rembg మరియు U²-Net తో బ్యాక్‌గ్రౌండ్ రిమూవల్: ఒక పూర్తి, ప్రాక్టికల్ గైడ్

ఒక చిత్రం నుండి బ్యాక్‌గ్రౌండ్‌ను తొలగించడం అంటే ఒక ఎడిటర్‌ను తెరవడం, సబ్జెక్ట్ చుట్టూ ట్రేస్ చేయడం, మరియు అంచుల వద్ద చేతితో శుభ్రం చేయడం అని అర్థం. ఆగస్ట్ 7, 2026 నాటికి, మీరు దానిని ఒకే ఒక్క లైన్ కోడ్‌తో చేయవచ్చు — ఆఫ్‌లైన్‌లో, ఉచితంగా — ఒక ఓపెన్-సోర్స్ టూల్ కృషితో, దాని పేరే rembg మరియు ఇది ఆధారపడే డీప్-లెర్నింగ్ మోడల్, U²-Net. ఈ గైడ్ అవి ఒక్కొక్కటి ఏమిటో, అవి ఎలా కలిసి పనిచేస్తాయో వివరిస్తుంది మరియు మీరు ఈరోజు రన్ చేయగల కాపీ-పేస్ట్ ఉదాహరణలను మీకు అందిస్తుంది.

ఇప్పుడే ఎందుకు? బ్యాక్‌గ్రౌండ్ రిమూవల్ నిశ్శబ్దంగా ప్రతిచోటా ఉంది: వైట్ బ్యాక్‌గ్రౌండ్‌పై ఈ-కామర్స్ ప్రొడక్ట్ షాట్స్, ప్రొఫైల్ అవతార్‌లు, థంబ్‌నెయిల్స్, స్టిక్కర్ ప్యాక్‌లు, ID ఫోటోలు, ఇతర మోడల్స్ కోసం డేటాసెట్ ప్రిపరేషన్, మరియు యాప్ ఐకాన్‌లు. క్లౌడ్ APIలు ప్రతి చిత్రానికీ ఛార్జ్ చేస్తాయి మరియు మీ ఫోటోలను థర్డ్ పార్టీకి పంపుతాయి. rembg అదే పనిని స్థానికంగా చేస్తుంది, ఇది చౌకైనది, ప్రైవేట్ అయినది మరియు స్క్రిప్ట్ చేయదగినది.

సమస్య: బ్యాక్‌గ్రౌండ్ నుండి సబ్జెక్ట్‌ను వేరుచేయడం

ఈ టాస్క్ యొక్క సాంకేతిక నామం సేలియంట్ ఆబ్జెక్ట్ డిటెక్షన్ (SOD): ఒక చిత్రంలో దృశ్యపరంగా అత్యంత ప్రముఖమైన ఆబ్జెక్ట్‌ను ఏర్పరిచే పిక్సెల్స్‌ను కనుగొనడం. మీకు ప్రతి-పిక్సెల్‌కు సంబంధించిన "ఇదేనా సబ్జెక్ట్?" అనే మ్యాప్ లభించిన తర్వాత, బ్యాక్‌గ్రౌండ్ రిమూవల్ అనేది మిగిలిన వాటన్నింటినీ ట్రాన్స్‌పరెంట్‌గా మార్చడమే. కాబట్టి కష్టమైన భాగం చెరిపివేయడం కాదు — జుట్టు, ఉన్ని, మరియు అద్దం వంటి క్లిష్టమైన అంచుల చుట్టూ ఖచ్చితమైన మాస్క్‌ను ఉత్పత్తి చేయడమే.

U²-Net అంటే ఏమిటి?

U²-Net ("యూ-స్క్వేర్డ్ నెట్" అని ఉచ్ఛరిస్తారు) అనేది సేలియంట్ ఆబ్జెక్ట్ డిటెక్షన్ కోసం 2020లో ప్రచురించబడిన ఒక డీప్ న్యూరల్ నెట్‌వర్క్. దీని ముఖ్యమైన ఆలోచన ఒక నెస్ట్ చేయబడిన, రెండు-స్థాయిల U-స్ట్రక్చర్. ఒక క్లాసిక్ U-Net ఒక ఎన్‌కోడర్‌ను కలిగి ఉంటుంది, అది ఫీచర్లను నేర్చుకునేటప్పుడు చిత్రాన్ని కుదిస్తుంది, మరియు దానిని తిరిగి ఫుల్-రిజల్యూషన్ మాస్క్‌గా విస్తరించే ఒక డీకోడర్‌ను కలిగి ఉంటుంది. U²-Net ఒక చిన్న U-ఆకారపు బ్లాక్‌ను ఉంచుతుంది — దానినే రెసిడ్యువల్ U-బ్లాక్ (RSU) అంటారు — పెద్ద U-ఆకారపు నెట్‌వర్క్‌లోని ప్రతి దశ లోపల ఇది ఉంటుంది. ఆ "U లోపల U" నిర్మాణం, అది అసాధ్యంగా బరువుగా మారకుండా సూక్ష్మమైన వివరాలను మరియు భారీ-స్థాయి కాంటెక్స్ట్‌ను క్యాప్చర్ చేయడానికి అనుమతిస్తుంది.

