rembg 專案整理：本地圖片背景移除工具

Sun, 19 Apr 2026 08:56:01 +0800

rembg 是一個圖片背景移除工具，可以作為命令列工具、Python 函式庫、HTTP 服務或 Docker 容器使用。它的定位很直接：輸入一張圖，輸出帶透明通道的前景圖，適合產品圖、頭像、素材批次處理和自動化圖片處理流程。

這類工具最大的好處是可以本地跑。對於不想把原圖上傳到線上去背服務、需要批次處理圖片，或者想把背景移除接進腳本和業務系統的人來說，rembg 比網頁工具更容易自動化。

01 安裝方式

目前版本要求 Python >=3.11,<3.14。安裝時需要按硬體選擇後端：

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

如果需要命令列工具，加上 cli：

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

NVIDIA CUDA 環境可以安裝 GPU 版本：

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

AMD ROCm 環境則需要先按 ROCm 官方方式裝好 onnxruntime-rocm，再安裝：

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

GPU 版本的坑通常不在 rembg 本身，而在 onnxruntime-gpu、CUDA、cuDNN 和驅動版本是否匹配。裝不起來時，先用 CPU 版本確認流程可用，再處理 GPU 環境，會少走很多彎路。

02 CLI 子命令

安裝 CLI 後，終端機裡可以直接使用 rembg。它主要有 4 個子命令：

i：處理單個檔案。
p：處理整個資料夾。
s：啟動 HTTP 服務。
b：處理 RGB24 像素二進位流，常用於配合 FFmpeg。

查看說明：

1
2

rembg --help
rembg i --help

處理單張本地圖片：

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

從遠端圖片管道輸入：

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

指定模型：

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

只輸出 mask：

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

開啟 alpha matting：

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

-a 對頭髮、毛邊、半透明邊緣有時更自然，但速度會慢一些，也不是所有圖片都能明顯改善。

03 批次處理資料夾

批次處理是 rembg 很實用的地方。把原圖放到一個目錄，輸出到另一個目錄：

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

監聽目錄變化，自動處理新增或修改的圖片：

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

這個模式適合和下載腳本、商品圖整理、素材資料夾配合使用。比如把待處理圖片丟進 input，由 rembg 自動產生透明 PNG 到 output。

04 作為 Python 函式庫呼叫

如果要接入自己的腳本，最簡單的方式是用 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)

也可以直接處理 PIL 圖片：

from rembg import remove
from PIL import Image

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

批次處理時建議複用 session，避免每張圖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))

如果你要做一個長期執行的圖片處理服務，session 複用比反覆呼叫命令列更合適。

05 啟動 HTTP 服務

rembg 也可以直接啟動 HTTP 服務：

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

啟動後可以存取：

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

透過 URL 移除背景：

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

上傳本地圖片：

`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，可以關閉 UI 以降低空閒 CPU 佔用：

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

服務模式適合給內網工具、自動化流程或其他應用呼叫。但它不是完整的圖片資產管理系統，鑑權、限流、佇列、檔案清理這些仍然需要自己在外層補。

06 Docker 執行

CPU 版本可以直接用官方映像：

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

CUDA 加速需要主機安裝 NVIDIA Container Toolkit，並且通常需要自己基於專案裡的 Dockerfile_nvidia_cuda_cudnn_gpu 建構映像：

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

執行範例：

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 映像體積會明顯大於 CPU 映像，而且模型檔案不包含在映像裡。為了避免重複下載模型，可以把模型目錄掛載出來：

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

07 模型選擇

rembg 首次使用模型時，會自動下載到 ~/.u2net/。常見模型包括：

u2net：通用模型，適合一般場景。
u2netp：輕量版本，速度和體積更友好。
u2net_human_seg：偏人物分割。
u2net_cloth_seg：偏服裝解析。
silueta：類似 u2net，但體積更小。
isnet-general-use：通用場景的新模型。
isnet-anime：偏動漫角色分割。
birefnet-general：README 範例中用於通用圖片的模型。
sam：可配合提示點等額外參數使用。

實際使用時，不建議只看模型名字。產品圖、人物、二次元圖、複雜背景、透明物體，對模型的要求都不一樣。比較穩的做法是選一批代表性圖片，用幾個模型跑一輪，看邊緣、漏摳、誤摳和速度，再決定預設模型。

如果要使用自訂 .onnx 模型，可以把檔案放到預設模型目錄 ~/.u2net/，並在需要時設定：

`1`	`MODEL_CHECKSUM_DISABLED=1`

這樣可以避免 rembg 因校驗邏輯覆蓋你放進去的模型檔案。

08 適合哪些場景

rembg 很適合這些任務：

批次產生透明背景產品圖。
給頭像、證件照、素材圖做前景提取。
把去背接入 Python 腳本或後端服務。
在內網部署一個簡單的背景移除 API。
用 FFmpeg 管道處理影片幀或序列幀。
對隱私或素材版權敏感，不想上傳到第三方線上服務。

它不太適合這些情況：

需要人工級精修邊緣和複雜透明材質。
對每張圖都要穩定商業攝影級品質。
想要完整線上設計工具，而不是去背能力。
沒有 Python / Docker 環境維護能力。
GPU 驅動、CUDA、ROCm 環境已經很混亂，又急著上線。

09 使用建議

如果只是偶爾處理圖片，CPU 版本就夠了：

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

如果要批次處理幾千張圖，優先考慮：

複用 Python session。
固定模型目錄，避免重複下載。
用 SSD 存放輸入輸出和模型檔案。
先小批次測試模型效果。
再決定是否折騰 GPU 加速。

GPU 的價值主要在批次吞吐。單張圖片偶爾處理時，環境安裝成本可能比省下的時間更貴。尤其是 Windows、CUDA、cuDNN、onnxruntime-gpu 版本不匹配時，CPU 版本反而更省心。

10 簡短判斷

rembg 的優點是簡單、開源、形態靈活：命令列能跑，Python 能接，HTTP 能調，Docker 能封裝。它很適合做「本地自動去背」的基礎元件。

但它不是魔法橡皮擦。背景複雜、主體邊緣細碎、透明材質、陰影保留、商業級精修，都可能需要人工或更專門的流程補充。把它放在批次自動化裡時，最好預留人工複檢或失敗樣本回收機制。

如果目標是快速給一批圖片去背景，並且希望流程留在本地，rembg 值得放進工具箱。

背景移除 on KnightLi的博客