使用 rembg 和 U²-Net 移除背景：完整的实用指南

移除图像背景过去意味着打开编辑器，勾勒出主体的轮廓，并手工清理边缘。截至 2026 年 8 月 7 日，你可以用一行代码完成这项工作 —— 离线且免费 —— 这要归功于一个名为 rembg 的开源工具，以及它所依赖的深度学习模型， U²-Net。本指南解释了它们各自是什么，它们如何结合，并为你提供今天就可以运行的复制粘贴示例。

为什么是现在？背景移除正悄然无处不在：白色背景上的电子商务产品拍摄、个人资料头像、缩略图、贴纸包、证件照、用于其他模型的数据集准备，以及应用程序图标。云 API 按每张图像收费，并将你的图片发送给第三方。rembg 在本地完成同样的工作，更便宜、私密且可编写脚本。

问题：将主体与背景分离

这项任务的技术名称是 显著对象检测 (SOD)：找到构成图像中视觉上最突出对象的像素。一旦你有了那个每像素“这是主体吗？”的映射，移除背景就只是将其他所有内容变为透明。所以困难的部分不是擦除 —— 而是产生一个准确的遮罩，尤其是在像头发、毛皮和玻璃这样棘手的边缘周围。

U²-Net 是什么？

U²-Net（发音为 "U-squared Net"）是 2020 年发布的一个用于显著对象检测的深度神经网络。它的核心思想是一个 嵌套的、两级 U 型结构。经典的 U-Net 有一个在学习特征时缩小图像的编码器，以及一个将其扩展回全分辨率遮罩的解码器。U²-Net 将一个小的 U 型块 —— 称为 残差 U 块 (ReSidual U-block, RSU) —— 放在更大的 U 型网络的每个阶段中。那种“U 中的 U”让它能够捕捉到精细的细节和大规模的上下文，而不会变得重得令人无法接受。

输出的不是彩色图像。它是一个灰度 显著性图 (saliency map)：每个像素得到一个从 0（背景）到 1（主体）的值。rembg 获取该图，将其用作 alpha 通道，并交给你一张透明的 PNG。

有两种尺寸广泛发布：

• u2net —— 完整模型，约 176 MB，具有最佳的整体准确度。
• u2netp —— 轻量级版本，小于 5 MB，速度更快、体积更小，精确度略低。

rembg 是什么？

rembg 是一个开源（MIT 许可）的 Python 工具和库，它将 U²-Net —— 以及几个较新的模型 —— 封装在一个极其简单的接口后面。它通过 ONNX Runtime运行模型，所以它可以在普通的 CPU 上工作，也可以选择在 GPU 上工作。首次使用时，它会下载模型权重一次并将它们缓存在 ~/.u2net/，之后就可以完全离线运行。

你有三种使用方式：命令行工具、Python 函数和一个小型 HTTP 服务器。

步骤 1：安装

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

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

第一次运行任何命令时，rembg 会将模型抓取到 ~/.u2net/ （一次性，默认模型约 176 MB）。之后它是离线的。

步骤 2：移除背景

命令行是尝试它的最快方式：

# 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 也同样简短。使用 PIL 图像进行工作是最干净的方法：

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

如果你更喜欢原始字节（对于 Web 处理程序或管道）：

from rembg import remove

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

步骤 3：更进一步 —— 模型、干净的边缘和新背景

选择合适的模型

rembg 支持多种模型；你可以使用 -m 在 CLI 或 会话 (session) 在 Python 中选择一个。不同的模型适合不同的主体：

模型	最适合	备注
u2net	通用（默认）	平衡的准确度，约 176 MB
u2netp	速度 / 低内存	微型（<5 MB），略微粗糙
u2net_human_seg	人物 / 肖像	为人物图像进行了调优
isnet-general-use	更清晰的通用遮罩	通常比 u2net 更干净
silueta	u2net 准确度，体积更小	约 43 MB 直接替换
birefnet-general	最高质量边缘	更大且更慢，在头发上表现极佳

# 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"))

使用 alpha matting 清理细微边缘

头发和柔和的边缘是原始遮罩看起来像被剪刀剪掉的地方。rembg 具有内置的 alpha matting 来柔化和细化那些过渡：

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")

它更慢，但在肖像和毛茸茸的动物上的区别是戏剧性的。

替换背景而不是移除它

透明 PNG 通常是第一步。要将主体放在纯色上（例如，白色电子商务背景），对其进行合成：

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")