దాని ఔట్‌పుట్ కలర్ ఇమేజ్ కాదు. అది ఒక గ్రేస్కేల్ సేలియెన్సీ మ్యాప్: ప్రతి పిక్సెల్ 0 (బ్యాక్‌గ్రౌండ్) నుండి 1 (సబ్జెక్ట్) వరకు ఒక విలువను పొందుతుంది. rembg ఆ మ్యాప్‌ను తీసుకుంటుంది, దానిని ఆల్ఫా ఛానల్గా ఉపయోగిస్తుంది, మరియు మీకు ఒక ట్రాన్స్‌పరెంట్ PNGని అందిస్తుంది.

రెండు సైజులు విస్తృతంగా వాడుకలో ఉన్నాయి:

• u2net — పూర్తి మోడల్, దాదాపు 176 MB, అత్యుత్తమ సాధారణ ఖచ్చితత్వం కోసం.
• u2netp — ఒక లైట్‌వెయిట్ వెర్షన్, 5 MB కంటే తక్కువ, చాలా వేగవంతమైనది మరియు చిన్నది, కొంచెం తక్కువ ఖచ్చితత్వం గలది.

rembg అంటే ఏమిటి?

rembg అనేది ఒక ఓపెన్-సోర్స్ (MIT-లైసెన్స్ పొందిన) Python టూల్ మరియు లైబ్రరీ, ఇది U²-Net — మరియు పలు సరికొత్త మోడల్స్ — ను ఒక అత్యంత సులభమైన ఇంటర్‌ఫేస్ వెనుక వ్రాప్ చేస్తుంది. ఇది మోడల్స్‌ను దీని ద్వారా రన్ చేస్తుంది ONNX రన్‌టైమ్, కాబట్టి ఇది సాధారణ CPU పై మరియు ఆప్షనల్‌గా GPU పై కూడా పనిచేస్తుంది. మొదటిసారి ఉపయోగించినప్పుడు ఇది మోడల్ వెయిట్స్‌ను ఒక్కసారి డౌన్‌లోడ్ చేస్తుంది మరియు వాటిని ఇందులో క్యాచ్ చేస్తుంది ~/.u2net/, ఆ తర్వాత ఇది పూర్తిగా ఆఫ్‌లైన్‌లో రన్ అవుతుంది.

దీనిని ఉపయోగించడానికి మీకు మూడు మార్గాలు ఉన్నాయి: ఒక కమాండ్-లైన్ టూల్, ఒక Python ఫంక్షన్, మరియు ఒక చిన్న HTTP సర్వర్.

దశ 1: ఇన్‌స్టాల్ చేయండి

# Library + command-line interface
pip install "rembg[cli]"

# Optional: GPU acceleration (needs a CUDA-capable setup)
pip install "rembg[gpu]"

మీరు ఏదైనా కమాండ్‌ను మొదటిసారి రన్ చేసినప్పుడు, rembg మోడల్‌ను ఇందులోకి తీసుకువస్తుంది ~/.u2net/ (ఒక-సమయం, డీఫాల్ట్ మోడల్ కోసం ~176 MB). ఆ తర్వాత అది ఆఫ్‌లైన్‌లో ఉంటుంది.

