rembg 项目整理：本地图片背景移除工具

Sun, 19 Apr 2026 08:51:45 +0800

rembg 是一个图片背景移除工具，可以作为命令行工具、Python 库、HTTP 服务或 Docker 容器使用。它的定位很直接：输入一张图，输出带透明通道的前景图，适合产品图、头像、素材批处理和自动化图片处理流程。

这类工具最大的好处是可以本地跑。对于不想把原图上传到在线抠图服务、需要批量处理图片，或者想把背景移除接进脚本和业务系统的人来说，rembg 比网页工具更容易自动化。

01 安装方式

当前版本要求 Python >=3.11,<3.14。安装时需要按硬件选择后端：

`1`	`pip install "rembg[cpu]"`

如果需要命令行工具，加上 cli：

`1`	`pip install "rembg[cpu,cli]"`

NVIDIA CUDA 环境可以安装 GPU 版本：

`1`	`pip install "rembg[gpu,cli]"`

AMD ROCm 环境则需要先按 ROCm 官方方式装好 onnxruntime-rocm，再安装：

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

GPU 版本的坑通常不在 rembg 本身，而在 onnxruntime-gpu、CUDA、cuDNN 和驱动版本是否匹配。装不起来时，先用 CPU 版本确认流程可用，再处理 GPU 环境，会少走很多弯路。

02 CLI 子命令

安装 CLI 后，终端里可以直接使用 rembg。它主要有 4 个子命令：

i：处理单个文件。
p：处理整个文件夹。
s：启动 HTTP 服务。
b：处理 RGB24 像素二进制流，常用于配合 FFmpeg。

查看帮助：

1
2

rembg --help
rembg i --help

处理单张本地图片：

`1`	`rembg i input.png output.png`

从远程图片管道输入：

`1`	`curl -s http://input.png \| rembg i > output.png`

指定模型：

`1`	`rembg i -m u2netp input.png output.png`

只输出 mask：

`1`	`rembg i -om input.png mask.png`

开启 alpha matting：

`1`	`rembg i -a input.png output.png`

-a 对头发、毛边、半透明边缘有时更自然，但速度会慢一些，也不是所有图片都能明显改善。

03 批量处理文件夹

批处理是 rembg 很实用的地方。把原图放到一个目录，输出到另一个目录：

`1`	`rembg p path/to/input path/to/output`

监听目录变化，自动处理新增或修改的图片：

`1`	`rembg p -w path/to/input path/to/output`

这个模式适合和下载脚本、商品图整理、素材文件夹配合使用。比如把待处理图片丢进 input，由 rembg 自动生成透明 PNG 到 output。

04 作为 Python 库调用

如果要接入自己的脚本，最简单的方式是用 remove：

from rembg import remove

with open("input.png", "rb") as i:
    with open("output.png", "wb") as o:
        input_data = i.read()
        output_data = remove(input_data)
        o.write(output_data)

也可以直接处理 PIL 图片：

from rembg import remove
from PIL import Image

input_image = Image.open("input.png")
output_image = remove(input_image)
output_image.save("output.png")

批量处理时建议复用 session，避免每张图片都重新初始化模型：

from pathlib import Path
from rembg import remove, new_session

session = new_session()

for file in Path("input").glob("*.png"):
    output = file.parent / f"{file.stem}.out.png"
    with open(file, "rb") as i:
        with open(output, "wb") as o:
            o.write(remove(i.read(), session=session))

如果你要做一个长期运行的图片处理服务，session 复用比反复调用命令行更合适。

05 启动 HTTP 服务

rembg 也可以直接启动 HTTP 服务：

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

启动后可以访问：

`1`	`http://localhost:7000/api`

通过 URL 移除背景：

`1`	`curl -s "http://localhost:7000/api/remove?url=http://input.png" -o output.png`

上传本地图片：

`1`	`curl -s -F file=@input.jpg "http://localhost:7000/api/remove" -o output.png`

