rembg

rembg — Python-библиотека с открытым исходным кодом для автоматического удаления фона с изображений. Лицензия MIT, исходный код на GitHub (github.com/danielgatis/rembg). Использует нейросетевые модели сегментации через ONNX Runtime, что обеспечивает кроссплатформенность: CPU, CUDA (NVIDIA GPU), CoreML (Apple Silicon), DirectML (Windows GPU). На 2026 год — одна из самых популярных open-source библиотек для задачи удаления фона, более 16 000 звёзд на GitHub.

История и версии rembg

Первая версия rembg (2020) была построена на модели U²-Net — рекурсивной нейросети от Xuebin Qin et al. (2020). U²-Net давала хорошие результаты на однородных фонах, но заметно теряла качество на волосах и сложных текстурах. F-measure на DIS5K: ~0.87.

В 2022–2023 годах библиотека получила поддержку нескольких моделей через параметр -m: u2net, u2net_human_seg, silueta. В 2024 году, с публикацией BiRefNet и BRIA RMBG, rembg добавил их как birefnet-general, birefnet-portrait, birefnet-hrsod, isnet-general-use, isnet-anime.

Поддерживаемые модели в rembg 2.x

• u2net — общая сегментация, быстрая, F-measure ~0.87, размер 176 МБ
• u2net_human_seg — оптимизирована для людей, лучшая работа с волосами
• silueta — лёгкая (43 МБ), CPU-friendly, для embedded-устройств
• isnet-general-use — IS-Net, F-measure ~0.89, баланс качества и скорости
• isnet-anime — оптимизирована под аниме-арт и иллюстрации
• birefnet-general — BiRefNet General, F-measure 0.934
• birefnet-portrait — BiRefNet, дообучена на портретах, лучше волосы
• birefnet-hrsod — High-Resolution Salient Object Detection
• sam — Segment Anything (требует bounding box prompt)

Установка и базовое использование

# Установка с поддержкой GPU (CUDA 12.x)
pip install rembg[gpu]
# или без GPU (только CPU)
pip install rembg

# CLI: удалить фон из файла
rembg i -m birefnet-general input.jpg output.png

# CLI: пакетная обработка папки
rembg p -m birefnet-general ./input_folder/ ./output_folder/

# Python API
from rembg import remove, new_session
from PIL import Image

session = new_session("birefnet-general")  # загрузка модели один раз
img = Image.open("product.jpg")
result = remove(img, session=session)
result.save("product_no_bg.png")

Как rembg используется в Panda AI

Panda AI использует rembg как обёртку над BiRefNet с расширенным pipeline постобработки:

1. rembg выполняет сегментацию, возвращает RGBA PIL Image
2. Кастомный alpha refinement: edge-aware Gaussian blur на alpha-channel в зонах неопределённости (0 < alpha < 255)
3. При включённом флаге alpha_refinement=true — дополнительный проход через FBA Matting для волос и меха
4. Sharp (Node.js) применяет финальную компрессию PNG/WebP — выбор формата зависит от настроек (см. PNG vs WebP)

Вся обработка выполняется на выделенных GPU. Сессия rembg загружается один раз при старте воркера и держится в памяти GPU — это исключает задержку 2–5 секунд на загрузку модели для каждого запроса.

rembg vs специализированные API

rembg — self-hosted решение: вы получаете полный контроль над данными и стоимостью (только GPU-сервер), но несёте ответственность за инфраструктуру. Облачные API (Remove.bg, BRIA AI) — это rembg-аналоги как managed service, с платой за обработку. Panda AI объединяет подход: мы держим GPU-инфраструктуру, вы платите только за реальные обработки по модели 20–30 коп./фото — значительно дешевле любого облачного конкурента.

FAQ — rembg

Бесплатна ли rembg?

Да, MIT лицензия — свободное использование в коммерческих и некоммерческих проектах. Однако модели имеют разные лицензии: BiRefNet веса на DIS датасете — некоммерческая лицензия, U²-Net — Apache 2.0. Для production требуется проверить лицензию конкретной модели.

Нужен ли GPU для rembg?

Опционально. На CPU обработка одного фото 1024×1024 занимает 3–8 секунд через onnxruntime, на NVIDIA GPU через onnxruntime-gpu — 0.3–0.8 секунды. Для batch-обработки от 100 фото GPU критически важен.

Как использовать rembg онлайн без установки?

Через сервисы на базе rembg: Panda AI, rembg.io, Hugging Face Spaces. Panda AI добавляет постобработку, batch API, выбор модели и обработку на собственных GPU.