దశ 2: ఒక బ్యాక్‌గ్రౌండ్‌ను తొలగించండి

దీనిని ప్రయత్నించడానికి కమాండ్ లైన్ అత్యంత వేగవంతమైన మార్గం:

# One image: input can be JPG/PNG/WebP, output should be PNG (needs transparency)
rembg i photo.jpg photo-nobg.png

# A whole folder at once
rembg p ./input-images ./output-images

# Run it as a local HTTP service (great for apps)
rembg s
# then POST an image to http://localhost:7000/api/remove

Python API కూడా అంతే చిన్నది. PIL ఇమేజ్‌తో పనిచేయడం అత్యంత పరిశుభ్రమైన విధానం:

from rembg import remove
from PIL import Image

with Image.open("photo.jpg") as img:
    result = remove(img)          # returns an RGBA image with the background cut out
    result.save("photo-nobg.png") # PNG preserves transparency

మీరు రా బైట్స్‌ను (ఒక వెబ్ హ్యాండ్లర్ లేదా ఒక పైప్‌లైన్ కోసం) ఇష్టపడితే:

from rembg import remove

with open("photo.jpg", "rb") as src, open("photo-nobg.png", "wb") as dst:
    dst.write(remove(src.read()))

దశ 3: మరింత ముందుకు వెళ్ళండి — మోడల్స్, క్లీన్ ఎడ్జెస్, మరియు కొత్త బ్యాక్‌గ్రౌండ్స్

సరైన మోడల్‌ను ఎంచుకోండి

rembg పలు మోడల్స్‌కు సపోర్ట్ చేస్తుంది; మీరు దీనితో ఒకదానిని ఎంచుకోవచ్చు -m CLI పైన లేదా ఒక సెషన్ Pythonలో. విభిన్న మోడల్స్ విభిన్న సబ్జెక్ట్‌లకు సరిపోతాయి:

మోడల్	దీనికి ఉత్తమం	నోట్స్
u2net	సాధారణ ప్రయోజనం (డీఫాల్ట్)	సమతుల్యమైన ఖచ్చితత్వం, ~176 MB
u2netp	వేగం / తక్కువ మెమరీ	చిన్నది (<5 MB), కొద్దిగా కరుకుగా ఉంటుంది
u2net_human_seg	వ్యక్తులు / పోర్ట్రెయిట్స్	మానవ ఆకృతుల కోసం ట్యూన్ చేయబడింది
isnet-general-use	మరింత షార్ప్ అయిన సాధారణ మాస్క్స్	తరచుగా u2net కంటే పరిశుభ్రంగా ఉంటుంది
silueta	u2net ఖచ్చితత్వం, చిన్న సైజు	~43 MB డ్రాప్-ఇన్
birefnet-general	అత్యధిక క్వాలిటీ గల అంచులు	పెద్దది మరియు నెమ్మదైనది, జుట్టు పైన అద్భుతంగా పనిచేస్తుంది

# CLI: use the human-segmentation model
rembg i -m u2net_human_seg portrait.jpg portrait-nobg.png

# Python: reuse one session across many images (much faster in a batch)
from rembg import remove, new_session
from PIL import Image

session = new_session("isnet-general-use")
for name in ("a.jpg", "b.jpg", "c.jpg"):
    with Image.open(name) as img:
        remove(img, session=session).save(name.replace(".jpg", "-nobg.png"))

ఆల్ఫా మ్యాటింగ్‌తో ఫైన్ ఎడ్జ్‌లను క్లీన్ అప్ చేయండి

జుట్టు మరియు సాఫ్ట్ ఎడ్జ్‌ల వద్దే ఒక రా మాస్క్ కత్తెరతో కత్తిరించినట్లుగా కనిపిస్తుంది. rembg లో ఇన్‌బిల్ట్‌గా ఆల్ఫా మ్యాటింగ్ ఉంది, ఆ ట్రాన్సిషన్స్‌ను సాఫ్ట్ మరియు రిఫైన్ చేయడానికి:

from rembg import remove
from PIL import Image

with Image.open("hair.jpg") as img:
    result = remove(
        img,
        alpha_matting=True,
        alpha_matting_foreground_threshold=240,
        alpha_matting_background_threshold=10,
        alpha_matting_erode_size=10,
    )
    result.save("hair-nobg.png")

ఇది నెమ్మదిగా ఉంటుంది, కానీ పోర్ట్రెయిట్స్ మరియు బొచ్చు గల జంతువులపై దీని తేడా అద్భుతంగా ఉంటుంది.