如果只需要 API，不需要 Gradio UI，可以关闭 UI 以降低空闲 CPU 占用：

`1`	`rembg s --no-ui`

服务模式适合给内网工具、自动化流程或其他应用调用。但它不是完整的图片资产管理系统，鉴权、限流、队列、文件清理这些仍然需要自己在外层补。

06 Docker 运行

CPU 版本可以直接用官方镜像：

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

CUDA 加速需要主机安装 NVIDIA Container Toolkit，并且通常需要自己基于项目里的 Dockerfile_nvidia_cuda_cudnn_gpu 构建镜像：

`1`	`docker build -t rembg-nvidia-cuda-cudnn-gpu -f Dockerfile_nvidia_cuda_cudnn_gpu .`

运行示例：

docker run --rm -it --gpus all \
  -v /dev/dri:/dev/dri \
  -v $PWD:/data \
  rembg-nvidia-cuda-cudnn-gpu \
  i -m birefnet-general /data/input.png /data/output.png

官方 README 提醒，GPU 镜像体积会明显大于 CPU 镜像，而且模型文件不包含在镜像里。为了避免重复下载模型，可以把模型目录挂载出来：

`1`	`docker run -v /path/to/models:/root/.u2net ...`

07 模型选择

rembg 首次使用模型时，会自动下载到 ~/.u2net/。常见模型包括：

u2net：通用模型，适合一般场景。
u2netp：轻量版本，速度和体积更友好。
u2net_human_seg：偏人物分割。
u2net_cloth_seg：偏服装解析。
silueta：类似 u2net，但体积更小。
isnet-general-use：通用场景的新模型。
isnet-anime：偏动漫角色分割。
birefnet-general：README 示例中用于通用图片的模型。
sam：可配合提示点等额外参数使用。

实际使用时，不建议只看模型名字。产品图、人物、二次元图、复杂背景、透明物体，对模型的要求都不一样。比较稳的做法是选一批代表性图片，用几个模型跑一轮，看边缘、漏抠、误抠和速度，再决定默认模型。

如果要使用自定义 .onnx 模型，可以把文件放到默认模型目录 ~/.u2net/，并在需要时设置：

`1`	`MODEL_CHECKSUM_DISABLED=1`

这样可以避免 rembg 因校验逻辑覆盖你放进去的模型文件。

08 适合哪些场景

rembg 很适合这些任务：

批量生成透明背景产品图。
给头像、证件照、素材图做前景提取。
把抠图接入 Python 脚本或后端服务。
在内网部署一个简单的背景移除 API。
用 FFmpeg 管道处理视频帧或序列帧。
对隐私或素材版权敏感，不想上传到第三方在线服务。

它不太适合这些情况：

需要人工级精修边缘和复杂透明材质。
对每张图都要稳定商业摄影级质量。
想要完整在线设计工具，而不是抠图能力。
没有 Python / Docker 环境维护能力。
GPU 驱动、CUDA、ROCm 环境已经很混乱，又急着上线。

09 使用建议

如果只是偶尔处理图片，CPU 版本就够了：

`1`	`pip install "rembg[cpu,cli]"`

如果要批量处理几千张图，优先考虑：

复用 Python session。
固定模型目录，避免重复下载。
用 SSD 存放输入输出和模型文件。
先小批量测试模型效果。
再决定是否折腾 GPU 加速。

GPU 的价值主要在批量吞吐。单张图片偶尔处理时，环境安装成本可能比省下的时间更贵。尤其是 Windows、CUDA、cuDNN、onnxruntime-gpu 版本不匹配时，CPU 版本反而更省心。

10 简短判断

rembg 的优点是简单、开源、形态灵活：命令行能跑，Python 能接，HTTP 能调，Docker 能封装。它很适合做“本地自动抠图”的基础组件。

但它不是魔法橡皮擦。背景复杂、主体边缘细碎、透明材质、阴影保留、商业级精修，都可能需要人工或更专门的流程补充。把它放在批量自动化里时，最好预留人工复检或失败样本回收机制。

如果目标是快速给一批图片去背景，并且希望流程留在本地，rembg 值得放进工具箱。

Rembg on KnightLi的博客