Rembg 开源图像抠图工具全教程：Python/命令行/HTTP API/Docker部署+多模型选型- 惊觉

Rembg是一款免费开源AI抠图工具，无需复杂算法，一行代码/一条命令即可生成透明背景图片，支持CPU/NVIDIA/AMD多硬件加速，提供Python SDK、命令行、HTTP接口、Docker四种部署方式，内置20+分割模型适配人像、动漫、服装、高分辨率物体等场景，本文完整覆盖安装、单图/批量处理、API服务、视频帧抠图、容器部署、自定义模型全流程实战代码。

一、项目概述

1.1 项目介绍

Rembg 是一款开源、高性能图像背景去除工具，支持多部署形态，可直接一键去除图片背景生成透明PNG，底层基于各类预训练分割模型（U2Net、IS-Net、BiRefNet、SAM等），适配通用实物、人像、动漫、服装、高分辨率物体等多场景抠图需求。支持四种使用方式：

Python 第三方库（集成到业务代码）
终端命令行工具（单图/批量处理）
HTTP Web服务（对外提供抠图API）
Docker容器（快速部署，CPU/GPU两种镜像）

项目开源地址：danielgatis/rembg，开源协议 MIT，官方提供商用付费抠图API PhotoRoom。

1.2 环境前置要求

Python 版本限制：>=3.11 且 <3.14，依赖 onnxruntime 系列推理引擎，分CPU、NVIDIA CUDA、AMD ROCm三种硬件后端。

二、安装教程（区分硬件后端）

2.1 CPU通用版本（无独立显卡，新手推荐）

仅作为Python库：

pip install "rembg[cpu]"

库 + 命令行工具一体：

pip install "rembg[cpu,cli]"

2.2 NVIDIA显卡 CUDA GPU加速

先确认本机环境支持 onnxruntime-gpu，提前装好CUDA、cudnn-devel；
安装命令：

# 仅库
pip install "rembg[gpu]"
# 库+命令行
pip install "rembg[gpu,cli]"

若CUDA环境配置失败，可降级使用CPU版本运行。

2.3 AMD显卡 ROCm 后端

需提前部署 onnxruntime-rocm，再执行安装：

pip install "rembg[rocm]"
pip install "rembg[rocm,cli]"

三、命令行 CLI 使用详解

安装cli后终端直接执行 rembg，提供4大核心子命令：i（单图）、p（批量文件夹）、s（HTTP服务）、b（二进制流，适配FFmpeg）。

3.1 通用帮助命令

# 查看全局帮助
rembg --help
# 查看指定子命令帮助，如单图处理
rembg i --help

3.2 rembg i：单张图片抠图

本地文件基础用法

# 指定输入输出路径
rembg i input.png output.png
# 省略输出，自动生成 input.out.png
rembg i input.png
# 管道重定向输出
rembg i input.png > output.png

远程网络图片流式处理

curl -s http://xxx/input.png | rembg i > output.png

进阶参数用法

指定轻量模型u2netp：

rembg i -m u2netp input.png output.png

仅输出分割掩码（无透明前景）：

rembg i -om input.png mask.png

输出带Alpha遮罩原图：

rembg i -a input.png output.png

SAM模型点位提示抠图（自定义前景点位）：

rembg i -m sam -x '{ "sam_prompt": [{"type": "point", "data": [724, 740], "label": 1}] }' test.jpg out.png

加载本地自定义ONNX模型：

rembg i -m u2net_custom -x '{"model_path": "~/.u2net/u2net.onnx"}' input.png output.png

3.3 rembg p：批量文件夹处理

基础批量（输入文件夹→输出文件夹）

rembg p ./input_imgs ./output_imgs

监听模式（自动处理新增/修改图片）

rembg p -w ./input_imgs ./output_imgs

3.4 rembg s：启动HTTP抠图API服务

启动服务，开放外网访问，端口7000

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

关闭Gradio前端UI，降低CPU占用

rembg s --no-ui

API调用示例

通过图片URL抠图：

curl -s "http://127.0.0.1:7000/api/remove?url=http://xxx/test.png" -o out.png

上传本地文件抠图：

curl -s -F file=@./test.jpg "http://127.0.0.1:7000/api/remove" -o out.png

服务内置API文档地址：http://localhost:7000/api

3.5 rembg b：二进制RGB24数据流处理（适配FFmpeg视频帧）

接收原始RGB像素流，适合视频逐帧抠图，参数：宽度、高度、输出文件名格式化模板。示例：提取视频第10秒画面，逐帧抠图保存

ffmpeg -i input.mp4 -ss 10 -an -f rawvideo -pix_fmt rgb24 pipe:1 | rembg b 1280 720 -o output/output-%03u.png

关键参数不能省略：-an -f rawvideo -pix_fmt rgb24 pipe:1，宽高必须和视频分辨率匹配。

四、Python库代码集成（开发常用）

核心入口函数 remove()，支持字节流、PIL图像、OpenCV数组三种输入格式，批量处理推荐复用Session加速推理。

4.1 字节流读写（通用文件读写）

from rembg import remove

# 读取原图字节，抠图后写入透明图
with open("input.png", "rb") as in_file:
    input_data = in_file.read()
output_data = remove(input_data)
with open("output.png", "wb") as out_file:
    out_file.write(output_data)

