rembg 人像透明底抠图实践：3 个问题选定模型，4 类出图问题怎么修

rembg 人像透明底抠图实践：3 个问题选定模型，4 类出图问题怎么修

【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 是一个基于 ONNX 模型做图像背景移除的工具：输入一张 jpg 或 png，输出透明底抠图、纯掩码，或换成纯色底的证件照图。本文面向需要用它处理人像、证件照的同学，依次回答四个问题：该选哪个模型、最短链路怎么把第一张图跑出来、通用模型和人像模型的差别具体在哪、出图不满意时按什么顺序排查。

先回答 3 个问题：该用哪个模型

rembg 按名称加载模型会话（session_factory.py），完整清单在 README.md 的 Models 一节。看清单之前，先问自己三个问题：

🎯问题 1：对象是不是人？是，就直接用birefnet-portrait。这个模型专门针对人脸、发丝训练（实现见 rembg/sessions/birefnet_portrait.py），不用再看别人像类模型。

问题 2：要不要发丝级精度？要，且时间不敏感，就选推理较慢的 birefnet 系列；只是粗抠，选快的u2netp或u2net_human_seg。

问题 3：一次还是批量？一次性脚本直接调remove就行，默认模型够用；批量场景先看第 6 节的清单——模型选择是次要的，会话复用才是关键。

三个问题答不出来，就看这张精简表：

sam是给点提示的交互式抠图，不做交互式就先别碰它。

从零到出一张透明底图

6 行代码，可直接运行（仓库内有examples/girl-1.jpg可当输入）：

from PIL import Image from rembg import new_session, remove session = new_session("birefnet-portrait") # 首次运行会下载 .onnx 到 ~/.rembg/models/birefnet-portrait/ img = Image.open("examples/girl-1.jpg") out = remove(img, session=session) out.save("girl-1.png")

它在做什么：new_session构建模型会话，首次运行时自动下载权重，之后走本地缓存（缓存目录可用REMBG_HOME改位置）；remove推理出掩码并把它当 alpha 盖回原图。产物是一个 RGBA 透明底 PNG，落在你save指定路径的girl-1.png。

效果差在哪，怎么看出来

拿同一张输入图 examples/anime-girl-1.jpg 对比：

分别跑 u2net 和 birefnet-portrait，产物都在 tests/results/ 目录：

差异看两个部位。头发边缘：u2net 的掩码偏糊，发丝外圈残留一圈白色背景；birefnet-portrait 的轮廓更完整，发丝区干净。脚部：u2net 在鞋子区域没扣干净，轮廓断了；birefnet-portrait 的闭合更完整。产品、汽车这类硬边缘场景两者差别不大，人像特写场景这个差别直接决定能不能交付。

出图不满意时，按什么顺序排查

顺序是：先看掩码，再修边缘，最后调输出形态。默认行为是remove拿掩码直接叠 alpha（naive cutout），输出透明底。不满意时按现象逐个改：

边缘碎点、掩码上有小洞。原因是模型输出本身带噪点。开post_process_mask=True，它对掩码做开运算加高斯平滑再阈值化（见 rembg/bg.py），成本可忽略。碎点明显时开；准备配合decontaminate时别开——后处理会把掩码二值化，半透明像素没了，去色边也就没东西可修。

📷要纯色底的证件照。默认输出是透明底；需要白底/蓝底/红底时bgcolor=(255, 255, 255, 255)一步到位，省掉合成步骤。需求明确要底色时开；要透明底交付时不用开，因为底色是合上去的，改不回去。

只要掩码。only_mask=True跳过 cutout 步骤直接出掩码，是三种输出里最快的。用于自己后续合成，或上线前抽检。

🔧发丝还是糊、或者带一圈底色光晕。原因是软边缘像素在拍摄时就混入了背景色，直接置透明会把旧背景色留成边。按成本从低到高排查：先decontaminate=True（只重估前景颜色、不改覆盖范围，成本可忽略，可以整批开）；如果错的是边缘形状而不只是颜色，alpha_matting=True重算 alpha，明显更慢，求解器失败时会自动退回 decontaminate 结果；发丝极碎的用vitmatte=True，代价是首次多用时约 110MB 下载且比 alpha matting 更慢。规则：decontaminate 留给批量，alpha matting 和 vitmatte 留给少量要交付的图，批量慎用。

from PIL import Image from rembg import new_session, remove img = Image.open("examples/girl-1.jpg") session = new_session("birefnet-portrait") remove(img, session=session, post_process_mask=True).save("out_ppm.png") # 修边缘碎点 remove(img, session=session, bgcolor=(255, 255, 255, 255)).save("out_white.png") # 白底证件照 remove(img, session=session, only_mask=True).save("out_mask.png") # 只要掩码

批量跑与上线前，对照清单

• 会话复用：默认行为是每次remove都新建会话；批量时必须建一次传进去，否则每张图都付一次模型加载成本，这是最大的坑（USAGE.md 明确提示）。
• GPU 加速：pip install "rembg[gpu]"，onnxruntime-gpu 构建版本要按官方矩阵对齐 Python 版本：

上线后留意回退警告：CUDA 库缺失时 onnxruntime 会静默退回 CPU，推理慢 10-20 倍而代码不报错（rembg/sessions/base.py 里有专门检测）。

• 权重缓存：默认落在~/.rembg/models/<模型名>/；部署时用REMBG_HOME指向共享目录或挂载卷，并提前跑rembg d预下载，避免每台实例重复下几 GB 权重。
• 质量兜底：关键产出先用only_mask=True抽几张掩码检查看，没问题再出图；CLI 等价写法是rembg i -om。
• 许可：默认模型bria-rmbg的权重是 BRIA 许可，商用需付费协议；其余模型权重许可各自独立，商用前查一下对应源模型。

批量脚本参考：

import os from PIL import Image from rembg import new_session, remove session = new_session("birefnet-portrait") # 只加载一次 os.makedirs("out", exist_ok=True) for name in os.listdir("input"): if name.lower().endswith((".jpg", ".png")): img = Image.open(os.path.join("input", name)) remove(img, session=session).save(f"out/{name}")

rembg 的 API 面很小：模型选型加上面的边缘开关，基本覆盖人像抠图的常见需求；sam 交互式精修和云端后端不在本文范围。 自验材料：跑 tests/test_remove.py，对照 tests/results/ 里同一张输入图各模型的出图结果（逐模型 hash 比对）。

【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