బ్యాక్‌గ్రౌండ్‌ను తొలగించడానికి బదులుగా దానిని రీప్లేస్ చేయండి

ఒక ట్రాన్స్‌పరెంట్ PNG అనేది తరచుగా మొదటి దశ. సబ్జెక్ట్‌ను ఒక సాలిడ్ కలర్ పైన ఉంచడానికి (ఉదాహరణకు, ఒక వైట్ ఈ-కామర్స్ బ్యాక్‌గ్రౌండ్), దానిని కాంపోజిట్ చేయండి:

from rembg import remove
from PIL import Image

foreground = remove(Image.open("product.jpg"))          # RGBA subject
background = Image.new("RGBA", foreground.size, (255, 255, 255, 255))
Image.alpha_composite(background, foreground).convert("RGB").save("product-white.jpg")

రంగును మార్చండి, లేదా మరొక ఫోటోను బ్యాక్‌గ్రౌండ్‌గా ఉపయోగించండి, అంతే మీరు కొన్ని లైన్లలో పూర్తి కాంపోజిటింగ్ పైప్‌లైన్‌ను పొందుతారు.

ఒక నిజమైన ఉదాహరణ: ఒక ట్రాన్స్‌పరెంట్ ప్రొఫైల్ బ్యాడ్జ్

ఇక్కడ ఒక ఎండ్-టు-ఎండ్ సినారియో ఉంది. మీరు ఒక పోర్ట్రెయిట్‌ను ఒక గుండ్రటి, ట్రాన్స్‌పరెంట్ "బ్యాడ్జ్" గా మార్చాలనుకుంటున్నారని అనుకుందాం — వ్యక్తి కట్ చేయబడి, ఒక సర్కిల్‌లో ఫ్రేమ్ చేయబడి, మిగతాదంతా పారదర్శకంగా ఉండి, అది ఒక తేలియాడే స్టిక్కర్ లాగా కనిపించాలి.

from rembg import remove, new_session
from PIL import Image, ImageDraw

# 1. Cut out the person with the human model + alpha matting for clean hair edges
session = new_session("u2net_human_seg")
with Image.open("me.jpg") as img:
    cut = remove(img, session=session, alpha_matting=True).convert("RGBA")

# 2. Center-crop to a square
side = min(cut.size)
left, top = (cut.width - side) // 2, (cut.height - side) // 2
square = cut.crop((left, top, left + side, top + side))

# 3. Apply a circular mask so only a disc remains
mask = Image.new("L", square.size, 0)
ImageDraw.Draw(mask).ellipse((0, 0, side, side), fill=255)
square.putalpha(mask)

square.save("badge.png")  # transparent circular badge, ready to use

ఫోటో-ఆధారిత యాప్ ఐకాన్‌లు మరియు ప్రొఫైల్ బ్యాడ్జ్‌ల వెనుక ఉన్న ఖచ్చితమైన ప్యాటర్న్ అదే: rembg కష్టమైన పనిని చేస్తుంది (వ్యక్తిని కనుగొనడం), మరియు PIL యొక్క కొన్ని లైన్లు ఫ్రేమింగ్ చేస్తాయి.

ఇది ఎలా పనిచేస్తుంది, ఎండ్ టు ఎండ్

1. rembg మీ ఇమేజ్‌ను రీసైజ్ చేస్తుంది మరియు దానిని ONNX రన్‌టైమ్ ద్వారా U²-Net మోడల్‌కు ఫీడ్ చేస్తుంది.
2. U²-Net ఒక సేలియెన్సీ మ్యాప్‌ను ఔట్‌పుట్ చేస్తుంది — ఏ పిక్సెల్‌లు సబ్జెక్ట్ అయి ఉంటాయో అనే ఒక గ్రేస్కేల్ అంచనా.
3. rembg ఆ మ్యాప్‌ను తిరిగి అసలైన డైమెన్షన్స్‌కి రీసైజ్ చేస్తుంది మరియు దానిని ఆల్ఫా ఛానల్‌గా ఉపయోగిస్తుంది.
4. ఆప్షనల్‌గా, ఆల్ఫా మ్యాటింగ్ సబ్జెక్ట్ మరియు బ్యాక్‌గ్రౌండ్ మధ్య ఉన్న బౌండరీని రిఫైన్ చేస్తుంది.
5. బ్యాక్‌గ్రౌండ్ లేని ఒక RGBA ఇమేజ్ మీకు వస్తుంది.

