新闻详情

新闻详情

首页 / 资讯中心 / 详情

一个开源免费的本地AI抠图工具 unbagrnd:断网也能用的背景移除

发布时间:2026/11/18 4:02:26来源:尧图网络
一个开源免费的本地AI抠图工具 unbagrnd:断网也能用的背景移除
实测日期2026-09-27 · 本机环境macOS Intel8GB 内存无独立 GPU我一直在找一个「不把图传上云」的抠图工具。多数在线抠图都要上传图片、等后台、下结果隐私和速度都别扭。这几天遇到一个开源桌面工具unbagrnd思路对得上它的名字——纯本地跑神经网络图片不出自己电脑。这篇按老规矩写成一篇可验证的评测 一个能照抄能跑的本机演示不吹不黑。一、这个工具是什么一句话一个开源、免费、本地运行的 AI 背景移除抠图桌面工具基于 ONNX Runtime 跑神经网络支持 Windows / macOS / Linux / Android。项值项目unbagrndGitHub: zidniryi/unbagrnd协议MIT可商用、可改架构Rust 核心 Tauri 桌面壳 Kotlin Android JavaScript抠图方式ONNX Runtime 本地推理默认模型约 43MB完整版约 170MB是否上传否断网也能用导出PNG / WebP / SVG配套自建 REST APIAxum可加到自己的系统我调用 GitHub API 核实过项目真实状态109 stars / 12 forksMIT 协议最新版 v0.4.02026-09-18 发布最近一次提交也在当天项目处于活跃维护不是停在两年前的僵尸仓库。语言以 Rust 为主、JavaScript 和 Kotlin 为辅确实是一个桌面套壳 Rust 推理核的典型 Tauri 应用。二、功能与用法照文档整理含注意点普通用户直接装去 Releases 下载对应平台安装包首次使用会自动下载一次 AI 模型之后即完全离线——macOS.dmg注意Intel Mac 不支持只支持 Apple SiliconWindows.msi/.exeLinux.AppImage/.debAndroid.apk/.aab两个高频坑已经有人踩过提前说macOS 报已损坏作者没买苹果开发者签名需要付费账号Gatekeeper 会拦。改到应用程序目录后终端执行一条命令即可解开xattr-cr/Applications/unbagrnd.appIntel Mac 装不了这个本机实测没跑起来因为文档明确标注Apple Silicon only。老 Intel 机器比如我手头这台用不了桌面端这是个真实的硬件门槛别信跨平台任何 Mac 都行。开发者自编译 / 自建 API 服务需要 Node.js 20、Rust 1.88用 rustup 装、以及 Tauri 平台编译依赖Android 还要 SDK/NDK/JDK17。启动 REST API 服务的命令gitclone https://github.com/zidniryi/unbagrnd.gitcdunbagrndcp.env.example .env# 编辑 .env 设置 UNBAGRND_ADMIN_KEYdockercompose up--build# 访问 http://localhost:8080/docs 有 Swagger 文档这个 API 版用同一套 Rust 核心支持单张/批量、API 密钥管理、速率限制图片只在内存处理不落盘——适合集成进自建系统。三、「本地抠图」到底在做什么——一段能跑的本机演示通用抠图工具的「原理」远没那么玄通常是把神经网络规约成一个抠图网络再在本地推理输出前景的透明掩码然后把前景贴到新背景上。为了让你不装任何重模型也能在本机看到离线抠图是怎么回事我用 Python 标准库 Pillow纯 CPU无 GPU也无需联网实现一个最简版的**“纯色背景 → 前景掩码 → 换背景”**演示。它取样的是 unrmbg 那条 AVG 图上的同一类流程输入 → 掩码 → 合成。跑完整代码# -*- encoding: utf-8 -*-# 本地离线抠图原理演示纯色背景 颜色掩码无 GPU / 无需下载大模型fromPILimportImage W,H320,240imgImage.new(RGB,(W,H),(120,200,90))# 绿幕背景pximg.load()forxinrange(80,240):foryinrange(60,180):if(x-160)**2(y-120)**255**2:# 前景圆形物标px[x,y](230,120,40)fg(230,120,40)# 前景目标色thresh30alphaImage.new(L,(W,H),0)apalpha.load()forxinrange(W):foryinrange(H):r,g,bpx[x,y]ifabs(r-fg[0])threshandabs(g-fg[1])threshandabs(b-fg[2])thresh:ap[x,y]255new_bg(240,240,245)outImage.new(RGB,(W,H),new_bg)out.paste(img,(0,0),alpha)opout.load()fg_pxsum(1forxinrange(W)foryinrange(H)ifap[x,y]255)print(本地计算全程在本机完成未走云端)print(前景像素占比 : %0.1f%%%(fg_px/(W*H)*100))print(\n换背景后的 16×16 采样■前景.背景:)foryiinrange(16):rowyyi*(H//16)forxiinrange(16):xxi*(W//16)row■ifop[x,y]!new_bgelse.print(row)img.save(/tmp/demo_before.png)out.save(/tmp/demo_after.png)在对照环境macOS、Python 3.11、Pillow 12.3真跑输出是本地计算全程在本机完成未走云端 前景像素占比 : 12.3% 换背景后的 16×16 采样■前景.背景: ................ ................ ................ ................ ................ .......■■■...... ......■■■■■..... ......■■■■■..... ......■■■■■..... ......■■■■■..... ......■■■■■..... .......■■■...... ................ ................ ................ ................可以看到绿色背景被分离出去前景圆形被保留并贴到新底色上。unbagrnd 做的就是这件事的神经网络版——用训练好的网络判断每个像素是前景还是背景而不是依赖简单的颜色距离所以对渐变边缘、复杂背景效果更好。四、评测小结方面评价私密性优全程本机推理断网可用不传云端不注册成本全免费、MIT 可商用跨平台宽Win/Mac/Linux/Android但 Mac 仅 Apple Silicon生态活跃维护自带 REST API 可集成门槛桌面端仍需下载安装纯原理演示一行 Python 即可局限Intel Mac 无桌面端默认模型 43MB 对老机偏重跑不起桌面的情况像我 Intel Mac那种思路也成立这种输入→掩码→换背景的流程本身就能用一行 Python 跑通——核心是在本地拿掩码不是简单调一个在线接口。参考来源GitHub API 对 zidniryi/unbagrnd 的真实元数据star/wiki/models/commit 记录 unbagrnd 官方 README 本机真实运行输出。Linux 与 Android 的安装细节以官方仓库为准本文仅就本机 Mac 环境与通用流程作说明。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/17 19:43:34

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/17 19:43:32

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