အကြောင်းအရာသို့ ကျော်ရန်

BiRefNet V2 Background Removal

ပေါင်းစည်းရန်

မော်ဒယ် id birefnet/v2
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.com/v1/run/birefnet/v2?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "image": "https://content.doitong.com/images/showcase/v3/gen_sneaker_ad.jpg"
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.com/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

ဤတောင်းဆိုချက်: ≈၀.၀၀၂ $ ၂ API ခရက်ဒစ် ဤစာမျက်နှာတွင် လုပ်ဆောင်ရန်

API ကီး ရယူရန်
BiRefNet နောက်ခံဖယ်ရှားခြင်း #cutout#matting#open-weights

အများဆုံး 2304 px အထိ နောက်ခံဖယ်ရှားခြင်းနှင့် အရောင်ချွတ်ခြင်းကို ပံ့ပိုးပြီး မတ်စ်ထွက်ရလဒ်ကို ရွေးချယ်နိုင်သည်။

BiRefNet · ပုံ

သင့်ပထမဆုံးရလဒ် ဤနေရာတွင် ပေါ်လာမည်

အောက်တွင် တောင်းဆိုချက်တစ်ခု တည်ဆောက်ပြီး သင့် API ကီးဖြင့် လုပ်ဆောင်ပါ။ ထွက်ရလဒ်များကို ကျွန်ုပ်တို့၏ သိုလှောင်မှုသို့ ကူးယူပြီး အမြဲတမ်း သို့မဟုတ် ၇ ရက် အခမဲ့ သိမ်းထားသည်။

တောင်းဆိုမှုတစ်ခု တည်ဆောက်ရန်

ထိန်းချုပ်မှုများကို မော်ဒယ် schema မှ အလိုအလျောက်ဖန်တီးသည်။ ၎င်းတို့ကို ပြောင်းလဲသည်နှင့် code နှင့် စျေးနှုန်းတို့လည်း ပြောင်းလဲမည်။

•လိုအပ်သည် image_url
ဖိုင်ကို ဆွဲချပါ၊ သို့မဟုတ်

နောက်ခံဖယ်ရှားမည့် ပုံကို သတ်မှတ်သည့် URL။

အဆင့်မြင့် operating_resolution · output_format · model · output_mask · refine_foreground · mask_only
operating_resolution မူလ 1024x1024

လုပ်ဆောင်မည့် ရုပ်ထွက်အရည်အသွေး၊ '2304x2304' ကို 'General Use (Dynamic)' မော်ဒယ်အတွက်သာ ကန့်သတ်ထားသည်။ ရုပ်ထွက်မြင့် ထည့်သွင်းပုံများအတွက် ပိုမြင့်သော ဆက်တင်များက ထွက်ရလဒ်တိကျမှုကို ပိုကောင်းစေသည်။

output_format မူလ png

ရရှိလာမည့် ပုံ၏ ဖော်မတ်။

မူလ General Use (Light)

နောက်ခံဖယ်ရှားသည့် မော်ဒယ်ရွေးချယ်မှု: 'General Use (Light)' သည် BiRefNet နှင့် ကိုက်ညီပြီး BiRefNet repository ၏ မူရင်းမော်ဒယ်ဖြစ်ကာ အသုံးအများစုအတွက် အကြံပြုသည်။ 'General Use (Light 2K)' သည် BiRefNet_lite-2K နှင့် ကိုက်ညီပြီး 2K ပုံများဖြင့် လေ့ကျင့်ထားသော မူရင်းမော်ဒယ်ကို အသုံးပြုသည်။ 'General Use (Heavy)' သည် BiRefNet_lite နှင့် ကိုက်ညီပြီး လုပ်ဆောင်ချိန်ပိုကြာသော်လည်း တိကျမှုပိုကောင်းသည်။ 'Matting' သည် BiRefNet-matting နှင့် ကိုက်ညီပြီး ပုံ matting အတွက် သီးသန့်လေ့ကျင့်ထားသည်။ 'Portrait' သည် BiRefNet-portrait နှင့် ကိုက်ညီပြီး ပုံတူပုံများအတွက် သီးသန့်လေ့ကျင့်ထားသည်။ 'General Use (Dynamic)' သည် BiRefNet_dynamic နှင့် ကိုက်ညီပြီး 256x256 မှ 2304x2304 အထိ ပြောင်းလဲနိုင်သော ရုပ်ထွက်အရည်အသွေးများကို ပံ့ပိုးသည်။

POST /run/birefnet/v2?wait=20 ကုန်ကျစရိတ် → ၀.၀၀၂ $
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.com/v1/run/birefnet/v2?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "image": "https://content.doitong.com/images/showcase/v3/gen_sneaker_ad.jpg"
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.com/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