పనితీరు మరియు ఆచరణాత్మక చిట్కాలు

• CPU పర్వాలేదు అప్పుడప్పుడు ఉపయోగించడానికి; సైజు మరియు మోడల్‌ను బట్టి ఇమేజ్‌కి దాదాపు ఒక సెకను లేదా కొన్ని సెకన్లు ఆశించవచ్చు. ఇన్‌స్టాల్ చేయండి rembg[gpu] మరియు బ్యాచ్‌ల కోసం CUDA సెటప్‌ను ఉపయోగించండి.
• ఒక సెషన్‌ను మళ్ళీ ఉపయోగించండి (new_session(...)) అనేక ఇమేజ్‌ల కోసం — దాన్ని సృష్టించడమే నెమ్మదైన భాగం, కాబట్టి దాన్ని ఒక్కసారి చేయండి.
• భారీ ఇన్‌పుట్‌లను డౌన్‌స్కేల్ చేయండి మీకు కేవలం వెబ్-సైజ్ రిజల్ట్ మాత్రమే అవసరమైతే ప్రాసెస్ చేయడానికి ముందు; ఇది వేగవంతమైనది మరియు మాస్క్ సాధారణంగా అంతే బాగుంటుంది.
• క్యాచ్ ఇక్కడ ఉంటుంది ~/.u2net/ — మీ డాకర్ ఇమేజ్‌లో మోడల్‌లను ముందే-డౌన్‌లోడ్ చేయండి, తద్వారా ప్రొడక్షన్ రన్‌టైమ్‌లో ఎప్పుడూ తీసుకురాదు.
• ఔట్‌పుట్ తప్పనిసరిగా PNG (లేదా WebP) ఉండాలి ట్రాన్స్‌పరెన్సీని ఉంచడానికి; JPG ట్రాన్స్‌పరెంట్ ప్రాంతాన్ని నలుపు రంగుతో నింపుతుంది.

2026లో ఇది ఎందుకు ముఖ్యం

U²-Net వంటి స్థానిక, ఓపెన్-సోర్స్ మోడల్స్ ఒకప్పుడు డిజైనర్ లేదా పెయిడ్ API అవసరమైన ఒక టాస్క్‌ను, స్క్రిప్ట్ చేయగల, ప్రైవేట్ అయిన, జీరో-కాస్ట్ దశగా మార్చాయి. అది బ్యాచ్ పైప్‌లైన్స్‌ను (రాత్రికి రాత్రే వేలాది ప్రొడక్ట్ ఇమేజ్‌లు), మీ ఫోటోలను ఎప్పటికీ అప్‌లోడ్ చేయని ఆన్-డివైస్ యాప్స్, మరియు అవతార్‌లు మరియు స్టిక్కర్ల వంటి క్రియేటివ్ ఆటోమేషన్‌ను అన్‌లాక్ చేస్తుంది. rembg ఆ సామర్థ్యానికి అనుకూలమైన ముందు తలుపు.

ముగింపు

rembg మీకు ఒకే లైన్‌లో ప్రొడక్షన్-గ్రేడ్ బ్యాక్‌గ్రౌండ్ రిమూవల్‌ను అందిస్తుంది, మరియు U²-Net అనేది లోపల అసలు పనిని చేస్తున్న సేలియంట్-ఆబ్జెక్ట్ మోడల్. డీఫాల్ట్‌తో ప్రారంభించండి u2net, దీనికి మారండి u2net_human_seg వ్యక్తుల కోసం, అంచులు ముఖ్యమైనప్పుడు ఆల్ఫా మ్యాటింగ్‌ను చేరుకోండి, మరియు మీకు కేవలం కట్-అవుట్ కంటే ఎక్కువ కావల్సినప్పుడు కొత్త బ్యాక్‌గ్రౌండ్ పైకి కాంపోజిట్ చేయండి.

ప్రయోజనాలు

• బ్యాక్‌గ్రౌండ్‌ను తొలగించడానికి ఒకే ఒక లైన్; ఉచితం మరియు ఓపెన్ సోర్స్ (MIT).
• ఆఫ్‌లైన్‌లో మరియు స్థానికంగా రన్ అవుతుంది — ప్రైవేట్ మరియు చౌకైనది, ఇమేజ్‌కి API ఫీజులు లేవు.
• విభిన్న సబ్జెక్ట్‌ల కోసం బహుళ మోడల్స్, దానితో పాటు ఫైన్ ఎడ్జ్‌ల కోసం ఆల్ఫా మ్యాటింగ్.
• ఒక CLI, ఒక Python లైబ్రరీ, లేదా ఒక HTTP సర్వర్‌గా పనిచేస్తుంది; CPU లేదా GPU.

