企业官网建设流程全解析

Rembg 背景移除完整教程：5 分钟抠出第一张干净的产品图

【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

把一张电商产品图丢进 Rembg，几秒钟后背景就干净了，前景带着透明通道，叠到任何底色上都能直接用。Rembg（remove background 的缩写）是一个 Python 背景移除工具，核心就一个remove()函数：图片进去，无背景 PNG 出来。下面按"你想做成什么"的顺序讲，不堆功能清单。

装完就跑：第一条命令抠出第一张图 🚀

先确认 Python 版本在 3.11~3.13 之间（python --version），然后装包。没有独显就装 CPU 版，依赖会一起装好，不用单独处理：

pip install "rembg[cpu,cli]" # 库 + 命令行工具 # 有 NVIDIA 显卡且装了 CUDA 才用这个： pip install "rembg[gpu,cli]"

装完直接跑第一次抠图：

from PIL import Image from rembg import remove img = Image.open("car-2.jpg") out = remove(img) # 默认用 u2net 模型 out.save("car-2.out.png")

你可能会问：为什么第一张图要等好久？因为模型文件在首次运行时自动下载到~/.u2net目录，后面再跑就是秒级。第一次跑通之后，看看这个效果对比——左边原图，右边是 Rembg 抠完背景的输出：

走 GPU 路线的话，先对照官方这张安装矩阵确认你的系统支不支持onnxruntime-gpu，装完rembg[gpu]才白不白费：

做一张能直接交活的证件照

证件照是个好例子，因为它一次就用到模型选择、换底色、修边缘三件事。

人像模型用哪个？直接用人像专用的birefnet-portrait。new_session就像先把引擎热起来，建一次就能反复用，别每张图都新建：

from PIL import Image from rembg import new_session, remove session = new_session("birefnet-portrait") # 人像专用模型 img = Image.open("girl-1.jpg") out = remove(img, session=session, bgcolor=(67, 142, 219, 255)) # 直接合成蓝色底 out.save("id_photo.jpg", "JPEG")

这里的关键是bgcolor：它跳过"先透明再合成"两步，直接把指定 RGBA 颜色填到背景上，一行搞定蓝底证件照。想保留透明通道？去掉bgcolor即可。

发丝边缘毛糙，怎么修？加上 alpha matting 参数，它是一步边缘精修，专门处理头发丝这种半透明区域：

out = remove(img, session=session, alpha_matting=True, alpha_matting_foreground_threshold=240, # 高于它算前景 alpha_matting_background_threshold=10, # 低于它算背景 alpha_matting_erode_size=15) # 腐蚀半径，调边缘

💡 如果嫌抠出的蒙版有锯齿，还可以传post_process_mask=True对掩码做后处理，边缘会更平滑。

动漫、商品、动物：抠图模型怎么选

不同内容用错模型，效果差得很明显。常用模型大致这样分：

用法上没门槛：把名字传给new_session()就行，模型自动下载。想看每个模型的实现细节，翻 模型源码目录。

拿动漫图对比一下，左边原图，右边是isnet-anime的抠图结果——线稿和发丝的轮廓比通用模型干净得多：

动物、商品这类常规物体，u2net或birefnet-general通常就够了：

另外，如果你不要成品图、只要一张白前景黑背景的蒙版（比如拿去做别的处理），传only_mask=True就行，不用单独写代码。

一百张图怎么跑得快

你可能会想：一百张、一千张图怎么办？答案就一句话——session 只建一次。默认每次调remove都会重新加载模型，那才是批量场景下最大的瓶颈：

from pathlib import Path from rembg import new_session, remove session = new_session("birefnet-general") for f in Path("input_dir").glob("*.png"): out = remove(f.read_bytes(), session=session) # 直接吃字节 (f.parent / (f.stem + ".out.png")).write_bytes(out)

注意remove可以直接收 bytes，省掉开图存图的来回。不想写代码的话，CLI 的批量子命令一句话搞定：rembg p 输入目录 输出目录，加-w还能监听目录，新文件自动抠。它一共四个子命令：i单张、p文件夹、s起 HTTP 服务、b接 FFmpeg 裸视频流——最后那个意味着连视频帧都能逐帧抠。

下载失败、内存爆、边缘毛糙：排查清单 ⚠️

跑的时候大概率会撞上几个坑，按清单对：

• 模型下载失败 / 想换目录：手动把.onnx放进~/.u2net即可；用环境变量U2NET_HOME可以整体挪走模型目录（Docker 里挂载它还能避免每次重下）。
• 内存不够：换轻量模型u2netp或silueta，或者先把大图降分辨率再抠。
• 速度太慢：上 GPU 版；纯 CPU 时调OMP_NUM_THREADS控制推理线程数。
• GPU 版装不上：多半是 CUDA/cuDNN 环境不满足，回退rembg[cpu]最省事。
• 抠图总差一口气：换birefnet系列试试，叠alpha_matting，或开post_process_mask=True；动漫图记得换isnet-anime。
• 要用自己转换的模型：设MODEL_CHECKSUM_DISABLED=1，把文件按对应文件名放进模型目录，rembg 就不会覆盖它。

不想写代码的，装完 CLI 后rembg i 输入.png一条命令就能出图；更多参数和服务器用法，直接翻 完整用法说明 和 README.md，够你用到上生产为止。

【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