rembg

KO | EN

gitlite — search

#javascript #python #hacktoberfest #react #ai #typescript #llm #go #golang #android #machine-learning #rust #deep-learning #linux

(★ 24,268)

Rembg는 이미지 배경을 제거하는 도구입니다.

rembg 최신버젼 다운로드

최종 버전 다운로드 (.zip)

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

![Rembg Logo](logo.png)

Rembg는 이미지 배경을 제거하는 도구입니다. CLI, Python 라이브러리, HTTP 서버 또는 Docker 컨테이너로 사용할 수 있습니다.

[![License](https://img.shields.io/badge/License-MIT-blue.svg)](https://img.shields.io/badge/License-MIT-blue.svg)
[![Hugging Face Spaces](https://img.shields.io/badge/🤗%20Hugging%20Face-Spaces-blue)](https://huggingface.co/spaces/KenjieDec/RemBG)
[![Streamlit App](https://img.shields.io/badge/🎈%20Streamlit%20Community-Cloud-blue)](https://bgremoval.streamlit.app/)
[![Open in Colab](https://colab.research.google.com/assets/colab-badge.svg)](https://colab.research.google.com/github/danielgatis/rembg/blob/main/rembg.ipynb)
[![RepoMapr](https://img.shields.io/badge/RepoMapr-View_Interactive_Diagram-blue?style=flat&logo=github)](https://repomapr.com/danielgatis/rembg)

[![danielgatis%2Frembg | Trendshift](https://trendshift.io/api/badge/repositories/2846)](https://trendshift.io/repositories/2846)

## Sponsors

|  |  |
| --- | --- |
| [PhotoRoom](https://photoroom.com/api/remove-background?utm_source=rembg&utm_medium=github_webpage&utm_campaign=sponsor) | **PhotoRoom Remove Background API**   [https://photoroom.com/api](https://photoroom.com/api/remove-background?utm_source=rembg&utm_medium=github_webpage&utm_campaign=sponsor)   빠르고 정확한 배경 제거 API |

\*\*이 프로젝트가 도움이 되었다면 [후원](https://www.buymeacoffee.com/danielgatis)을 고려해 주세요.\*\*
## Requirements
```text
python: >=3.11, <3.14
```
## Installation
하드웨어에 따라 다음 백엔드 중 \*\*하나\*\*를 선택하세요:
### CPU support
```bash
pip install "rembg[cpu]" # 라이브러리용
pip install "rembg[cpu,cli]" # 라이브러리 + CLI용
```
### GPU support (NVIDIA/CUDA)
먼저 [onnxruntime.ai](https://onnxruntime.ai/getting-started)에 방문하여 설치 매트릭스를 확인하고 시스템이 `onnxruntime-gpu`를 지원하는지 확인하세요.

![onnxruntime-installation-matrix](./onnxruntime-installation-matrix.png)

