三步装好、五步出图rembg 图片背景移除工具完整入门指南【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想让商品图 3 秒去背但 Photoshop 太重、在线工具又要传图注册rembg 是一个完全开源免费的图片背景移除工具深度学习模型跑在本地一行命令或几行 Python 就能输出透明 PNG。读完这篇你会完成三件事装好 rembg 并抠出第一张图、看懂十几个模型该怎么选、再搭一个带界面的小工具。项目画像rembg 是什么一句话rembg 把一批训练好的 ONNX 分割模型封装成开箱即用的抠图工具输入照片输出带透明通道的 PNG。四种形态命令行、Python 库、HTTP 服务、Docker 容器README.md 里都有现成用法模型即插即用16 个内置模型覆盖通用、人像、动漫、服装等场景首次使用自动下载到~/.u2net/算力自适应CPU 直接跑NVIDIA/AMD 显卡可换后端加速MIT 协议个人和商用都放心LICENSE.txt三步装好 rembg完成第一次抠图第一步确认 Python 版本。rembg 要求 Python 3.11–3.13版本能力最终取决于底层 onnxruntime 的支持范围。第二步一条命令安装。普通电脑装 CPU 版即可cli表示连命令行一起装上pip install rembg[cpu,cli]有 NVIDIA 显卡、想快一点的话改成pip install rembg[gpu,cli]前提是系统满足 onnxruntime-gpu 的兼容要求后面更快更好一节会讲。第三步跑第一条命令。仓库自带示例图装完直接在仓库根目录敲rembg i examples/animal-1.jpg output/animal-1.png几秒后就能得到一张背景透明的 PNG第一次运行会自动下载 u2net 模型耐心等它跑完进度条就行。不想敲命令Python 里等价于五行from rembg import remove from PIL import Image img Image.open(examples/animal-1.jpg) remove(img).save(output/animal-1.png)到这里你已经在本地跑通了 rembg 图片背景移除的完整链路。三个实用场景单张、整目录、API 服务场景一单张图快速抠图rembg i就是给手头这一张图准备的几个常用开关省略输出路径rembg i a.jpg会在原图旁边生成a.out.png换模型rembg i -m isnet-anime a.jpg out.png只要黑白蒙版-om方便做后续合成开 alpha matting 精修边缘-a场景二整目录批量处理电商修图、素材整理这种一锤子几百张的活用p子命令rembg p examples/ output/目录里所有图逐个处理完。再加-w开启监听模式往源目录丢新文件就自动处理适合挂后台当自动抠图收件箱。场景三起一个 HTTP 抠图服务rembg s会把 rembg 变成一个带 Gradio 界面的 HTTP 服务--no-ui可关掉界面省 CPUrembg s --host 0.0.0.0 --port 7000起好后浏览器打开http://localhost:7000/api就能看到接口文档其他程序直接 POST 图片就能拿回透明图。这让它天然适合塞进公司内部工具、CI 流水线或者和 Streamlit/Gradio 这类 Web 应用对接。rembg 模型怎么选一张表搞定不同模型是速度、精度、场景三者的不同取舍。按你的需求对号入座模型定位速度适合场景代价u2net通用老大哥默认中什么都想让它试试体积和算力都不算轻u2netp通用轻量版快预览、试错、弱设备边缘细节不如完整版siluetau2net 的瘦身版43MB快下载/磁盘紧张的环境精度与 u2net 相当别期待更多isnet-general-use新一代通用中想提升默认质量模型文件更大birefnet-general高精度通用旗舰偏慢边缘要精细的正式产出慢、模型文件大birefnet-general-lite旗舰轻量版快要质量又嫌旗舰太慢略逊于完整版isnet-anime二次元专用中动漫角色抠图真人生图别用它u2net_human_seg人像分割中人物照片只针对人u2net_cloth_seg服装解析中服装电商上装/下装/全身只针对穿衣人像sam点指定分割偏慢只抠我点的位置慢且要传点坐标同一张动漫图用不同模型跑出来的边缘质量差别肉眼可见。下面是 birefnet-general 的结果换成专门针对动漫的 isnet-anime发丝和轮廓的处理方式又不一样选型建议日常默认 u2net出正式图换 birefnet-general设备弱或图多换 u2netp / birefnet-general-lite动漫、人像、服装这类专图直接上对应专用模型通常比通用模型又快又准。用 rembg 做一个自己的抠图小工具从调库到产品最小架构就三层界面层选图、选模型、看结果→推理层rembg 会话 remove 调用→落盘层存 PNG。