批量去除图片背景已经不再是专业设计师的专属技能。随着深度学习模型在图像分割领域的成熟，像 Remove.bg 和 Rembg 这样的工具让一键抠图变得极其简单。Remove.bg 提供了云端 API 和网页界面，用户无需安装任何软件；Rembg 则是完全开源的本地解决方案，基于 U2-Net 架构，支持命令行和 Python 调用。本文会从实际批量处理需求出发，分别演示两者的部署方式、代码实现以及效果调优技巧。
为什么需要 AI 批量抠图方案
传统抠图依赖于 Photoshop 的钢笔工具、魔棒或通道分离，这些方法对操作者的经验和耐心要求极高。一张人像或商品图往往需要十几分钟甚至更久，而处理几百张图片时，人力成本会指数级上升。更麻烦的是，发丝、半透明物体、复杂边缘等细节很难用规则类工具完美分离。AI 分割模型的出现改变了这一局面，它通过大量标注数据学习前景与背景的语义区别，能够自动判断主体轮廓，并在大多数场景下得到接近人工精修的结果。
Remove.bg 和 Rembg 背后都使用了深度卷积神经网络，但实现路径不同。Remove.bg 部署在云端，用户通过上传图片或调用 REST API 获得透明背景的结果，处理速度快且无需关心硬件；Rembg 则把模型下载到本地，利用 U2-Net、ISNet、BASNet 等预训练权重进行推理，适合对数据隐私敏感或需要离线批量处理的场景。理解两者的底层差异，有助于在项目中做出正确选型。
批量处理的核心在于自动化遍历文件夹、调用抠图接口、保存输出结果。无论选择哪一款工具，都可以用简单的脚本完成这一流程。下面将分别介绍 Remove.bg 的 API 调用方法和 Rembg 的本地批处理实现。
Remove.bg 云端批量处理实战
Remove.bg 的网页版支持一次上传多张图片，但更适合偶尔使用的场景。对于固定流程的批量任务，官方提供了 REST API，每月有 50 张免费额度，超出部分按张计费。API 的使用非常直观：将图片以 multipart/form-data 形式发送到指定端点，并在请求头中携带 API Key。返回的响应体就是去除背景后的 PNG 图片数据，直接写入本地文件即可完成一张图片的处理。
下面的 Python 脚本演示了如何遍历本地输入文件夹，对所有常见格式的图片调用 Remove.bg API 并保存结果。脚本首先检查输出目录是否存在，然后循环处理每一张图片，通过 requests.post 发送二进制流。响应状态码为 200 时表示成功，其他状态码会打印错误信息以便排查。需要注意的是，免费账户存在每分钟请求次数限制，批量处理大批量图片时应适当加入延迟或使用付费套餐。
import requests
import os
import time
API_KEY = '你的API密钥'
input_dir = 'input_images'
output_dir = 'output_images'
if not os.path.exists(output_dir):
os.makedirs(output_dir)
for filename in os.listdir(input_dir):
if filename.lower().endswith(('.png', '.jpg', '.jpeg', '.webp')):
input_path = os.path.join(input_dir, filename)
output_path = os.path.join(output_dir, filename)
with open(input_path, 'rb') as f:
response = requests.post(
'https://api.remove.bg/v1.0/removebg',
files={'image_file': f},
data={'size': 'auto'},
headers={'X-Api-Key': API_KEY},
)
if response.status_code == 200:
with open(output_path, 'wb') as out:
out.write(response.content)
print(f'已处理: {filename}')
else:
print(f'处理失败: {filename}, 状态码: {response.status_code}')
time.sleep(1) # 避免触发频率限制
除了直接调用 HTTP 接口，Remove.bg 还支持与 Zapier、n8n 等自动化平台集成。如果团队中没有开发人员，可以通过这些无代码工具设计一个工作流：监听云盘新文件、自动调用 Remove.bg、把结果回传到指定目录。这种方式将批量抠图从单次脚本提升为持续运行的自动化管道，尤其适合电商上新频繁的场景。
另一个值得注意的点是，Remove.bg 允许通过 size 参数控制输出分辨率，可选值包括 auto、full、preview 等。对于需要保持原始尺寸的场景，建议使用 full；而仅仅用于缩略图展示时，preview 可以节省流量和处理时间。API 返回的 PNG 默认带有透明通道，可以直接用于网页合成或进一步编辑。