시스템이 호환되는 경우, 다음을 실행하세요:
```bash
pip install "rembg[gpu]" # for library
pip install "rembg[gpu,cli]" # for library + cli
```
> \*\*참고:\*\* NVIDIA GPU의 경우 `onnxruntime-gpu`, CUDA, 그리고 `cudnn-devel`이 필요할 수 있습니다. 자세한 내용은 [#668](https://github.com/danielgatis/rembg/issues/668#issuecomment-2689830314)을 참조하세요. 만약 `rembg[gpu]`가 작동하지 않고 CUDA나 `cudnn-devel`을 설치할 수 없다면, 대신 `onnxruntime`과 함께 `rembg[cpu]`를 사용하세요.
### GPU 지원 (AMD/ROCm)
ROCm 지원을 위해서는 `onnxruntime-rocm` 패키지가 필요합니다. [AMD의 문서](https://rocm.docs.amd.com/projects/radeon/en/latest/docs/install/native\_linux/install-onnx.html)를 따라 설치하세요.
`onnxruntime-rocm`이 설치되고 정상 작동하면, ROCm 지원과 함께 rembg를 설치합니다:
```bash
pip install "rembg[rocm]" # for library
pip install "rembg[rocm,cli]" # for library + cli
```
## CLI로 사용하기
설치 후, 터미널에 `rembg`를 입력하여 사용할 수 있습니다.
`rembg` 명령어에는 각 입력 유형별로 하나씩 총 4개의 하위 명령어가 있습니다:
- `i` - 단일 파일
- `p` - 폴더 (일괄 처리)
- `s` - HTTP 서버
- `b` - RGB24 픽셀 바이너리 스트림
기본 명령어에 대한 도움말은 다음을 사용하여 확인할 수 있습니다:
```shell
rembg --help
```
또한 각 하위 명령어에 대한 도움말도 확인할 수 있습니다:
```shell
rembg  --help
```
### rembg `i`
단일 파일을 처리하는 데 사용됩니다.
\*\*원격 이미지에서 배경 제거하기:\*\*
```shell
curl -s http://input.png | rembg i > output.png
```
\*\*로컬 파일에서 배경 제거하기:\*\*
```shell
rembg i path/to/input.png path/to/output.png
```
\*\*출력 경로 생략하기\*\* (입력 파일 옆에 `.out.png`로 저장됨):
```shell
rembg i path/to/input.png
# → path/to/input.out.png
```
`stdout`이 리디렉션된 경우 (예: `rembg i input.png > out.png`), 출력은 대신 `stdout`으로 전달됩니다.
\*\*모델 지정하기:\*\*
```shell
rembg i -m u2netp path/to/input.png path/to/output.png
```
\*\*마스크만 반환하기:\*\*
```shell
rembg i -om path/to/input.png path/to/output.png
```
\*\*알파 매팅(Alpha Matting) 적용하기:\*\*
```shell
rembg i -a path/to/input.png path/to/output.png
```
\*\*추가 파라미터 전달하기 (SAM 예시):\*\*
```shell
rembg i -m sam -x '{ "sam\_prompt": [{"type": "point", "data": [724, 740], "label": 1}] }' examples/plants-1.jpg examples/plants-1.out.png
```
\*\*추가 파라미터 전달하기 (커스텀 모델):\*\*
```shell
rembg i -m u2net\_custom -x '{"model\_path": "~/.u2net/u2net.onnx"}' path/to/input.png path/to/output.png
```
\*\*withoutBG 클라우드 API 사용하기:\*\*
[회원가입하고 50크레딧 무료로 받기](https://withoutbg.com/signup?ref=rembg). [샘플 결과 보기](https://withoutbg.com/pro-model/results?ref=rembg).
```shell
export WITHOUTBG\_API\_KEY=sk\_...
rembg i -m withoutbg path/to/input.png path/to/output.png
```
또는 extras를 통해 키를 전달할 수도 있습니다:
```shell
rembg i -m withoutbg -x '{"api\_key":"sk\_..."}' path/to/input.png path/to/output.png
```
### rembg `p`
전체 폴더를 일괄 처리하는 데 사용됩니다.
\*\*폴더 내의 모든 이미지 처리하기:\*\*
```shell
rembg p path/to/input path/to/output
```
\*\*감시 모드 (새로 추가되거나 변경된 파일을 자동으로 처리):\*\*
```shell
rembg p -w path/to/input path/to/output
```
### rembg `s`
HTTP 서버를 시작하는 데 사용됩니다.
```shell
rembg s --host 0.0.0.0 --port 7000 --log\_level info
```
전체 API 문서를 보려면 다음을 방문하세요: `http://localhost:7000/api`
\*\*Gradio UI 비활성화하기 (유휴 상태의 CPU 사용량 감소):\*\*
```shell
rembg s --no-ui
```
\*\*이미지 URL에서 배경 제거하기:\*\*
```shell
curl -s "http://localhost:7000/api/remove?url=http://input.png" -o output.png
```
\*\*업로드된 이미지에서 배경 제거하기:\*\*
```shell
curl -s -F file=@/path/to/input.jpg "http://localhost:7000/api/remove" -o output.png
```
### rembg `b`
stdin으로부터 RGB24 이미지 시퀀스를 처리합니다. 이는 RGB24 픽셀 데이터를 stdout으로 출력하는 FFmpeg과 같은 프로그램과 함께 사용하도록 의도되었습니다.
```shell
rembg b   -o 
```
\*\*인자:\*\*
| 인자 | 설명 |
|----------|-------------|
| `width` | 입력 이미지의 너비 |
| `height` | 입력 이미지의 높이 |
| `output\_specifier` | 출력을 위한 Printf 스타일 지정자 |