交换颜色，或者使用另一张照片作为背景，你就会在几行代码中拥有一个完整的合成管道。

一个真实示例：透明的个人资料徽章

这是一个端到端的场景。假设你想将肖像变成一个圆形的透明“徽章” —— 人物被剪裁出来，框在一个圆圈里，其他所有东西都是透明的，所以它看起来像一个漂浮的贴纸。

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

这正是基于照片的应用程序图标和个人资料徽章背后的精确模式：rembg 承担繁重的工作（找到人物），几行 PIL 完成构图。

它如何工作，端到端

1. rembg 调整图像大小，并通过 ONNX Runtime 将其馈送给 U²-Net 模型。
2. U²-Net 输出一个显著性图 —— 一个猜测哪些像素是主体的灰度图。
3. rembg 将该图调整回原始尺寸，并将其用作 alpha 通道。
4. 可选地，alpha matting 会细化主体和背景之间的边界。
5. 你会得到一张背景已经消失的 RGBA 图像。

性能和实用技巧

• CPU 已经足够 供偶尔使用；预计每张图像大约需要一秒钟或几秒钟，具体取决于大小和模型。安装 rembg[gpu] 并使用 CUDA 设置进行批处理。
• 重复使用会话 (new_session(...)）处理许多图像 —— 创建它才是缓慢的部分，所以只需做一次。
• 缩小巨大的输入 在处理之前，如果你只需要一个网页大小的结果；它更快，并且遮罩通常一样好。
• 缓存位于 ~/.u2net/ —— 在你的 Docker 镜像中预下载模型，这样生产环境就永远不会在运行时获取。
• 输出必须是 PNG（或 WebP） 以保持透明度；JPG 会用黑色填充透明区域。

为什么在 2026 年这很重要

像 U²-Net 这样本地的、开源的模型已经让一项曾经需要设计师或付费 API 的任务，变成了一个可编写脚本、私密且零成本的步骤。这解锁了批处理管道（隔夜处理成千上万的产品图像）、永远不上传你的照片的设备端应用，以及像头像和贴纸这样的创意自动化。rembg 是通往这种能力的友好的前门。

结论

rembg 让你在一行代码中获得生产级的背景移除，而 U²-Net 则是底层进行真正工作的显著对象模型。从默认的 u2net开始，切换到 u2net_human_seg 用于人物，当边缘重要时使用 alpha matting，当需要的不止是剪裁时合成到新背景上。

优点

• 一行代码移除背景；免费且开源 (MIT)。
• 离线且本地运行 —— 私密且便宜，没有按图像计费的 API 费用。
• 针对不同主体的多种模型，加上针对细微边缘的 alpha matting。
• 可作为 CLI、Python 库或 HTTP 服务器运行；CPU 或 GPU。

缺点

• 第一次运行会下载一个大模型（默认模型约 176 MB）。
• 非常大的图像或大批量的 CPU 处理可能会很慢。
• 非常精细的细节（飘逸的头发、透明玻璃）仍然需要 alpha matting 或像 BiRefNet 这样更重的模型。
• 在没有单一清晰主体的杂乱场景中准确度会下降。

注意

本文仅用于教育目的。请用你自己的替换示例文件名和路径，在依赖模型之前对照当前的 rembg 文档验证模型名称，并尊重你处理的任何图像的版权和隐私。模型行为和包选项可能会在版本之间发生变化。

常见问题

• rembg 是什么？ —— 一个开源的 Python 工具和库，使用深度学习模型（主要是 U²-Net）移除图像背景。
• rembg 默认使用什么模型？ — u2net，完整的 U²-Net 显著对象检测模型。
• U²-Net 是什么？ —— 一个 2020 年的神经网络，具有嵌套的两级 U 型结构，它预测哪些像素属于最突出的对象，作为显著性遮罩输出。
• rembg 是免费和开源的吗？ —— 是的，它是 MIT 许可的，可以免费使用。
• 我需要 GPU 吗？ —— 不需要。它通过 ONNX Runtime 在 CPU 上运行；GPU 只是让大批量处理更快。
• 如何在头发周围获得更干净的边缘？ —— 启用 alpha_matting=True，或者使用更高质量的模型，如 isnet-general-use 或 birefnet-general.
• 哪个模型最适合人物？ — u2net_human_seg，它是针对人物图像进行调优的。
• 模型存储在哪里？ —— 在 ~/.u2net/，首次使用时下载一次，然后离线使用。

标签

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