人体分割(humanSegmentation)

人体分割节点使用一系列预训练模型对输入图像执行人体语义分割。它生成分割结果图像、覆盖已选择部位/组件的遮罩，以及检测到区域周围的边界框。

输入

image

要分割的输入图像。

method

要使用的分割模型。可用方法：

• selfie_multiclass_256x256
• human_parsing_lip
• human_parts (deeplabv3p)
• segformer_b3_clothes
• segformer_b3_fashion
• face_parsing

每种方法都有自己的标签集，可用的 mask_components 会根据已选择的方法进行填充。

confidence

分割预测的最低置信度阈值。默认值：0.4
范围：0.05 – 0.95
步长：0.01

较低的值会将更多不确定区域包含在遮罩中；较高的值会抑制低置信度预测，并生成更紧凑、更干净的遮罩。

crop_multi

用于控制检测到分割周围裁剪区域的倍数。默认值：0
范围：0 – 10
步长：0.001

0 会使裁剪紧密贴合遮罩/边界框。较高的值会围绕主体展开裁剪区域。

mask_components

要包含在遮罩和结果图像中的分割组件/类别的多选列表。可以选择多个组件；它们的区域会被组合到输出遮罩中。

可用选项取决于已选择的 method，因为每个模型都会提供不同的语义类别。

输出

IMAGE 输出

分割结果图像：应用 mask_components、confidence 和 crop_multi 之后，已选择分割的可视化输出。

MASK

在应用置信度阈值之后，由已选择的 mask_components 生成的遮罩。它在空间上与输出图像相对应。

BBOX

围绕已选择分割组件的边界框，以图像坐标表示。它可用于进一步的裁剪、条件或基于区域的处理。

使用说明

• 选择与所需分割类型匹配的 method。例如，以服装为重点的方法适用于与时尚相关的遮罩，而 face_parsing 则适合面部区域。
• 将 crop_multi 保持为 0 以获得紧凑的主体裁剪，或增大它以在结果图像中包含更多周围上下文。
• mask_components 是多项选择，因此你可以将多个身体部位或对象类别组合到单个遮罩中。
• 已选择方法的模型权重可能在首次使用时下载，因此首次运行可能比后续运行花费更长时间。