rembg 完整指南一条命令去除图片背景3 行代码集成进自己的工具【免费下载链接】rembgRembg is a tool to remove images background项目地址: https://gitcode.com/GitHub_Trending/re/rembgrembg 是一个开源的图像背景去除工具把照片里的主体从背景中分离出来输出带透明通道的 PNG。它可以是终端里的 CLI可以是 Python 库也可以是 HTTP 服务。前提是装好 Python 3.11 以上版本然后运行下面这一条命令你的第一张去背图就出来了pip install rembg[cpu,cli] rembg i examples/animal-1.jpg装好 rembg先拿到第一张去背图环境只有两条硬要求Python 3.11 ~ 3.133.10 不支持3.14 暂不支持可选NVIDIA 显卡走 GPU 加速AMD 显卡有 ROCm 方案纯 CPU 完全够用安装只装你需要的那部分cli代表附带命令行入口[cpu]是默认后端pip install rembg[cpu,cli] # 命令行 CPU 推理 pip install rembg[gpu,cli] # NVIDIA GPU装前先看下方兼容性图GPU 安装不是无条件的先对照这张仓库里自带的兼容性矩阵确认你的系统支持 onnxruntime-gpu如果rembg[gpu]装不上、CUDA/cudnn 也搞不定就退回rembg[cpu]功能一样只是推理慢一些。装完不要急着读文档直接在仓库根目录跑rembg i examples/animal-1.jpg几秒后首次运行会自动下载约 170MB 的 u2net 模型到~/.u2net/并显示下载进度输入文件旁边多出一个examples/animal-1.out.png——就是去掉背景、带透明通道的结果。仓库 examples 目录里其实已经放好了处理好的对照文件你可以直接打开它和原图对比先记住三件事后面反复用到不写输出路径时结果自动落在输入文件旁边、文件名加.out.png不指定模型时默认用u2net模型首次使用自动下载之后走本地缓存。接下来看 CLI 的完整玩法。一条命令处理单张另一条命令扫整个文件夹rembg有四个子命令对应四种输入形态i处理单张文件p处理整个文件夹s起 HTTP 服务b接收像素数据流。先只说最常用的两个。单张处理rembg i支持三个高频参数# 指定模型 指定输出路径 rembg i -m u2netp examples/girl-1.jpg out/girl-1.png # alpha matting对毛发、边缘做精修的后处理步骤 rembg i -a examples/car-1.jpg out/car-1.png # 只输出黑白掩码不合成前景 rembg i -om examples/animal-2.jpg out/animal-2-mask.png批量处理用rembg p两个参数是输入目录和输出目录rembg p examples/ out/它会把examples/下每张图片去背后写到out/文件名保持不变。加-w开启监听模式目录里新丢进的文件会自动被处理——做拖进去就出图的批处理流水线就靠它。命令行的能力没有魔法它背后调的就是同一个 Python 函数。把 CLI 换成库只需要三行from PIL import Image from rembg import remove img Image.open(examples/animal-1.jpg) remove(img).save(out/animal-1.png) # 输入输出都支持 bytes / PIL / numpyremove()是 rembg 唯一的入口函数传入图像返回去背后的图像。注意它内部每调用一次都会新建一个会话session即一次模型加载的实例。处理单张无所谓批量时这是最大的性能点——先记着第六节细讲。跑单张没问题之后下一个绕不开的问题是十几个模型到底用哪个按场景选模型别用错rembg 内置十多个模型每个对应不同的训练数据。按你的场景对号入座场景日常通用素材 → 推荐u2net默认。理由精度和体积平衡最好不知道选什么就选它。场景机器配置弱、要秒出 → 推荐u2netp。理由轻量版 u2net模型小、推理快。场景真人头像、证件照 → 推荐birefnet-portrait。理由专门针对人像训练发丝边缘更干净。场景动漫人物 → 推荐isnet-anime。理由动漫角色专用分割处理二次元立绘明显更准。场景背景杂乱、通用模型糊边 → 推荐birefnet-general。理由BiRefNet 系列通用模型复杂背景表现更好。场景边缘毛糙、有毛发或半透明物体 → 不是换模型是加alpha_matting参数。理由它是后处理精修步骤专治边缘锯齿。场景精度优先、不在乎速度 → 推荐birefnet-massive。理由最大规模数据集训练输出最精细。命令行用-m 模型名切换Python 里对应new_session(模型名)。拿不准时用仓库 tests/results 里同一张图的不同模型输出做参照对比完再定。会选模型之后就可以把它包进一个自己的界面里了。