లోపాలు

• మొదటిసారి రన్ చేసినప్పుడు ఒక పెద్ద మోడల్ డౌన్‌లోడ్ అవుతుంది (డీఫాల్ట్ కోసం ~176 MB).
• చాలా పెద్ద ఇమేజ్‌లు లేదా పెద్ద బ్యాచ్‌ల CPU ప్రాసెసింగ్ నెమ్మదిగా ఉండవచ్చు.
• చాలా సూక్ష్మమైన వివరాలకు (ఎగిరే జుట్టు, ట్రాన్స్‌పరెంట్ అద్దం) ఇప్పటికీ ఆల్ఫా మ్యాటింగ్ లేదా BiRefNet వంటి హెవీ మోడల్ అవసరం.
• ఏకైక స్పష్టమైన సబ్జెక్ట్ లేని అస్తవ్యస్తమైన దృశ్యాలపై ఖచ్చితత్వం పడిపోతుంది.

హెచ్చరిక

ఈ ఆర్టికల్ విద్యా ప్రయోజనాల కోసం. ఉదాహరణ ఫైల్ పేర్లు మరియు పాత్‌లను మీ స్వంత వాటితో రీప్లేస్ చేయండి, వాటిపై ఆధారపడటానికి ముందు ప్రస్తుత rembg డాక్యుమెంటేషన్‌తో మోడల్ పేర్లను వెరిఫై చేయండి, మరియు మీరు ప్రాసెస్ చేసే ఏవైనా ఇమేజ్‌ల కాపీరైట్ మరియు ప్రైవసీని గౌరవించండి. మోడల్ ప్రవర్తన మరియు ప్యాకేజ్ ఎంపికలు వెర్షన్‌ల మధ్య మారవచ్చు.

తరచుగా అడిగే ప్రశ్నలు

• rembg అంటే ఏమిటి? — డీప్-లెర్నింగ్ మోడల్స్, ప్రధానంగా U²-Net ఉపయోగించి ఇమేజ్ బ్యాక్‌గ్రౌండ్‌లను తొలగించే ఒక ఓపెన్-సోర్స్ Python టూల్ మరియు లైబ్రరీ.
• rembg డీఫాల్ట్‌గా ఏ మోడల్‌ను ఉపయోగిస్తుంది? — u2net, పూర్తి U²-Net సేలియంట్-ఆబ్జెక్ట్-డిటెక్షన్ మోడల్.
• U²-Net అంటే ఏమిటి? — నెస్ట్ చేయబడిన రెండు-స్థాయిల U-స్ట్రక్చర్ కలిగిన ఒక 2020 న్యూరల్ నెట్‌వర్క్, ఇది ఏ పిక్సెల్‌లు అత్యంత ప్రముఖమైన ఆబ్జెక్ట్‌కు చెందినవో అంచనా వేస్తుంది, మరియు ఒక సేలియెన్సీ మాస్క్‌గా ఔట్‌పుట్ ఇస్తుంది.
• rembg ఉచితం మరియు ఓపెన్ సోర్స్ అయినదా? — అవును, ఇది MIT-లైసెన్స్ పొందినది మరియు ఉపయోగించడానికి ఉచితం.
• నాకు GPU అవసరమా? — లేదు. ఇది ONNX రన్‌టైమ్ ద్వారా CPU పై రన్ అవుతుంది; ఒక GPU కేవలం పెద్ద బ్యాచ్‌లను వేగవంతం చేస్తుంది.
• జుట్టు చుట్టూ మరింత పరిశుభ్రమైన అంచులను నేను ఎలా పొందగలను? — దీనిని ఎనేబుల్ చేయండి alpha_matting=True, లేదా ఇలాంటి హై-క్వాలిటీ మోడల్‌ను ఉపయోగించండి isnet-general-use లేదా birefnet-general.
• వ్యక్తుల కోసం ఏ మోడల్ ఉత్తమమైనది? — u2net_human_seg, ఇది మానవ ఆకృతుల కోసం ట్యూన్ చేయబడింది.
• మోడల్స్ ఎక్కడ స్టోర్ చేయబడతాయి? — ఇందులో ~/.u2net/, మొదటిసారి ఉపయోగించినప్పుడు ఒకసారి డౌన్‌లోడ్ చేయబడతాయి మరియు తర్వాత ఆఫ్‌లైన్‌లో ఉపయోగించబడతాయి.

ట్యాగ్‌లు

#python #machine-learning #image-processing #rembg #u2net #computer-vision #deep-learning #background-removal #onnx #open-source