ဤတောင်းဆိုချက်ကို လုပ်ဆောင်ရန်

သင့် key သည် ဤဘရောက်ဇာထဲတွင်သာ ရှိမည်ဖြစ်ပြီး Doitong API သို့သာ ပို့မည်။ Remember ကို အမှန်ခြစ်ထားမှသာ (localStorage) တွင် သိမ်းမည်။ API ကီး ရယူရန်

BiRefNet V2 Background Removal အကြောင်း

BiRefNet V2 သည် မော်ဒယ်မူကွဲများ (light၊ heavy၊ matting၊ portrait၊ dynamic) နှင့် 2304x2304 အထိ လုပ်ဆောင်မှု ရုပ်ထွက်အရည်အသွေး များကို အသုံးပြု၍ အကြောင်းအရာနှင့် နောက်ခံကို ခွဲခြားပေးသည်။ ဖြတ်ထုတ်ထားသောပုံကို ပြန်ပေးပြီး မတ်စ်ကိုလည်း ရွေးချယ်၍ ပြန်ပေးနိုင်သည်။ PNG၊ WebP သို့မဟုတ် GIF ဖြင့် ထုတ်ပေးသည်။

ပါရာမီတာများ

စံအမည် သို့မဟုတ် မူရင်းအမည် တစ်ခုခုကိုသာ ပို့ပါ၊ နှစ်ခုလုံး မပို့ပါနှင့်။ စံအမည်များ

အမည်အမျိုးအစား မူလတန်ဖိုးခွင့်ပြုထားသည် ဖော်ပြချက်
modelရွေးချယ်နိုင်သည်
အမျိုးအစားenum
မူလတန်ဖိုးGeneral Use (Light)
General Use (Light)General Use (Light 2K)General Use (Heavy)MattingPortraitGeneral Use (Dynamic)
နောက်ခံဖယ်ရှားသည့် မော်ဒယ်ရွေးချယ်မှု: 'General Use (Light)' သည် BiRefNet နှင့် ကိုက်ညီပြီး BiRefNet repository ၏ မူရင်းမော်ဒယ်ဖြစ်ကာ အသုံးအများစုအတွက် အကြံပြုသည်။ 'General Use (Light 2K)' သည် BiRefNet_lite-2K နှင့် ကိုက်ညီပြီး 2K ပုံများဖြင့် လေ့ကျင့်ထားသော မူရင်းမော်ဒယ်ကို အသုံးပြုသည်။ 'General Use (Heavy)' သည် BiRefNet_lite နှင့် ကိုက်ညီပြီး လုပ်ဆောင်ချိန်ပိုကြာသော်လည်း တိကျမှုပိုကောင်းသည်။ 'Matting' သည် BiRefNet-matting နှင့် ကိုက်ညီပြီး ပုံ matting အတွက် သီးသန့်လေ့ကျင့်ထားသည်။ 'Portrait' သည် BiRefNet-portrait နှင့် ကိုက်ညီပြီး ပုံတူပုံများအတွက် သီးသန့်လေ့ကျင့်ထားသည်။ 'General Use (Dynamic)' သည် BiRefNet_dynamic နှင့် ကိုက်ညီပြီး 256x256 မှ 2304x2304 အထိ ပြောင်းလဲနိုင်သော ရုပ်ထွက်အရည်အသွေးများကို ပံ့ပိုးသည်။
operating_resolutionရွေးချယ်နိုင်သည်
အမျိုးအစားenum
မူလတန်ဖိုး1024x1024
1024x10242048x20482304x2304
လုပ်ဆောင်မည့် ရုပ်ထွက်အရည်အသွေး၊ '2304x2304' ကို 'General Use (Dynamic)' မော်ဒယ်အတွက်သာ ကန့်သတ်ထားသည်။ ရုပ်ထွက်မြင့် ထည့်သွင်းပုံများအတွက် ပိုမြင့်သော ဆက်တင်များက ထွက်ရလဒ်တိကျမှုကို ပိုကောင်းစေသည်။
output_maskရွေးချယ်နိုင်သည်
အမျိုးအစားboolean
မူလတန်ဖိုးfalse
နောက်ခံဖယ်ရှားမှု မတ်စ်ကို ထွက်ရလဒ်တွင် ထည့်သွင်းမည်၊ မည်မည်ကို ထိန်းချုပ်သည်။
refine_foregroundရွေးချယ်နိုင်သည်
အမျိုးအစားboolean
မူလတန်ဖိုးtrue
ခန့်မှန်းထားသော မတ်စ်အပေါ် အခြေခံ၍ ရှေ့ပိုင်းကို ပြန်လည်သန့်စင်မှု ထိန်းချုပ်သည်။
image_urlလိုအပ်သည် image
အမျိုးအစားurl · image
နောက်ခံဖယ်ရှားမည့် ပုံကို သတ်မှတ်သည့် URL။
output_formatရွေးချယ်နိုင်သည်
အမျိုးအစားenum
မူလတန်ဖိုးpng
webppnggif
ရရှိလာမည့် ပုံ၏ ဖော်မတ်။
mask_onlyရွေးချယ်နိုင်သည်
အမျိုးအစားboolean
မူလတန်ဖိုးfalse
မတ်စ်သီးသန့် ထွက်ရလဒ်ခလုတ်: `True` သည် ရှေ့ပိုင်းပြန်လည်သန့်စင်မှုကို ကျော်ပြီး ပုံကို မပြောင်းလဲဘဲ ၎င်း၏ segmentation mask ကိုသာ ပြန်ပေးသည်။ မတ်စ်တစ်ခုတည်း လိုအပ်သည့်အခါ ထပ်ဆောင်းတွက်ချက်မှုကို ရှောင်ရှားပြီး လွှဲပြောင်းရမည့် ဒေတာကို လျှော့ချပေးသည်။
လိုအပ်သည် စံအမည်၊ ထို့အပြင် လက်ခံသည်