用 tkinter 搭一个最小的去背景桌面工具架构就三层tkinter 管交互选文件、切模型rembg 会话管推理PIL 的ImageTk把结果画回窗口。最小可运行骨架如下import tkinter as tk from tkinter import filedialog from rembg import new_session, remove class RembgApp: def __init__(self, root): self.root root self.session new_session(u2net) # 应用启动时加载一次 self.create_widgets() # 此处省略按钮、结果画布等 UI 搭建 def pick_and_run(self): path filedialog.askopenfilename() if path: self.show(remove(path, sessionself.session)) def show(self, img): # 此处省略ImageTk 缩放并绑定到画布 pass RembgApp(tk.Tk()).root.mainloop()关键交互只展开一个模型切换。很多人第一版会在重新处理按钮里重复new_session——每次点击都重新加载一次模型白白浪费几秒。正确做法是只在切换模型时才重建会话from tkinter import ttk models [u2net, u2netp, isnet-general-use, birefnet-portrait] self.model_var tk.StringVar(valueu2net) combo ttk.Combobox(frame, textvariableself.model_var, valuesmodels, statereadonly) combo.bind(ComboboxSelected, self.on_model_change) def on_model_change(self, _): self.session new_session(self.model_var.get()) # 仅切换时重建其余 UI 代码按骨架补全即可。工具能跑起来后剩下的都是工程细节看下一节。批量慢、CPU 满、边毛糙症状对照表你看到的症状对策 批量几十张每张都在重复加载模型会话复用session new_session()建一次循环里remove(x, sessionsession) CPU 占用拉满风扇狂转启动前设OMP_NUM_THREADS4它会约束推理线程数⚡ 有 N 卡但速度没提升确认CUDAExecutionProvider in ort.get_available_providers()装不上就退回rembg[cpu]对照仓库里的安装矩阵排查 模型下载中断、反复失败设环境变量U2NET_HOME把模型目录挪到空间足、网络稳的盘Docker 场景用-v挂载/root/.u2net避免每次重下 输出边缘有锯齿、发丝粘连remove(img, alpha_mattingTrue, alpha_matting_foreground_threshold270, alpha_matting_background_threshold20)需要更干净的边缘再加post_process_maskTrue 想持续处理源源不断的文件rembg p -w watch/ out/监听模式自动处理新文件其中会话复用值得单独看一眼写法from pathlib import Path from rembg import new_session, remove session new_session() # 加载一次 for f in Path(watch).glob(*.jpg): remove(f.read_bytes(), sessionsession).save(str(f.with_suffix(.out.png)))接下来可以做的三件事给窗口加拖拽支持引入tkinterdnd2绑定Drop事件把拖入路径列表直接喂给已有的pick_and_run循环改动集中在一个回调里。把桌面工具升级成局域网服务rembg s --port 7000起 HTTP 服务加--no-ui可关掉内置界面省 CPU其他程序POST一张 URL 或文件即可拿回去背图GUI 和 CLI 可以并存。往视频方向走rembg b 宽 高子命令接收 ffmpeg 输出的 RGB24 原始像素流逐帧去背景后写出帧序列再压回视频。装好之后你现在就可以做挑一张自己的照片rembg i 照片.jpg出一条命令看到透明背景不满意就换-m再跑一次确定模型后把上面的 tkinter 骨架存成脚本运行你的桌面版去背景工具就跑起来了。【免费下载链接】rembgRembg is a tool to remove images background项目地址: https://gitcode.com/GitHub_Trending/re/rembg创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考