tkinter 自带、零依赖30 行就能跑import tkinter as tk from tkinter import filedialog, ttk from PIL import Image, ImageTk from rembg import remove, new_session class RembgGUI: def __init__(self, root): self.root root self.root.title(rembg 抠图小工具) self.model_var tk.StringVar(valueu2net) models [u2net, u2netp, isnet-general-use, isnet-anime, birefnet-general-lite] ttk.Combobox(root, textvariableself.model_var, valuesmodels, statereadonly).pack(padx10, pady5) ttk.Button(root, text选择图片并抠图, commandself.run).pack(padx10, pady5) self.session new_session(u2net) self.label tk.Label(root) self.label.pack() def run(self): path filedialog.askopenfilename( filetypes[(图片, *.png *.jpg *.jpeg)]) if not path: return self.session new_session(self.model_var.get()) out remove(Image.open(path), sessionself.session) self.label.config(imageImageTk.PhotoImage(out)) root tk.Tk() RembgGUI(root) root.mainloop()两个值得注意的点一是切模型时才重建 session别每次处理都重建二是真实产品里remove放后台线程跑比如threadingroot.after回主线程刷新否则界面会卡死。想往 Web 方向走直接把 rembg/commands/ 里的 HTTP 实现当参考即可。让 rembg 更快更好的 4 个手段批量务必复用 session。remove默认每次调用都重新加载模型几十张图时这是最大瓶颈。先new_session()一次循环里remove(img, sessions)速度差距非常明显。线程数交给环境变量。CPU 多核机器可设OMP_NUM_THREADS控制 ONNX Runtime 推理线程避免它默认行为抢占过多/过少资源。GPU 加速。确认系统满足 onnxruntime-gpu 的安装矩阵后再装rembg[gpu]精修边缘两个参数。毛发、半透明物体边缘毛糙时开alpha_mattingTrue并调alpha_matting_foreground_threshold/alpha_matting_background_threshold或者先用post_process_maskTrue对蒙版做形态学后处理。想要白底而非透明底bgcolor(255,255,255,255)一行搞定用法详见 USAGE.md。rembg 踩坑手册四个高频问题1. 模型下载失败或被中断现象首次运行卡在模型下载或校验失败反复重试。 原因模型文件从数十 MB 到数百 MB 不等网络不稳就会挂。 解决手动把.onnx文件放进~/.u2net/目录可用U2NET_HOME环境变量改到别处下载成功后 rembg 检测到文件存在就不会再拉。2. GPU 版装不上或起不来现象rembg[gpu]装完仍走 CPU或直接报错。 原因onnxruntime-gpu 对 CUDA/cuDNN 版本有严格要求系统不兼容是最常见原因。 解决先对照上面的安装矩阵确认版本确实装不齐环境就退回rembg[cpu]用轻量模型u2netp、birefnet-general-lite补速度。3. 批量处理慢得反常现象单张几秒一文件夹却要等很久。 原因每张图都新建了一次 session模型反复加载。 解决如第 6 节所说循环外建一次 session或直接用 CLI 的rembg p它内部已处理好。4. 边缘发虚、有白边现象头发丝、玻璃、宠物毛这类区域抠得不干净。 原因默认二值蒙版对半透明过渡区处理粗糙。 解决叠加-aalpha matting或post_process_maskTrue再不行就换更高精度的 birefnet-general。继续探索rembg 还能往哪走回顾一下今天的路线一条命令装好 → 单张/批量/服务三种用法 → 按场景选模型 → 套个界面变成小工具 → 批量复用 session 提速。接下来可以试试这些方向Docker 化部署仓库自带 Dockerfile 和 NVIDIA 版 Dockerfile_nvidia_cuda_cudnn_gpu一条docker run把抠图服务搬上服务器视频帧抠像rembg b子命令接收 FFmpeg 吐出的 RGB24 原始帧流等于给视频逐帧去背打开了门自定义模型用自己的 ONNX 文件配u2net_customMODEL_CHECKSUM_DISABLED1可以把任意转换好的模型塞进来源码阅读16 个模型会话都在 rembg/sessions/ 下每个文件都不长是学习模型怎么封装进应用的好教材也可以直接克隆源码研究git clone https://gitcode.com/GitHub_Trending/re/rembg如果这篇文章帮你省下了抠图的重复劳动点个关注后续会更新 rembg 的进阶玩法比如 alpha matting 参数调优实战和 Web 端集成方案。【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 
