser NoBg, la biblioteca Python con licencia Apache-2.0 que Feyn Labs usó para entrenar FeyNoBg. Los desarrolladores pueden cargar modelos y procesadores a través de una interfaz compartida, ejecutar inferencia por lotes, producir PNG transparentes con las dimensiones de la imagen de origen, ajustar finamente BiRefNet en pares imagen-máscara y subir los puntos de control resultantes al Hugging Face Hub.

Feyn Labs también publicó los pesos de FeyNoBg en Hugging Face, permitiendo a los desarrolladores ejecutar el modelo localmente en lugar de enviar imágenes a un servicio hospedado. Eso separa el lanzamiento de APIs de producción como remove.bg, que empaqueta la eliminación de fondo detrás de una solicitud HTTP. NoBg ofrece a los desarrolladores la maquinaria de entrenamiento y la opción de adaptar un modelo a una distribución de imágenes específica.

El lanzamiento de código abierto encaja en un patrón. La página principal de Feyn Labs también destaca Pulpie, una publicación sobre modelos para limpiar páginas web, junto con Chonkie y otros trabajos de código abierto.

Pulpie y FeyNoBg abordan distintos tipos de datos, pero ambos actúan como demostraciones públicas de la tesis comercial de Feyn Labs. Nigam quiere mostrar que datos de entrenamiento cuidadosamente seleccionados, una arquitectura específica para la tarea y una evaluación controlada pueden producir modelos especialistas más pequeños que los clientes puedan poseer. NoBg hace ese argumento inspeccionable: los pesos son descargables, la interfaz de entrenamiento es pública y los desarrolladores pueden poner a prueba las afirmaciones con sus propias imágenes.

Feyn Labs no ha divulgado ingresos, número de clientes ni precios comerciales para su trabajo de modelos personalizados. FeyNoBg también entra en una categoría con servicios hospedados maduros y varias alternativas de pesos abiertos. La ventaja inmediata de Feyn Labs es el propio lanzamiento. Nigam y Hichri han expuesto lo suficiente del stack de entrenamiento para que otros ingenieros reproduzcan el flujo de trabajo, desafíen los benchmarks y construyan versiones especializadas en lugar de aceptar otro endpoint cerrado de procesamiento de imágenes.