用Rembg轻松移除图片背景：3步上手，5种模型挑选方式

用Rembg轻松移除图片背景：3步上手，5种模型挑选方式

【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

Rembg 是一个 Python 自动抠图（背景移除）库：给它一张照片，它还你一张透明 PNG，不用 PS、不用手动描边。如果你处理过电商产品图、换过证件照底色，这套工具能把原本半小时的活压缩到一行代码。

效果先看：产品图和人物图长这样

最典型的两个痛点场景：

• 电商产品图：商品摆在杂乱的桌面上，上架前得把背景"清"掉。手动抠车、抠鞋这种边缘清晰的物体反而最费时间。
• 人像/证件照：头发丝、耳朵轮廓这些地方手动选区永远扣不干净，而换底色又要求边缘半透明过渡自然。

下面这两组是仓库自带的样例，左是原图，右是 rembg 背景移除后的结果：

人物那张能放大看头发边缘——默认模型直接就能给出可用的半透明过渡，这是它和"二值化裁剪切"式工具最大的区别。

完整配置：三步跑通第一次背景移除

第 1 步：确认 Python 版本。rembg 要求 Python>=3.11, <3.14：

python --version

第 2 步：安装。没有独显就装 CPU 版，一行带cli的 extras 能同时拿到命令行工具：

pip install "rembg[cpu,cli]"

有 NVIDIA 卡且确认系统支持 onnxruntime-gpu（对照仓库里的安装矩阵图）再装rembg[gpu,cli]：

第 3 步：跑最小示例。新建demo.py：

from rembg import remove from PIL import Image with Image.open("input.jpg") as im: cutout = remove(im) # 关键：默认用 u2net 模型抠图 cutout.save("input.out.png")

python demo.py执行后，input.out.png就是一张背景全透明的 PNG。注意第一次运行会自动把 u2net 模型下载到~/.u2net/，所以首跑会有明显的下载等待，属于正常现象。不想写代码也行，装完 cli 直接rembg i input.jpg out.png就能得到同样的结果。

按场景挑模型：5 种常见情况对应表

remove()不传 session 时固定用u2net。想换模型，用new_session("模型名")指定即可。按"你手里是什么图"来挑：

完整实现都在 rembg/sessions/ 目录下，每个模型一个文件，名字和上表一一对应。动漫图想自己对比效果，可以看 tests/results/ 里同一张图跑不同模型的结果：

批量处理与 4 条提速建议 💡

处理几十上百张图时，速度瓶颈往往不在单张推理，而在重复加载模型和 I/O：

1. 复用 session。加载一次模型，循环里反复用。这是收益最大的一条：

from pathlib import Path from rembg import remove, new_session session = new_session("u2netp") # 模型只加载这一次 for f in Path("photos").glob("*.jpg"): remove(f.read_bytes(), session=session).write(f"{f.stem}.out.png")

入参是 bytes 时remove直接返回 bytes，所以能用.write()一步落盘，省掉 PIL 的中间转换。

2. 线程数交给环境变量。new_session会读取OMP_NUM_THREADS并应用到 ONNX Runtime，机器核少就显式设小，比如OMP_NUM_THREADS=4 python demo.py，避免线程调度吃掉收益。
3. 图大就先缩。6000px 的原图对内存很不友好，非交付用途先降到 2048 边长以内再抠。
4. 纯文件批处理直接用 CLI。不想写脚本时，rembg p 输入目录 输出目录就能批量跑，加-w还能开 watch 模式自动处理新放进来的图。

3 个进阶用法：修边、补底色、出掩码

alpha matting——解决毛边和发丝。默认抠图在毛发、羽毛这类半透明区域会有锯齿。打开 matting 后 rembg 会用 trimap 重新估计 alpha 通道（实现见 rembg/bg.py）：

cutout = remove( im, alpha_matting=True, alpha_matting_foreground_threshold=240, alpha_matting_background_threshold=10, alpha_matting_erode_size=10, )

三个阈值都是 0-255 的灰度判断线：前景阈值之上的像素认定为"肯定是前景"，背景阈值之下认定为"肯定是背景"，中间交给算法估。动物这种带毛发的对象效果提升最明显：

bgcolor 直接换底色——解决"交付要 RGB 不要透明"。很多需求不是要透明图，而是要白底商品图或蓝底证件照。传一个 RGBA 元组就能省掉二次合成：

session = new_session("birefnet-portrait") remove(im, session=session, bgcolor=(67, 142, 219, 255)).save("id-photo.png")

最后一行把抠图和填蓝底一次完成，(67, 142, 219, 255)是常见的证件照蓝。

only_mask——只要前景掩码。下游流程（合成、检测、训练数据）有时不需要成品图，只要一张白色前景、黑色背景的灰度掩码：

mask = remove(im, only_mask=True) mask.save("mask.png")

only_mask=True会让remove跳过合成步骤直接返回模型输出的二值图，速度也更快。

5 个高频问题：现象、原因与解法 🔧

1. 现象：import rembg时报No onnxruntime backend found。原因：只装了基础包，onnxruntime 运行时没装进来。解法：按硬件重装，CPU 用pip install "rembg[cpu]"，NVIDIA 用rembg[gpu]。

2. 现象：首次运行卡住或模型下载失败。原因：模型从远端自动下载到~/.u2net/，网络不稳就会中断。解法：重跑脚本会续传/重试；持续失败就按 README.md 的 Models 一节手动下载对应.onnx文件放进~/.u2net/。

3. 现象：装了rembg[gpu]却不生效或报错。原因：NVIDIA GPU 需要配套的 CUDA 和 cudnn-devel，光有驱动不够。解法：对照前文的 onnxruntime 安装矩阵确认系统版本，缺依赖就退回rembg[cpu]，功能完全不受影响。

4. 现象：处理大图时内存溢出或机器假死。原因：高分辨率原图 × 大模型，中间张量体积成倍放大。解法：换轻量模型（u2netp、silueta），或先把图缩到工作分辨率再抠。

5. 现象：ValueError: No session class found for model 'xxx'。原因：模型名拼写错——注意 BiRefNet 系列用连字符（birefnet-general），而u2net_cloth_seg这类是下划线。解法：到 rembg/sessions/ 目录核对文件名，名字以各文件里name()的返回值为准。

接下来：花 10 分钟跑个小任务

到这里你已经掌握了 rembg 背景移除的核心链路：装包、三步跑通、按场景挑模型、批量提速和三个进阶开关。完整参数和更多用法继续看 README.md 与 USAGE.md。

现在就动手吧：从 examples/ 里挑一张没被本文用过的图（比如examples/car-3.jpg），用birefnet-general模型抠出来存成 PNG，再换个bgcolor存一张白底版——两张图做完，你今天学到的东西就都落地了。

【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