长河君 · 2026/9/5 18:16:31 · 阅读 1.2k 三步装好、五步出图：rembg 图片背景移除工具完整入门指南
三步装好、五步出图rembg 图片背景移除工具完整入门指南【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想让商品图 3 秒去背但 Photoshop 太重、在线工具又要传图注册rembg 是一个完全开源免费的图片背景移除工具深度学习模型跑在本地一行命令或几行 Python 就能输出透明 PNG。读完这篇你会完成三件事装好 rembg 并抠出第一张图、看懂十几个模型该怎么选、再搭一个带界面的小工具。项目画像rembg 是什么一句话rembg 把一批训练好的 ONNX 分割模型封装成开箱即用的抠图工具输入照片输出带透明通道的 PNG。四种形态命令行、Python 库、HTTP 服务、Docker 容器README.md 里都有现成用法模型即插即用16 个内置模型覆盖通用、人像、动漫、服装等场景首次使用自动下载到~/.u2net/算力自适应CPU 直接跑NVIDIA/AMD 显卡可换后端加速MIT 协议个人和商用都放心LICENSE.txt三步装好 rembg完成第一次抠图第一步确认 Python 版本。rembg 要求 Python 3.11–3.13版本能力最终取决于底层 onnxruntime 的支持范围。第二步一条命令安装。普通电脑装 CPU 版即可cli表示连命令行一起装上pip install rembg[cpu,cli]有 NVIDIA 显卡、想快一点的话改成pip install rembg[gpu,cli]前提是系统满足 onnxruntime-gpu 的兼容要求后面更快更好一节会讲。第三步跑第一条命令。仓库自带示例图装完直接在仓库根目录敲rembg i examples/animal-1.jpg output/animal-1.png几秒后就能得到一张背景透明的 PNG第一次运行会自动下载 u2net 模型耐心等它跑完进度条就行。不想敲命令Python 里等价于五行from rembg import remove from PIL import Image img Image.open(examples/animal-1.jpg) remove(img).save(output/animal-1.png)到这里你已经在本地跑通了 rembg 图片背景移除的完整链路。三个实用场景单张、整目录、API 服务场景一单张图快速抠图rembg i就是给手头这一张图准备的几个常用开关省略输出路径rembg i a.jpg会在原图旁边生成a.out.png换模型rembg i -m isnet-anime a.jpg out.png只要黑白蒙版-om方便做后续合成开 alpha matting 精修边缘-a场景二整目录批量处理电商修图、素材整理这种一锤子几百张的活用p子命令rembg p examples/ output/目录里所有图逐个处理完。再加-w开启监听模式往源目录丢新文件就自动处理适合挂后台当自动抠图收件箱。场景三起一个 HTTP 抠图服务rembg s会把 rembg 变成一个带 Gradio 界面的 HTTP 服务--no-ui可关掉界面省 CPUrembg s --host 0.0.0.0 --port 7000起好后浏览器打开http://localhost:7000/api就能看到接口文档其他程序直接 POST 图片就能拿回透明图。这让它天然适合塞进公司内部工具、CI 流水线或者和 Streamlit/Gradio 这类 Web 应用对接。rembg 模型怎么选一张表搞定不同模型是速度、精度、场景三者的不同取舍。按你的需求对号入座模型定位速度适合场景代价u2net通用老大哥默认中什么都想让它试试体积和算力都不算轻u2netp通用轻量版快预览、试错、弱设备边缘细节不如完整版siluetau2net 的瘦身版43MB快下载/磁盘紧张的环境精度与 u2net 相当别期待更多isnet-general-use新一代通用中想提升默认质量模型文件更大birefnet-general高精度通用旗舰偏慢边缘要精细的正式产出慢、模型文件大birefnet-general-lite旗舰轻量版快要质量又嫌旗舰太慢略逊于完整版isnet-anime二次元专用中动漫角色抠图真人生图别用它u2net_human_seg人像分割中人物照片只针对人u2net_cloth_seg服装解析中服装电商上装/下装/全身只针对穿衣人像sam点指定分割偏慢只抠我点的位置慢且要传点坐标同一张动漫图用不同模型跑出来的边缘质量差别肉眼可见。下面是 birefnet-general 的结果换成专门针对动漫的 isnet-anime发丝和轮廓的处理方式又不一样选型建议日常默认 u2net出正式图换 birefnet-general设备弱或图多换 u2netp / birefnet-general-lite动漫、人像、服装这类专图直接上对应专用模型通常比通用模型又快又准。用 rembg 做一个自己的抠图小工具从调库到产品最小架构就三层界面层选图、选模型、看结果→推理层rembg 会话 remove 调用→落盘层存 PNG。