Live 18/11 · Cohorte 318 nov à 19h00 MSK — atelier pratique gratuit sur les agents IA · La Cohorte 3 démarre le 23/11Atelier 18/11 →Cohorte 3 (23/11)

BRIA lance RMBG-3.0 : détourage en 6 secondes et 75,9 % de victoires face à BiRefNet

BRIA AI a lancé RMBG-3.0, un modèle de suppression d'arrière-plan qui comprend ce que contient l'image : une personne, un logo sur un emballage ou une ombre au sol. Résultat : il nettoie l'arrière-plan visible à travers les grillages et les rayons d'un vélo, et les petites inscriptions sur les produits ne disparaissent pas. Une image en pleine résolution est traitée en environ 6 secondes sur un GPU NVIDIA L40S. Pour un catalogue produits, il vaut la peine de lui soumettre les images les plus difficiles.

Traité par IA depuis TG: @cgevent (Метаверсище и ИИще) ; édité par Hamidun News
BRIA lance RMBG-3.0 : détourage en 6 secondes et 75,9 % de victoires face à BiRefNet
Source : TG: @cgevent (Метаверсище и ИИще). Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireTG: @cgevent (Метаверсище и ИИще) ↗
Rédacteur en chef
Chiffre clé #1Test à l'aveugle sur 234 photos difficiles : première place, rang moyen de 1,51
Chiffre clé #2Face à BiRefNet, il gagne dans 75,9 % des comparaisons, face à remove.bg dans 59,4 %
Chiffre clé #3Il fonctionne en 4 étapes sans CFG ; les poids sont ouverts sur Hugging Face

La suppression automatique d'arrière-plan semble un problème résolu, jusqu'à ce qu'une image difficile se présente : un grillage, un vélo avec ses rayons, une photo de groupe ou une boîte de conserve dont l'étiquette porte de minuscules inscriptions. Dans ces cas-là, les outils de détourage classiques laissent des bouts d'arrière-plan dans les interstices ou effacent le petit texte. BRIA AI a lancé RMBG-3.

0, la troisième génération de son modèle de suppression d'arrière-plan, qui commence par « comprendre » ce que montre l'image, puis seulement détoure. Il tourne en environ 6 secondes par image en pleine résolution sur un seul GPU NVIDIA L40S. Lors d'un test à l'aveugle sur 234 photos difficiles, il a pris la première place avec un rang moyen de 1,51 (plus ce chiffre est proche de 1, plus souvent le modèle s'est classé premier).

Ce qui change sous le capot

Les modèles précédents étaient des segmenteurs : ils cherchaient la frontière entre l'objet et l'arrière-plan et découpaient le long du contour. RMBG-3.0 est la première version construite sur une base générative, Fibo 2.0, c'est-à-dire un modèle capable de créer des images et qui, de ce fait, saisit mieux la structure d'une scène. Ce modèle a ensuite été distillé : le grand modèle a été compressé en une version allégée qui n'a besoin que de 4 étapes, contre plusieurs dizaines auparavant. De plus, l'inférence se fait sans CFG, un mode qui, dans les modèles génératifs, exige généralement des calculs supplémentaires à chaque étape.

Comme le modèle comprend la sémantique de la scène, il conserve, selon la description de BRIA, toutes les personnes sur les photos de groupe, ne coupe pas les membres rendus flous par le mouvement, laisse en place les petits logos et les étiquettes sur les produits, nettoie les interstices des grillages et entre les rayons d'un vélo, et écarte les ombres portées.

Ce que montre le test à l'aveugle

Dans la comparaison à l'aveugle sur 234 photos difficiles, RMBG-3.0 a pris la première place. Voici ses taux de victoire dans les comparaisons par paires :

  • face à Photoroom : 55,1 % ;
  • face à remove.bg de Canva : 59,4 % ;
  • face à la précédente RMBG-2.0 : 60,9 % ;
  • face à Ideogram : 65,6 % ;
  • face à BiRefNet, modèle ouvert : 75,9 %.

L'écart avec les services commerciaux est plus modeste qu'avec les modèles ouverts. Face à Photoroom, l'avantage dépasse à peine la moitié des cas : c'est plutôt un léger avantage qu'une déroute. En revanche, la nouvelle version dépasse plus nettement la précédente, RMBG-2.0, ce qui constitue un argument pour ceux qui sont restés sur la génération précédente.

Que faire en pratique

Les poids sont publiés sur Hugging Face (briaai/RMBG-3.0). Une démo en ligne est disponible sur remove-bg.bria.ai, et le modèle peut être lancé sans serveur propre via fal.ai. Cela permet de le tester d'abord sur ses propres photos problématiques, puis seulement de décider si une infrastructure dédiée est nécessaire.

Quelques réserves. Le post d'origine ne précise pas qui a mené le test, et 234 photos constituent un petit échantillon : sur vos données, le résultat peut différer. Il faut lire les conditions de licence pour un usage commercial sur la page du modèle avant tout déploiement. Reste la question du coût : 6 secondes sur un GPU L40S, sur un gros volume d'images, finissent par représenter une somme non négligeable. Il est donc raisonnable de laisser les photos simples sur fond uni à un outil plus rapide et moins cher.

Une méthode pratique pour l'équipe d'une boutique en ligne : réunir 50–100 des images les plus ingrates de son flux (grillages, détails transparents, étiquettes, photos de groupe), les passer dans RMBG-3.0 et dans le service actuel, puis comparer les résultats à l'œil. Si le gain est visible, il est logique d'envoyer au nouveau modèle au moins les cas difficiles.

Dossier

Questions clés sur cet article

Que sait-on sur Ce qui change sous le capot ?

Les modèles précédents étaient des segmenteurs : ils cherchaient la frontière entre l'objet et l'arrière-plan et découpaient le long du contour. RMBG-3.0 est la première version construite sur une base générative, Fibo 2.0, c'est-à-dire un modèle capable de créer des images et qui, de ce fait, saisit mieux la structure d'une scène. Ce modèle a ensuite été distillé : le grand modèle a été compressé en une version allégée qui n'a besoin que de 4 étapes, contre plusieurs dizaines auparavant.

Que sait-on sur Ce que montre le test à l'aveugle ?

Dans la comparaison à l'aveugle sur 234 photos difficiles, RMBG-3.0 a pris la première place. Voici ses taux de victoire dans les comparaisons par paires : face à Photoroom : 55,1 % ; face à remove.bg de Canva : 59,4 % ; face à la précédente RMBG-2.0 : 60,9 % ; face à Ideogram : 65,6 % ; face à BiRefNet, modèle ouvert : 75,9 %. L'écart avec les services commerciaux est plus modeste qu'avec les modèles ouverts.

Que sait-on sur Que faire en pratique ?

Les poids sont publiés sur Hugging Face (briaai/RMBG-3.0). Une démo en ligne est disponible sur remove-bg.bria.ai, et le modèle peut être lancé sans serveur propre via fal.ai. Cela permet de le tester d'abord sur ses propres photos problématiques, puis seulement de décider si une infrastructure dédiée est nécessaire. Quelques réserves. Le post d'origine ne précise pas qui a mené le test, et 234 photos constituent un petit échantillon : sur vos données, le résultat peut différer.

ZK
Zhemal Khamidun — CPO d'Alpina Digital, product manager d'AlpinaGPT. Conçoit des produits IA depuis 2019. Hamidun News est un projet personnel devenu un agrégateur en production avec plus de 6 000 lecteurs.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
Qu'en pensez-vous ?
Chargement des commentaires…