파일 이름 (예: `output-%03u.png`는 `output-000.png`, `output-001.png` 등을 생성합니다). 표준 출력(stdout)으로 작성하려면 생략하세요. |
\*\*FFmpeg 사용 예시:\*\*
```shell
ffmpeg -i input.mp4 -ss 10 -an -f rawvideo -pix\_fmt rgb24 pipe:1 | rembg b 1280 720 -o folder/output-%03u.png
```
> \*\*참고:\*\* 너비와 높이는 FFmpeg의 출력 크기와 일치해야 합니다. FFmpeg 호환성을 위해 `-an -f rawvideo -pix\_fmt rgb24 pipe:1` 플래그가 필요합니다.
## 라이브러리로 사용하기
\*\*바이트 단위의 입력 및 출력:\*\*
```python
from rembg import remove
with open('input.png', 'rb') as i:
with open('output.png', 'wb') as o:
input = i.read()
output = remove(input)
o.write(output)
```
\*\*PIL 이미지 형식의 입력 및 출력:\*\*
```python
from rembg import remove
from PIL import Image
input = Image.open('input.png')
output = remove(input)
output.save('output.png')
```
\*\*NumPy 배열 형식의 입력 및 출력:\*\*
```python
from rembg import remove
import cv2
input = cv2.imread('input.png')
output = remove(input)
cv2.imwrite('output.png', output)
```
\*\*바이트 출력을 강제하기:\*\*
```python
from rembg import remove
with open('input.png', 'rb') as i:
with open('output.png', 'wb') as o:
input = i.read()
output = remove(input, force\_return\_bytes=True)
o.write(output)
```
\*\*세션 재사용을 통한 일괄 처리(성능 향상 권장):\*\*
```python
from pathlib import Path
from rembg import remove, new\_session
session = new\_session()
for file in Path('path/to/folder').glob('\*.png'):
input\_path = str(file)
output\_path = str(file.parent / (file.stem + ".out.png"))
with open(input\_path, 'rb') as i:
with open(output\_path, 'wb') as o:
input = i.read()
output = remove(input, session=session)
o.write(output)
```
\*\*withoutBG 클라우드 API:\*\*
[회원가입 시 50 크레딧 무료 제공](https://withoutbg.com/signup?ref=rembg). [결과 샘플](https://withoutbg.com/pro-model/results?ref=rembg).
```python
from rembg import remove, new\_session
session = new\_session("withoutbg", api\_key="sk\_...")
# 또는 WITHOUTBG\_API\_KEY를 설정하고 api\_key=를 생략하세요
with open('input.png', 'rb') as i:
with open('output.png', 'wb') as o:
output = remove(i.read(), session=session)
o.write(output)
```
더 많은 예시는 [예시](USAGE.md) 페이지를 참고하세요.
## Docker로 사용하기
### CPU 전용
`rembg` 명령어를 `docker run danielgatis/rembg`로 교체하세요:
```shell
docker run -v .:/data danielgatis/rembg i /data/input.png /data/output.png
```
### NVIDIA CUDA GPU 가속
\*\*요구 사항:\*\* 호스트에 [NVIDIA Container Toolkit](https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/latest/install-guide.html)이 설치되어 있어야 합니다.
CUDA 가속에는 `cudnn-devel`이 필요하므로, Docker 이미지를 직접 빌드해야 합니다. 자세한 내용은 [#668](https://github.com/danielgatis/rembg/issues/668#issuecomment-2689914205)을 참고하세요.
\*\*이미지 빌드:\*\*
```shell
docker build -t rembg-nvidia-cuda-cudnn-gpu -f Dockerfile\_nvidia\_cuda\_cudnn\_gpu .
```
> \*\*참고:\*\* 이 이미지는 약 11GB의 디스크 공간이 필요합니다(CPU 버전은 약 1.6GB). 모델은 포함되어 있지 않습니다.
\*\*컨테이너 실행:\*\*
```shell
sudo docker run --rm -it --gpus all -v /dev/dri:/dev/dri -v $PWD:/data rembg-nvidia-cuda-cudnn-gpu i -m birefnet-general /data/input.png /data/output.png
```
\*\*팁:\*\*
- 자신만의 NVIDIA CUDA 이미지를 생성하고 그 안에 `rembg[gpu,cli]`를 설치할 수 있습니다.
- 모델 파일을 컨테이너 외부토에 저장하여 재다운로드를 방지하려면 `-v /path/to/models/:/root/.u2net`을 사용하세요.
## 모델
로컬 ONNX 모델은 첫 사용 시 자동으로 다운로드되어 `~/.u2net/`에 저장됩니다. `withoutbg` 모델은 클라우드 API 백엔드이며 로컬 모델을 다운로드하지 않습니다.
### 사용 가능한 모델
- u2net ([다운로드](https://github.com/danielgatis/rembg/releases/download/v0.0.0/u2net.onnx), [소스](https://github.com/xuebinqin/U-2-Net)): 일반적인 용도로 사전 학습된 모델입니다.
- u2netp ([다운로드](https://github.com/danielgatis/rembg/releases/download/v0.0.0/u2netp.onnx), [소스](https://github.com/xuebinqin/U-2-Net)): u2net 모델의 경량 버전입니다.
- u

