rembg 完整上手指南从零开始一条命令跑出透明背景【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移除工具给它一张带背景的 JPG它还你一张透明背景的 PNG。命令行、Python 库、HTTP 服务三种形态任选新手能快速出图开发者可以直接集成进自己的项目。5 分钟上手一条安装命令 一条出图命令本节解决最快看到效果的问题。先安装 CPU 版含命令行工具要求 Python 3.11–3.13即3.11, 3.14pip install rembg[cpu,cli]用仓库自带的示例图跑一下rembg i examples/car-2.jpg output.png原图与抠图结果对比首次运行会自动把默认模型 u2net 下载到~/.u2net/目录之后再运行就不需要下载了。跑通这一条命令安装就算完成了。路线选择命令行、Python 集成、HTTP 服务本节解决我该用哪种形态的问题。三条路线能力相同差别只在调用方式路线适合谁入口命令行一次性任务、批量处理、不想写代码rembg i/rembg pPython 库已有图像处理流程想把抠图嵌进去from rembg import removeHTTP 服务多端或远程调用、容器化部署rembg s命令行单文件和批量最省事i处理单个文件p处理整个文件夹b处理 RGB24 像素流配 FFmpeg 用s起 HTTP 服务。最常用的是这几个rembg i -m u2netp input.png output.png # 指定模型 rembg i -a input.png output.png # 启用 Alpha Matting 优化边缘 rembg p -w ./in ./out # 监听文件夹自动处理新文件省略输出路径时结果会写为文件名.out.png放在输入旁边。参数细节看rembg i --help。Python 库嵌进现有流水线remove接受 bytes、PIL Image、numpy array返回同类型。最简用法from PIL import Image from rembg import remove img Image.open(input.png) remove(img).save(output.png)批量处理时复用会话是关键——remove每次调用默认新建会话重复加载模型是主要瓶颈from rembg import new_session, remove session new_session(u2net)之后把session传给每次remove(..., sessionsession)即可。换模型、Alpha Matting、只出掩码等写法见 USAGE.md。HTTP 服务一次部署多处调用启动后访问http://localhost:7000/api就是完整的 API 文档FastAPI 自带rembg s --host 0.0.0.0 --port 7000 --log_level info两种调用方式传 URL或上传文件。curl -s -F fileinput.jpg http://localhost:7000/api/remove -o output.png查询参数里可以带model、aAlpha Matting等不传时默认用 u2net 模型。rembg 模型选择按场景对号入座本节解决这么多模型我该装哪个的问题。所有模型首次使用时自动下载到~/.u2net/也可以用rembg d 模型名提前下载。按你遇到的场景选普通照片人、车、动物、商品→ 直接用默认的u2net不传-m就是它。想要体积更小的同类型模型选silueta43Mb。人像特写尤其要发丝边缘→birefnet-portrait为单人像预训练老一点的替代是u2net_human_seg。动漫/二次元角色→isnet-anime动漫角色专用的高精度分割。精度要求高的商用图→birefnet-generalBiRefNet 系列中精度最高的通用模型机器带不动时换轻量版birefnet-general-lite。配置低或图量大→u2netpu2net 的轻量版再配合后文的会话复用和OMP_NUM_THREADS速度能上一个台阶。rembg 部署Docker 起服务并验证本节解决怎么跑在生产环境的问题。CPU 版官方镜像约 1.6GB并且构建时已预下载 u2net 模型见 Dockerfile所以离线也能跑默认模型docker run -v .:/data danielgatis/rembg i /data/input.png /data/output.png要长期对外提供 rembg API用 nohup 把服务挂后台nohup rembg s --host 0.0.0.0 --port 7000 --log_level info rembg.log 21 验证服务是否可用发一张真实请求能拿到 PNG 就说明通了curl -s -F fileinput.jpg http://localhost:7000/api/remove -o output.png也可以直接改仓库里的 docker-compose.yml它默认command: [s]端口由.env里的PUBLIC_PORT控制默认 7000REPLICAS_COUNT控制副本数。rembg 避坑清单下载失败、GPU 不生效、速度慢本节解决跑起来之后不对劲的常见问题每条按现象→原因→解决。现象首次运行卡在模型下载或失败→ 原因模型体积大且从网络下载网络不稳 → 解决提前用rembg d u2net预下载或手动下载 .onnx 放入~/.u2net/想换存放目录设U2NET_HOME环境变量。现象装了rembg[gpu]但速度没变化→ 原因onnxruntime-gpu需要匹配 CUDA 和 cuDNN 版本NVIDIA 机器还可能需要cudnn-devel→ 解决对照 onnxruntime 官方安装矩阵确认版本仓库里有一张截图 onnxruntime-installation-matrix.png不满足就退回rembg[cpu]功能不受影响。现象批量处理慢→ 原因每张图都新建会话、重复加载模型 → 解决用new_session()建一次会话反复传CPU 推理可用OMP_NUM_THREADS环境变量调 ONNX Runtime 线程数。现象边缘有白边、碎边→ 原因掩码精度不够 → 解决命令行加-a启用 Alpha MattingPython 里用post_process_maskTrue做掩码后处理。现象自己改过的 .onnx 被删除、重新下载→ 原因rembg 会做哈希校验校验不过就重下 → 解决设MODEL_CHECKSUM_DISABLED1自定义模型文件就不会被覆盖。现象HTTP 服务空闲时 CPU 占用偏高→ 原因默认带了 Gradio 图形界面 → 解决启动时加--no-ui见 rembg/commands/s_command.py。现在你能做什么本地一条命令出透明图Python 里把remove接进现有流水线或用 Docker 在 7000 端口起一个 rembg API 供多个应用调用。更多细节看仓库自带文档README.md、USAGE.md 和 man/rembg.1。【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
