rembg 实操从第一条命令到 HTTP 服务附避坑清单【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 背景移除的价值在于一条龙安装是一条命令去背景是一个函数上线是一个 HTTP 服务。下面直接上手目标是你在自己机器上把 rembg 安装、部署都跑通每一步都能当场验证。能帮你解决空机器上 5 分钟跑出第一张去背景图把背景移除接进现有 Python 流水线拉起可用 HTTP 服务并做成容器部署让 GPU 真正生效避开生产环境的常见坑01 一条命令装好带 CPU 后端的 rembg需要 Python 3.11 及以上3.14 以下。无论当 CLI 还是当库用实际上都依赖 onnxruntime所以直接按 extras 安装最省事。# 库 命令行一次装齐CPU 后端 pip install rembg[cpu,cli] # 验证--version 走快速路径不会加载模型 rembg --version如果只想当库调用改成pip install rembg[cpu]即可有 NVIDIA 卡可以直接装[gpu]验证方法见 07 节。✅判定标准终端打印出rembg, version 0.x.x这样的版本行即算成功。02 用 i 命令处理单张文件rembg i 命令读入一张图输出透明底 PNG。默认模型 u2net首次运行会自动把模型约 176MB下载到~/.u2net——这一步会卡一下正常模型在下载别关终端。# 基本用法输入图 → 透明底输出 rembg i examples/car-2.jpg examples/car-2.cut.png # 两个常用变体换轻量模型 / 只输出掩码 rembg i -m u2netp examples/car-2.jpg light.png rembg i -om examples/car-2.jpg mask.png如果下游要自己合成用-om只出掩码合成环节完全交给你的业务代码。✅判定标准用任意看图工具打开输出 PNG背景显示为透明棋盘格即算成功。03 把背景移除接进 Python 流水线rembg 的库 API 刻意做得很薄一个remove()一个new_session()。输入接受 bytes、PIL Image、numpy 数组三种输出自动跟随输入类型去背景主函数在 rembg/bg.py。不传 session 时它会自动创建默认的 u2net 会话。import numpy as np from PIL import Image from rembg import remove raw open(in.jpg, rb).read() out_bytes remove(raw) # bytes 进bytes 出 out_pil remove(Image.open(in.jpg)) # PIL 进PIL 出 out_arr remove(np.array(Image.open(in.jpg))) # ndarray 进ndarray 出批量处理时性能关键不在循环写法而在模型只加载一次创建一次 session传给每次调用即可。rembg/session_factory.py 里还会读取OMP_NUM_THREADS环境变量来设置 ONNX 线程数容器里限核时顺手调一下。from rembg import remove, new_session session new_session(isnet-general-use) # 模型只加载这一次 for name in (a.jpg, b.jpg, c.jpg): out remove(open(name, rb).read(), sessionsession) open(f{name}.out.png, wb).write(out) # 常用可选参数 remove(raw, sessionsession, post_process_maskTrue) # 平滑掩码边缘 remove(raw, sessionsession, only_maskTrue) # 只输出掩码 remove(raw, sessionsession, bgcolor(255, 255, 255, 255)) # 背景换白色✅判定标准同一 session 处理 3 张图从第二张开始单张耗时明显下降即算成功。04 按业务场景挑选模型rembg 的模型以会话组织一个名字对应一个预训练网络选模型就是选会话名。这里直接替你做选择我选它的理由体积一句话评价u2net不想动脑的通用选择~176 MB默认项速度精度均衡CPU 无压力u2netp量大求快~4.7 MB最轻边缘略糙缩略图场景够用isnet-general-use通用但要再好一档~104 MB边缘优于 u2netCPU 上更慢isnet-anime处理二次元图~104 MB动漫专用发丝更自然birefnet-general-lite要 BiRefNet 效果但资源紧~45 MB最强模型的轻量版边缘设备友好birefnet-general精度优先且有 GPU~900 MB系列里效果最好但重配 GPU 用sam需要人工点一下编码器解码器点标注前背景适合带人工交互的工具选择路径其实很短问两个问题就能定上面这类动漫图是典型例子通用模型容易丢发丝专用模型才保得住。