rembg 背景移除完整指南：从安装、抠图到生产部署

rembg 背景移除完整指南：从安装、抠图到生产部署

【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

电商商品图要抠图、证件照要换底色、视频流水线要逐帧去背景——这些需求落到底层都是同一个动作：把主体从背景里分离出来。rembg 就是专门做这件事的开源背景移除（抠图）工具：一条命令、几行 Python 或一个 HTTP 接口都能出结果。本文带你走通安装、批量处理、模型选型、服务化和 Docker 部署的完整链路。

项目定位

一句话：rembg 是一个支持 10+ 预训练模型的 Python 抠图工具，同时提供 CLI、Python 库、HTTP 服务器、Docker 容器四种出口。

能力面	说明
模型覆盖	内置 u2net、isnet、birefnet、sam 等 10+ 预训练模型，按场景切换
输入形态	bytes、PIL Image、numpy array 均可直接传入
边缘质量	支持 Alpha Matting 与掩码后处理，处理毛发、半透明边缘
运行形态	命令行、脚本内嵌、HTTP 服务、容器化四条路线任选
效率设计	会话（session）复用机制，批处理时模型只加载一次

🚀 三步跑通第一次抠图

rembg 要求 Python>=3.10, <3.14。最省事的装法是库 + CLI 一起装：

pip install "rembg[cpu,cli]"

然后处理第一张图，默认使用 u2net 模型，模型文件会自动下载到~/.u2net/：

rembg i examples/car-2.jpg examples/car-2.out.png

✅ 跑通后你会拿到一张带透明通道的 PNG。核心逻辑都在 rembg/bg.py 的remove函数里，后续所有形态（CLI、服务、库）调用的都是它。

四种入口怎么选

同一个功能，四种接法，按你的场景对号入座：

使用形态	适合谁	入口
CLI	一次性处理、写 shell 脚本的人	rembg i in.png out.png
Python 库	抠图只是自己系统里一个环节	from rembg import remove
HTTP 服务	多端共享、Web/移动端调接口	rembg s --port 7000
Docker	不想污染本机 Python 环境、要容器化上线	docker run danielgatis/rembg

GPU 环境把[cpu]换成[gpu]（NVIDIA/CUDA）或[rocm]（AMD），详见 pyproject.toml 中的 extras 定义。

深入用法：批处理与服务化两条线

批处理：文件夹与视频流

CLI 的p子命令处理整个文件夹，加-w变成监听模式，新文件落盘即处理：

rembg p ./in ./out # 遍历文件夹 rembg p -w ./in ./out # 监听模式，持续消费新文件

在 Python 侧，批处理的关键是会话复用——new_session只建一次，避免每张图重复加载模型：

from pathlib import Path from rembg import new_session, remove session = new_session("u2net") # 模型只加载一次 for f in Path('in').glob('*.png'): Path('out').join_path(f.name).write_bytes(remove(f.read_bytes(), session=session))

视频帧这种 RGB24 二进制流用b子命令接，典型玩法是挂在 FFmpeg 后面逐帧抠图：

ffmpeg -i in.mp4 -an -f rawvideo -pix_fmt rgb24 pipe:1 | rembg b 1280 720 -o out/f-%03d.png

🔌 服务化：一个 FastAPI 接口

s子命令把 rembg 起成 HTTP 服务，接口文档在http://localhost:7000/api，实现见 rembg/commands/s_command.py：

rembg s --host 0.0.0.0 --port 7000 --log_level info

调用侧两种姿势——传 URL 或传文件，参数（模型、Alpha Matting 等）以 query/form 形式附带：

curl -s "http://localhost:7000/api/remove?url=http://example.com/in.png" -o out.png curl -s -F file=@in.jpg -F model=u2net -F a=true "http://localhost:7000/api/remove" -o out.png

🎯 按场景选模型

模型注册在 rembg/sessions/ 下，常用模型的取舍如下：

模型	体积	适用场景
u2net	176MB	通用，精度与速度均衡，默认选择
u2netp	4.7MB	轻量、大批量、资源受限
isnet-general-use	104MB	通用高质量分割
isnet-anime	104MB	动漫角色
u2net_human_seg	—	人像
birefnet-general	175MB	高精度通用
birefnet-general-lite	45MB	移动端、轻量高精度
sam	编码器+解码器	交互式点提示分割

决策建议就两条：拿不准就用 u2net 起步，追轻量换 u2netp 或 birefnet-general-lite；需要人点提示精修就上 sam（通过-x传sam_prompt）。

🐳 生产化部署：容器上线 + 性能调优

Docker 是最短的生产路径。CPU 场景直接用官方镜像，挂载输入输出目录即可：

docker run -v $(pwd)/input:/rembg danielgatis/rembg i input.png output/output.png

NVIDIA GPU 场景用仓库自带的 Dockerfile_nvidia_cuda_cudnn_gpu 构建：

docker build -t rembg-gpu -f Dockerfile_nvidia_cuda_cudnn_gpu . docker run --rm -it --gpus all -v $PWD:/rembg rembg-gpu i -m birefnet-general in.png out.png

要常驻服务，仓库已提供 docker-compose.yml，核心就是把s命令跑在容器里、映射 7000 端口：

services: app: build: . command: ["s"] ports: - 7000:7000

docker-compose up -d之后，7000 端口即是可对外调用的抠图 API。

⚡调到能用，主要抓三件事：

• 会话复用：服务与批处理都用new_session建好的 session 传参，模型只加载一次，这是最大的一档提速；
• 内存：大批量处理时别一次性把图片全部读进内存，按批消费，并周期性gc.collect()回收；
• 重试：对偶发异常加指数退避重试（等待时间随次数递增），失败到上限再抛出。

⚠️ 避坑手册

1. 模型下载失败/很慢原因：默认从网络拉取到~/.u2net/，网络受限环境会卡住。 解法：手动下载模型文件放入~/.u2net/，或部署机预置模型目录。

2. GPU 加速不生效原因：CUDA/cuDNN 版本与 onnxruntime-gpu 不匹配。 解法：对照官方 onnxruntime 兼容性矩阵核对版本，确认装的是onnxruntime-gpu而非onnxruntime；实在不行退回[cpu]后端，功能不受影响。

3. 单图处理慢原因：每次调用都新建会话加载模型，或默认模型偏重。 解法：复用 session；高吞吐场景换 u2netp / birefnet-general-lite；有卡就上 GPU。

4. 边缘毛糙、发丝粘连原因：默认掩码粒度粗。 解法：启用 Alpha Matting（CLI 加-a，库传alpha_matting=True），再按画面微调af（前景阈值）、ab（背景阈值）、ae（侵蚀尺寸）。

5. Python 版本装不上原因：rembg 要求 Python>=3.10, <3.14。 解法：确认python --version在区间内，必要时用虚拟环境隔离。

收尾

上线前最后核对一遍：Python 版本在 3.10–3.13、onnxruntime 后端与硬件匹配、模型文件就位、磁盘预留 1–2GB、内存建议 4GB+、日志与重试机制已配好——这六项齐了，服务基本可以打生产。

rembg 把"抠图"从一堆调参脚本压缩成了一行命令、一个函数或一个接口，选对模型、接对出口，剩下的就是量。你在部署或模型选型上踩过什么坑，欢迎在评论区聊聊。

【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