rembg 完整上手指南从零开始一条命令跑出透明背景【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移除工具给它一张带背景的 JPG它还你一张透明背景的 PNG。命令行、Python 库、HTTP 服务三种形态任选新手能快速出图开发者可以直接集成进自己的项目。5 分钟上手一条安装命令 一条出图命令本节解决最快看到效果的问题。先安装 CPU 版含命令行工具要求 Python 3.11–3.13即3.11, 3.14pip install rembg[cpu,cli]用仓库自带的示例图跑一下rembg i examples/car-2.jpg output.png原图与抠图结果对比首次运行会自动把默认模型 u2net 下载到~/.u2net/目录之后再运行就不需要下载了。跑通这一条命令安装就算完成了。路线选择命令行、Python 集成、HTTP 服务本节解决我该用哪种形态的问题。三条路线能力相同差别只在调用方式路线适合谁入口命令行一次性任务、批量处理、不想写代码rembg i/rembg pPython 库已有图像处理流程想把抠图嵌进去from rembg import removeHTTP 服务多端或远程调用、容器化部署rembg s命令行单文件和批量最省事i处理单个文件p处理整个文件夹b处理 RGB24 像素流配 FFmpeg 用s起 HTTP 服务。最常用的是这几个rembg i -m u2netp input.png output.png # 指定模型 rembg i -a input.png output.png # 启用 Alpha Matting 优化边缘 rembg p -w ./in ./out # 监听文件夹自动处理新文件省略输出路径时结果会写为文件名.out.png放在输入旁边。参数细节看rembg i --help。Python 库嵌进现有流水线remove接受 bytes、PIL Image、numpy array返回同类型。最简用法from PIL import Image from rembg import remove img Image.open(input.png) remove(img).save(output.png)批量处理时复用会话是关键——remove每次调用默认新建会话重复加载模型是主要瓶颈from rembg import new_session, remove session new_session(u2net)之后把session传给每次remove(..., sessionsession)即可。换模型、Alpha Matting、只出掩码等写法见 USAGE.md。HTTP 服务一次部署多处调用启动后访问http://localhost:7000/api就是完整的 API 文档FastAPI 自带rembg s --host 0.0.0.0 --port 7000 --log_level info两种调用方式传 URL或上传文件。curl -s -F fileinput.jpg http://localhost:7000/api/remove -o output.png查询参数里可以带model、aAlpha Matting等不传时默认用 u2net 模型。rembg 模型选择按场景对号入座本节解决这么多模型我该装哪个的问题。所有模型首次使用时自动下载到~/.u2net/也可以用rembg d 模型名提前下载。按你遇到的场景选普通照片人、车、动物、商品→ 直接用默认的u2net不传-m就是它。想要体积更小的同类型模型选silueta43Mb。人像特写尤其要发丝边缘→birefnet-portrait为单人像预训练老一点的替代是u2net_human_seg。动漫/二次元角色→isnet-anime动漫角色专用的高精度分割。精度要求高的商用图→birefnet-generalBiRefNet 系列中精度最高的通用模型机器带不动时换轻量版birefnet-general-lite。配置低或图量大→u2netpu2net 的轻量版再配合后文的会话复用和OMP_NUM_THREADS速度能上一个台阶。rembg 部署Docker 起服务并验证本节解决怎么跑在生产环境的问题。CPU 版官方镜像约 1.6GB并且构建时已预下载 u2net 模型见 Dockerfile所以离线也能跑默认模型docker run -v .:/data danielgatis/rembg i /data/input.png /data/output.png要长期对外提供 rembg API用 nohup 把服务挂后台nohup rembg s --host 0.0.0.0 --port 7000 --log_level info rembg.log 21 验证服务是否可用发一张真实请求能拿到 PNG 就说明通了curl -s -F fileinput.jpg http://localhost:7000/api/remove -o output.png也可以直接改仓库里的 docker-compose.yml它默认command: [s]端口由.env里的PUBLIC_PORT控制默认 7000REPLICAS_COUNT控制副本数。rembg 避坑清单下载失败、GPU 不生效、速度慢本节解决跑起来之后不对劲的常见问题每条按现象→原因→解决。现象首次运行卡在模型下载或失败→ 原因模型体积大且从网络下载网络不稳 → 解决提前用rembg d u2net预下载或手动下载 .onnx 放入~/.u2net/想换存放目录设U2NET_HOME环境变量。现象装了rembg[gpu]但速度没变化→ 原因onnxruntime-gpu需要匹配 CUDA 和 cuDNN 版本NVIDIA 机器还可能需要cudnn-devel→ 解决对照 onnxruntime 官方安装矩阵确认版本仓库里有一张截图 onnxruntime-installation-matrix.png不满足就退回rembg[cpu]功能不受影响。现象批量处理慢→ 原因每张图都新建会话、重复加载模型 → 解决用new_session()建一次会话反复传CPU 推理可用OMP_NUM_THREADS环境变量调 ONNX Runtime 线程数。现象边缘有白边、碎边→ 原因掩码精度不够 → 解决命令行加-a启用 Alpha MattingPython 里用post_process_maskTrue做掩码后处理。现象自己改过的 .onnx 被删除、重新下载→ 原因rembg 会做哈希校验校验不过就重下 → 解决设MODEL_CHECKSUM_DISABLED1自定义模型文件就不会被覆盖。现象HTTP 服务空闲时 CPU 占用偏高→ 原因默认带了 Gradio 图形界面 → 解决启动时加--no-ui见 rembg/commands/s_command.py。现在你能做什么本地一条命令出透明图Python 里把remove接进现有流水线或用 Docker 在 7000 端口起一个 rembg API 供多个应用调用。更多细节看仓库自带文档README.md、USAGE.md 和 man/rembg.1。【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