tkinter 自带、零依赖30 行就能跑import tkinter as tk from tkinter import filedialog, ttk from PIL import Image, ImageTk from rembg import remove, new_session class RembgGUI: def __init__(self, root): self.root root self.root.title(rembg 抠图小工具) self.model_var tk.StringVar(valueu2net) models [u2net, u2netp, isnet-general-use, isnet-anime, birefnet-general-lite] ttk.Combobox(root, textvariableself.model_var, valuesmodels, statereadonly).pack(padx10, pady5) ttk.Button(root, text选择图片并抠图, commandself.run).pack(padx10, pady5) self.session new_session(u2net) self.label tk.Label(root) self.label.pack() def run(self): path filedialog.askopenfilename( filetypes[(图片, *.png *.jpg *.jpeg)]) if not path: return self.session new_session(self.model_var.get()) out remove(Image.open(path), sessionself.session) self.label.config(imageImageTk.PhotoImage(out)) root tk.Tk() RembgGUI(root) root.mainloop()两个值得注意的点一是切模型时才重建 session别每次处理都重建二是真实产品里remove放后台线程跑比如threadingroot.after回主线程刷新否则界面会卡死。想往 Web 方向走直接把 rembg/commands/ 里的 HTTP 实现当参考即可。让 rembg 更快更好的 4 个手段批量务必复用 session。remove默认每次调用都重新加载模型几十张图时这是最大瓶颈。先new_session()一次循环里remove(img, sessions)速度差距非常明显。线程数交给环境变量。CPU 多核机器可设OMP_NUM_THREADS控制 ONNX Runtime 推理线程避免它默认行为抢占过多/过少资源。GPU 加速。确认系统满足 onnxruntime-gpu 的安装矩阵后再装rembg[gpu]精修边缘两个参数。毛发、半透明物体边缘毛糙时开alpha_mattingTrue并调alpha_matting_foreground_threshold/alpha_matting_background_threshold或者先用post_process_maskTrue对蒙版做形态学后处理。想要白底而非透明底bgcolor(255,255,255,255)一行搞定用法详见 USAGE.md。rembg 踩坑手册四个高频问题1. 模型下载失败或被中断现象首次运行卡在模型下载或校验失败反复重试。 原因模型文件从数十 MB 到数百 MB 不等网络不稳就会挂。 解决手动把.onnx文件放进~/.u2net/目录可用U2NET_HOME环境变量改到别处下载成功后 rembg 检测到文件存在就不会再拉。2. GPU 版装不上或起不来现象rembg[gpu]装完仍走 CPU或直接报错。 原因onnxruntime-gpu 对 CUDA/cuDNN 版本有严格要求系统不兼容是最常见原因。 解决先对照上面的安装矩阵确认版本确实装不齐环境就退回rembg[cpu]用轻量模型u2netp、birefnet-general-lite补速度。3. 批量处理慢得反常现象单张几秒一文件夹却要等很久。 原因每张图都新建了一次 session模型反复加载。 解决如第 6 节所说循环外建一次 session或直接用 CLI 的rembg p它内部已处理好。4. 边缘发虚、有白边现象头发丝、玻璃、宠物毛这类区域抠得不干净。 原因默认二值蒙版对半透明过渡区处理粗糙。 解决叠加-aalpha matting或post_process_maskTrue再不行就换更高精度的 birefnet-general。继续探索rembg 还能往哪走回顾一下今天的路线一条命令装好 → 单张/批量/服务三种用法 → 按场景选模型 → 套个界面变成小工具 → 批量复用 session 提速。接下来可以试试这些方向Docker 化部署仓库自带 Dockerfile 和 NVIDIA 版 Dockerfile_nvidia_cuda_cudnn_gpu一条docker run把抠图服务搬上服务器视频帧抠像rembg b子命令接收 FFmpeg 吐出的 RGB24 原始帧流等于给视频逐帧去背打开了门自定义模型用自己的 ONNX 文件配u2net_customMODEL_CHECKSUM_DISABLED1可以把任意转换好的模型塞进来源码阅读16 个模型会话都在 rembg/sessions/ 下每个文件都不长是学习模型怎么封装进应用的好教材也可以直接克隆源码研究git clone https://gitcode.com/GitHub_Trending/re/rembg如果这篇文章帮你省下了抠图的重复劳动点个关注后续会更新 rembg 的进阶玩法比如 alpha matting 参数调优实战和 Web 端集成方案。【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