✅判定标准拿 2-3 张你业务里的图跑两个候选模型肉眼能接受边缘的那个就是最终答案。05 用 alpha matting 收细掩码边缘默认输出在头发、毛发这类半透明边缘容易带一圈白边这时开 alpha matting。matting 算法与参数含义可以对照 rembg/bg.py 里的alpha_matting_cutout函数理解。# -a 开启 matting-af 前景阈值、-ab 背景阈值、-ae 腐蚀尺寸 rembg i -a -af 240 -ab 10 -ae 11 in.jpg out.png-af调得越大判定前景越严格。从默认值开始不满意再动一次只动一个参数。✅判定标准放大看发丝边缘没有白边也没有成块掉发即算成功。06 用 s 命令拉起 HTTP 服务rembg s 命令起的是 FastAPI 服务UI 挂在/接口文档在/api核心端点是/api/remove。rembg/commands/s_command.py 里对每个用过的模型做了 session 缓存同一模型不会重复加载GET URL 模式自带 50MB 图片上限并拒绝内网地址安全上不用自己再包一层。# 启动服务默认端口 7000--no-ui 关闭 Gradio 页面省 CPU rembg s -h 0.0.0.0 -p 7000 -l info --no-ui # POST 上传调用可随时换模型 curl -F filein.jpg -F modelu2net http://localhost:7000/api/remove -o out.png✅判定标准浏览器访问http://localhost:7000/api能看到接口文档且 curl 返回透明底 PNG 即算成功。07 用 onnxruntime 验证 GPU 是否生效NVIDIA 卡用pip install rembg[gpu,cli]AMD 卡先装 onnxruntime-rocm再用[rocm]extras。GPU 版对 CUDA、cuDNN 的版本匹配卡得很严装之前先对照 onnxruntime 官方的兼容性矩阵图确定版本组合⚠️ onnxruntime 和 onnxruntime-gpu 不能共存之前装过 CPU 版就先卸载否则 GPU 版会静默退回到 CPU 上跑。验证只需一行代码import onnxruntime as ort print(ort.get_available_providers()) # 输出包含 CUDAExecutionProvider 才说明 GPU 可用创建会话的逻辑会按可用 providers 自动在 CUDA、ROCm、CPU 之间选择装对之后不用改任何配置。✅判定标准providers 列表含 CUDAExecutionProvider且首张图处理耗时降到 CPU 的一半以内即算成功。08 用 docker compose 把 rembg 服务做成容器生产环境建议用容器固定运行环境并把模型目录挂到本地盘避免容器重建后模型重新下载services: rembg: image: danielgatis/rembg command: s -h 0.0.0.0 -p 7000 --no-ui ports: - 7000:7000 volumes: - ./models:/root/.u2net # 模型目录持久化 restart: unless-stoppeddocker compose up -d起来之后直接测端口。需要 GPU 时换 CUDA 基础镜像并在创建容器时加--gpus all。✅判定标准docker compose ps显示容器 running宿主机 curl 7000 端口能拿到 PNG 即算成功。09 生产环境的三个坑怎么解CI 里模型目录如何缓存模型存放位置由环境变量U2NET_HOME决定默认~/.u2net。在 CI 里把它指到可缓存的目录后续构建就不会重复下载export U2NET_HOME/cache/rembg-models # CI 中将该路径设为缓存或挂载卷onnxruntime-gpu 装上后仍在 CPU 上跑或报 CUDA 不匹配基本都出在版本上onnxruntime-gpu、CUDA 运行时、cuDNN 三者必须落在兼容性矩阵的同一行。先跑 07 节的验证代码如果输出里只有 CPUExecutionProvider就卸载冲突的 onnxruntime再装对应版本的 onnxruntime-gpu。多模型切换时显存爆了服务对每个被请求过的模型都会常驻在 session 缓存里权重不会释放。把常用模型控制在两个以内birefnet-general 这类大模型单独起实例或者换成 -lite 版本别把多个大模型挤在同一个进程里。10 上线前自查生产部署Python 版本与 onnxruntimeCPU/GPU版本匹配U2NET_HOME 指向稳定模型目录重启不会重新下载服务已加 --no-ui端口与日志可观测并发与线程上限已确认s 命令的 -t 参数大尺寸图片与请求大小限制已确认GET URL 模式 50MB显存/内存监控已接入【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