ဖိုင်ပါရာမီတာများသည် အများပြည်သူသုံး https:// URL၊ 10 MB အထိ data: URI သို့မဟုတ် အပ်လုဒ်လုပ်ထားသောဖိုင်၏ file_url ကို လက်ခံသည်။ ဖိုင်များ

ထွက်ရလဒ်

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "birefnet/v2",
  "status": "succeeded",
  "created_at": "2026-10-20T12:00:00Z",
  "started_at": "2026-10-20T12:00:02Z",
  "completed_at": "2026-10-20T12:00:09Z",
  "queue_position": null,
  "cost": {
    "credits": 2,
    "usd": "0.002",
    "charged": 2,
    "refunded": 0
  },
  "input": {
    "image": "https://content.doitong.com/images/showcase/v3/gen_sneaker_ad.jpg"
  },
  "output": {
    "image": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_name": "0-output.jpeg",
      "file_size": 1843200,
      "width": 1024,
      "height": 768
    },
    "mask_image": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_name": "0-output.jpeg",
      "file_size": 1843200,
      "width": 1024,
      "height": 768
    }
  },
  "outputs": [
    {
      "type": "image",
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_size": 1843200,
      "width": 1024,
      "height": 768,
      "stored": true
    }
  ],
  "error": null,
  "metrics": {
    "inference_seconds": 6.8
  },
  "urls": {
    "self": "https://api.doitong.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
သင့်ဖိုင်များ၊ သင့်ရွေးချယ်မှုoutputs[].url တိုင်းသည် ကျွန်ုပ်တို့၏ သိုလှောင်မှုရှိ မိတ္တူဖြစ်သည်- အမြဲတမ်း (GB-month အလိုက် ငွေပေးရသည်) သို့မဟုတ် ၇ ရက် အခမဲ့၊ သင့်အကောင့်ဆက်တင် သို့မဟုတ် ?storage= ဖြင့် သိမ်းထားသည်။
မော်ဒယ်တိုင်းတွင် ပုံစံတူပုံ၊ ဗီဒီယိုနှင့် အသံတို့အတွက် type၊ url၊ content_type၊ width၊ height နှင့် duration။ output သည် မော်ဒယ်ကိုယ်တိုင်၏ ရလဒ် object ဖြစ်သည်။
ထွက်ရလဒ်၏ Fields များ
image
object {url, content_type, file_name, file_size, width, height}နောက်ခံဖယ်ရှားပြီးနောက် ပုံ၊ သို့မဟုတ် `mask_only` သည် `True` ဖြစ်ပါက segmentation mask။
mask_image
object {url, content_type, file_name, file_size, width, height} | nullနောက်ခံဖယ်ရှားစဉ် အသုံးပြုသည့် မတ်စ်။

နောက်ထပ် မော်ဒယ်များ: နောက်ခံဖယ်ရှားခြင်း

AI အေးဂျင့်များအတွက်- ဤစာမျက်နှာ၏ Markdown ကို ဤနေရာတွင် ရရှိနိုင်သည် https://doitong.com/my/developers/models/birefnet/v2.md. မော်ဒယ်များနှင့် လမ်းညွှန်များအားလုံး: https://doitong.com/developers/llms.txt