4.2 PIL Image 格式（图像处理常用）

from rembg import remove
from PIL import Image

input_img = Image.open("input.png")
output_img = remove(input_img)
output_img.save("output.png")

4.3 OpenCV NumPy数组格式

from rembg import remove
import cv2

input_arr = cv2.imread("input.png")
output_arr = remove(input_arr)
cv2.imwrite("output.png", output_arr)

4.4 强制返回字节流

from rembg import remove

with open("input.png", "rb") as i:
    data = i.read()
res = remove(data, force_return_bytes=True)
with open("out.png", "wb") as o:
    o.write(res)

4.5 高性能批量处理（复用Session，推荐）

重复创建会话会重复加载模型，大批量图片务必复用session：

from pathlib import Path
from rembg import remove, new_session

# 全局初始化一次模型会话
session = new_session()

# 遍历文件夹所有png图片
img_dir = Path("./batch_input")
for img_file in img_dir.glob("*.png"):
    out_path = img_file.parent / f"{img_file.stem}.out.png"
    with open(img_file, "rb") as i, open(out_path, "wb") as o:
        img_bytes = i.read()
        # 复用session，大幅提升批量速度
        res_bytes = remove(img_bytes, session=session)
        o.write(res_bytes)

五、Docker容器部署

5.1 CPU镜像（开箱即用，无需编译）

直接拉取官方镜像，挂载本地目录 /data 处理图片：

docker run -v .:/data danielgatis/rembg i /data/input.png /data/output.png

5.2 NVIDIA CUDA GPU镜像

前置条件：主机安装NVIDIA容器工具包；
构建GPU镜像（镜像占用约11GB，CPU版仅1.6GB）：

docker build -t rembg-gpu -f Dockerfile_nvidia_cuda_cudnn_gpu .

运行容器开启GPU加速：

sudo docker run --rm -it --gpus all -v $PWD:/data rembg-gpu i -m birefnet-general /data/input.png /data/output.png

优化：挂载本地模型目录，避免容器重复下载模型

-v /本地模型路径:/root/.u2net

六、内置模型大全（按需选择）

首次运行自动下载模型至 ~/.u2net/，可通过环境变量修改存储路径，各模型适用场景：

模型名称	适用场景	特点
u2net	通用物体抠图	基础通用模型，效果均衡
u2netp	通用场景	U2Net轻量版，速度更快
u2net_human_seg	纯人像分割	专门识别人体轮廓
u2net_cloth_seg	服装分割	区分上衣/下装/全身衣物
Silueta	通用抠图	体积仅43MB，轻量化
isnet-general-use	通用高精度	新一代通用分割模型
isnet-anime	动漫角色	二次元人物抠图专用
sam	任意物体分割	支持点位提示，自定义抠选区域
birefnet-general	全场景通用	综合效果最优
birefnet-general-lite	通用轻量化	平衡速度与精度
birefnet-portrait	人像肖像	人像细节优化
birefnet-dis	双目图像分割	双目视觉专用
birefnet-hrsod	高分辨率显著物体	大图物体检测
birefnet-cod	隐蔽物体检测	低对比度隐藏物体
birefnet-massive	超大数据集训练	复杂场景泛化强
bria-rmbg	商业级抠图	BRIA AI开发，细节优秀

七、环境变量配置

可通过系统环境变量自定义模型存储、推理行为：

U2NET_HOME：模型文件存储目录，优先级最高；默认 ~/.u2net
XDG_DATA_HOME：未配置U2NET_HOME时，数据根目录，默认用户根目录
MODEL_CHECKSUM_DISABLED=1：关闭模型哈希校验，使用自定义修改后的ONNX模型时开启
OMP_NUM_THREADS：设置ONNX推理线程数，控制CPU占用

八、自定义本地模型使用流程

设置环境变量关闭校验：MODEL_CHECKSUM_DISABLED=1
将转换/修改后的.onnx模型放入默认目录 ~/.u2net/，命名格式与原模型一致（如u2net.onnx）
运行rembg时会直接加载本地文件，不再自动下载官方模型

九、常见问题说明

Python版本兼容问题：库版本由onnxruntime支持的Python版本决定，仅支持3.11~3.13；
GPU加速失败：检查CUDA、cuDNN、onnxruntime-gpu版本匹配，无法配置显卡则切换CPU版本；
模型重复下载：配置U2NET_HOME固定模型路径，Docker部署挂载本地模型目录；
自定义模型加载失败：务必开启MODEL_CHECKSUM_DISABLED关闭校验。

转载自 CSDN-专业IT技术社区

原文链接：https://blog.csdn.net/xiaoma0529/article/details/162738732

Rembg 开源图像抠图工具全教程：Python/命令行/HTTP API/Docker部署+多模型选型