2net\_human\_seg ([download](https://github.com/danielgatis/rembg/releases/download/v0.0.0/u2net\_human\_seg.onnx), [source](https://github.com/xuebinqin/U-2-Net)): 인물 분할을 위한 사전 학습된 모델입니다.
- u2net\_cloth\_seg ([download](https://github.com/danielgatis/rembg/releases/download/v0.0.0/u2net\_cloth\_seg.onnx), [source](https://github.com/levindabhi/cloth-segmentation)): 인물 사진에서 의류를 파싱하기 위한 사전 학습된 모델입니다. 여기서는 의류가 상의, 하의, 전신 등 3가지 카테고리로 파싱됩니다.
- silueta ([download](https://github.com/danielgatis/rembg/releases/download/v0.0.0/silueta.onnx), [source](https://github.com/xuebinqin/U-2-Net/issues/295)): u2net과 같지만 크기가 43Mb로 축소된 모델입니다.
- isnet-general-use ([download](https://github.com/danielgatis/rembg/releases/download/v0.0.0/isnet-general-use.onnx), [source](https://github.com/xuebinqin/DIS)): 범용 사례를 위한 새로운 사전 학습된 모델입니다.
- isnet-anime ([download](https://github.com/danielgatis/rembg/releases/download/v0.0.0/isnet-anime.onnx), [source](https://github.com/SkyTNT/anime-segmentation)): 애니메이션 캐릭터를 위한 고정밀 분할 모델입니다.
- sam ([download encoder](https://github.com/danielgatis/rembg/releases/download/v0.0.0/vit\_b-encoder-quant.onnx), [download decoder](https://github.com/danielgatis/rembg/releases/download/v0.0.0/vit\_b-decoder-quant.onnx), [source](https://github.com/facebookresearch/segment-anything)): 모든 용도에 사용할 수 있는 사전 학습된 모델입니다.
- birefnet-general ([download](https://github.com/danielgatis/rembg/releases/download/v0.0.0/BiRefNet-general-epoch\_244.onnx), [source](https://github.com/ZhengPeng7/BiRefNet)): 범용 사례를 위한 사전 학습된 모델입니다.
- birefnet-general-lite ([download](https://github.com/danielgatis/rembg/releases/download/v0.0.0/BiRefNet-general-bb\_swin\_v1\_tiny-epoch\_232.onnx), [source](https://github.com/ZhengPeng7/BiRefNet)): 범용 사례를 위한 경량 사전 학습된 모델입니다.
- birefnet-portrait ([download](https://github.com/danielgatis/rembg/releases/download/v0.0.0/BiRefNet-portrait-epoch\_150.onnx), [source](https://github.com/ZhengPeng7/BiRefNet)): 인물 사진을 위한 사전 학습된 모델입니다.
- birefnet-dis ([download](https://github.com/danielgatis/rembg/releases/download/v0.0.0/BiRefNet-DIS-epoch\_590.onnx), [source](https://github.com/ZhengPeng7/BiRefNet)): 이진 이미지 분할(DIS)을 위한 사전 학습된 모델입니다.
- birefnet-hrsod ([download](https://github.com/danielgatis/rembg/releases/download/v0.0.0/BiRefNet-HRSOD\_DHU-epoch\_115.onnx), [source](https://github.com/ZhengPeng7/BiRefNet)): 고해상도 두드러진 객체 검출(HRSOD)을 위한 사전 학습된 모델입니다.
- birefnet-cod ([download](https://github.com/danielgatis/rembg/releases/download/v0.0.0/BiRefNet-COD-epoch\_125.onnx), [source](https://github.com/ZhengPeng7/BiRefNet)): 위장 객체 검출(COD)을 위한 사전 학습된 모델입니다.
- birefnet-massive ([download](https://github.com/danielgatis/rembg/releases/download/v0.0.0/BiRefNet-massive-TR\_DIS5K\_TR\_TEs-epoch\_420.onnx), [source](https://github.com/ZhengPeng7/BiRefNet)): 대규모 데이터셋으로 학습된 사전 학습된 모델입니다.
- bria-rmbg ([download](https://github.com/danielgatis/rembg/releases/download/v0.0.0/bria-rmbg-2.0.onnx), [source](https://huggingface.co/briaai/RMBG-2.0)): BRIA AI가 제공하는 최첨단 배경 제거 모델입니다.
- withoutbg ([API](https://withoutbg.com/?ref=rembg), [sample results](https://withoutbg.com/pro-model/results?ref=rembg)): 클라우드 API 백엔드입니다. [가입 시 무료 크레딧 50개를 받으세요](https://withoutbg.com/signup?ref=rembg). `-x` / `new\_session(...)`을 통해 `api\_key`를 전달하거나 `WITHOUTBG\_API\_KEY`를 설정하세요. 이미지는 withoutBG 서버로 전송되며, 최대 업로드 크기는 20 MB입니다.
## 환경 변수
| 변수 | 설명 |
|----------|-------------|
| `U2NET\_HOME` | 모델이 저장되는 디렉터리의 경로입니다. 기본값은 `$XDG\_DATA\_HOME/.u2net`입니다(`XDG\_DATA\_HOME`이 설정되지 않은 경우 `~/.u2net`). |
| `XDG\_DATA\_HOME` | 사용되는 기본 데이터 디렉터리입니다.