Rembg 本地批量处理方案
Rembg 是一个基于 Python 的开源命令行工具，安装非常简单，只需要在终端执行 pip install rembg。它依赖 ONNX Runtime 来加载模型权重，首次运行时会自动下载默认的 U2-Net 模型文件，后续处理完全离线进行。对于不想把图片上传到第三方服务器的用户来说，Rembg 是更安全的选择。同时，由于没有 API 调用次数限制，从长远来看成本为零。
命令行处理单张图片的语法是 rembg i input.png output.png，其中 i 表示输入输出模式。但批量处理时，手动输入每个文件名显然不现实。我们可以结合 shell 的 for 循环或者编写 Python 脚本来遍历文件夹。下面的 Python 脚本使用 rembg 包的 remove 函数读取图片二进制数据并输出透明背景结果，与 Remove.bg 的脚本结构类似，但不需要网络请求和 API Key。
from rembg import remove
from PIL import Image
import os
input_dir = 'input_images'
output_dir = 'output_images'
if not os.path.exists(output_dir):
os.makedirs(output_dir)
for filename in os.listdir(input_dir):
if filename.lower().endswith(('.png', '.jpg', '.jpeg', '.webp')):
input_path = os.path.join(input_dir, filename)
output_path = os.path.join(output_dir, filename)
with open(input_path, 'rb') as i:
input_data = i.read()
output_data = remove(input_data)
with open(output_path, 'wb') as o:
o.write(output_data)
print(f'已处理: {filename}')
Rembg 默认使用 u2net 模型，但也可以通过 model_name 参数指定其他模型，例如 isnet-general-use 对通用物体分割效果更好，u2net_human_seg 则专门针对人像。不同模型在边缘细节和推理速度上有差异，可以在实际项目中对比测试。如果需要更高精度，还可以在调用 remove 时添加 alpha_matting=True 参数，启用前景透明度估计，但会显著增加处理时间。
性能方面，Rembg 在 CPU 上处理一张 1024x1024 的图片大约需要 1 到 3 秒，如果安装了 CUDA 版 ONNX Runtime 并配置 GPU，速度可以提升数倍。批量处理大量图片时，可以考虑使用多进程并发，但要注意内存占用。与 Remove.bg 相比，本地方案的初始模型下载和硬件要求较高，但一旦配置完成，重复使用没有任何额外开销。
批量抠图进阶技巧与选型建议
获得透明背景的 PNG 只是第一步。在实际业务中，经常还需要为抠出的主体添加纯色背景、调整边缘羽化、或者统一输出尺寸。这些后处理操作可以用 Pillow 库轻松完成。例如，在 Rembg 处理结果的基础上，创建一个白色背景的新画布，将透明 PNG 叠加其上，即可生成白底图。对于边缘锯齿明显的情况，可以先用 Image.filter 应用高斯模糊，再叠加完成。Remove.bg 的 API 也支持 bg_color 参数直接输出指定颜色的背景，省去了本地合成步骤。
两者如何选择取决于具体场景。如果每月处理量少于 50 张、对隐私不敏感、希望零部署，Remove.bg 的免费额度完全够用；如果处理量巨大、数据包含敏感信息或需要离线运行，Rembg 是更理性的选择。还有一种混合方案：开发环境使用 Rembg 进行调试和测试，生产环境切换到 Remove.bg API 以获得稳定性和可扩展性。无论采用哪种方式，批量脚本的框架都是通用的，替换核心调用函数即可在两种工具之间平滑迁移。
需要注意的一个常见误区是：AI 抠图并非万能，遇到复杂背景、低对比度主体或与背景颜色接近的物体时，模型可能会误分割。此时可以先用传统工具对图片进行预处理，例如提高对比度、裁剪掉干扰区域，或者选择更针对性的模型权重。对于特别重要的图片，仍然建议在 AI 结果基础上进行人工微调。
最后要提醒的是，使用 Remove.bg API 时务必保管好 API Key，不要硬编码在公开代码仓库中；Rembg 的模型文件较大，建议在首次运行时预留足够磁盘空间。掌握这两套工具后，批量去除背景将不再是耗时费力的手工劳动，而是可以一键触发的自动化流程。