`U2NET\_HOME`이 설정되어 있지 않습니다. 기본값은 `~`입니다. |
| `MODEL\_CHECKSUM\_DISABLED` | 설정하면(예: `MODEL\_CHECKSUM\_DISABLED=1`), 다운로드한 모델의 해시 검증을 비활성화합니다. 이 기능은 rembg가 원본을 다시 다운로드하지 않고 사용자 정의/변환된 모델 파일을 사용하려는 경우에 유용합니다. |
| `OMP\_NUM\_THREADS` | 추론을 위해 ONNX Runtime에서 사용하는 스레드 수를 설정합니다. |
| `WITHOUTBG\_API\_KEY` | `withoutbg` 클라우드 세션을 위한 API 키입니다. [회원가입 시 무료 크레딧 50개 받기](https://withoutbg.com/signup?ref=rembg). |
### 사용자 정의 모델 파일 사용
(이전 CUDA 도구과의 호환성을 위해 다른 ONNX IR 버전으로 변환된 모델 등) 수정된 버전의 모델을 사용해야 하는 경우, rembg가 이를 덮어쓰지 않도록 방지할 수 있습니다:
1. `MODEL\_CHECKSUM\_DISABLED=1`을 설정합니다.
2. 사용자 정의 `.onnx` 파일을 모델 디렉토리(기본값은 `~/.u2net/`)에 예상되는 파일명(예: `u2net.onnx`)으로 배치합니다.
3. Rembg가 파일의 존재를 감지하고 재다운로드 없이 해당 파일을 사용합니다.
## FAQ
### 이 라이브러리는 Python 버전 3.xx를 언제 지원하나요?
이 라이브러리는 [onnxruntime](https://pypi.org/project/onnxruntime)에 의존합니다. Python 버전 지원 여부는 onnxruntime의 호환성에 따라 결정됩니다.
## 지원
이 프로젝트가 유용하다고 생각되신다면 커피(또는 맥주) 한 잔 사주시는 것을 고려해 보세요:
[![Buy Me A Coffee](https://bmc-cdn.nyc3.digitaloceanspaces.com/BMC-button-images/custom_images/orange_img.png)](https://www.buymeacoffee.com/danielgatis)
## 라이선스
Copyright (c) 2020-present [Daniel Gatis](https://github.com/danielgatis)
[MIT License](./LICENSE.txt)에 따라 라이선스가 부여됩니다.

rembg

rembg 최신버젼 다운로드

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

rembg

rembg 최신버젼 다운로드

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

Download README