前语

关于一款数字时代的图片修改东西而言，抠图东西扮演着越来越重要的人物。它能轻松地将图画中的方针与布景进行分离，为用户供给快捷高效的修改体会。

在过去，抠除图画布景往往是一件杂乱又繁琐的作业，而完成一个 AI 主动抠图东西也并非易事，因为它需求不少服务器的算力耗费以及很多训练模型的成本。

而现在，我将展现在仅运用 1核1G运存 的超低服务器资源下，能够完成多么令人惊叹的抠图东西！如下所示，只需上传图片，便可主动抠除布景。在线体会

在超低配的服务器上也能部署免费AI抠图工具？一行命令就搞定！

因为带宽也很小（仅 1M ）所以在线体会建议不要上传太大的图画。

接下来，我将带你学习怎么布置，经过简略几步即可完成这款强大的 AI 抠图东西。同时，我也将用通俗易懂的文字带你剖析 AI 抠图东西背面的作业原理，协助你更好地理解其背面的算法和逻辑。废话不多说，让咱们开端吧！

开端布置

首先咱们需求运用 Rembg 这个库，它是根据 U^2-Net 模型构建的一个用于图画布景去除的 Python 东西。

在超低配的服务器上也能部署免费AI抠图工具？一行命令就搞定！

为了让开发者快速掌握它，咱们并不需求学习 Python（除非自己训练模型），咱们只需求会一点 docker 的运用，然后运转以下命令：

docker run -d -p 5000:5000 --restart always danielgatis/rembg s

运转结束后会发动一个服务容器，映射在 5000 端口，此时拜访 http://(服务器IP):5000 就能够看到相似这样的界面：

在超低配的服务器上也能部署免费AI抠图工具？一行命令就搞定！

祝贺你，现已成功布置好了 AI 抠图东西，是不是 so easy ~

在第一次提交图画处理时，程序会主动下载所需模型到服务器上。标准预训练模型(u2net)为 176 MB 大小，而其精简版预训练模型(u2netp)则仅为 4.7 MB 大小，越小的模型耗费的内存就越少，在本例中正是运用了精简版模型，才得以在如此低配的服务器上良好地运转，限制其出产速度的反而是网络带宽。

这儿的 Model 选项为抠图所指定的预训练模型，常用的几种有：

  • u2net：适用于一般用例的预训练模型。
  • u2netp：u2net 模型的轻量级版本。
  • silueta：一个社区精简版，与 u2net 效果相同，但大小缩减到 43Mb。
  • u2net_human_seg：适用于人体切割的预训练模型。
  • isnet-anime：动漫人物的高精度切割。

怎么运用

前面咱们布置好了服务，那么该怎样结合到项目中运用呢？有两种方法。

调用 API 接口（不引荐）

拜访 http://(服务器IP):5000/api 就能够看到一个 Swagger 构建的文档，程序供给了两个接口，都是接纳一个图画然后回来其去除布景的图画成果，区别在于：

  1. GET 方法接纳的是 URL 参数，传递的是一个网络可拜访的图画链接
  2. POST 方法则是接纳 file 参数，传递的是前端表单提交的二进制流文件

在超低配的服务器上也能部署免费AI抠图工具？一行命令就搞定！

但是，我要说但是了，这种运用方法虽然运用简略，但经过测试，在服务端会有必定程度的内存泄露问题，因为本文主打一个低配服务器布置教程，不必要的内存耗费是无法承受的，所以并不引荐运用此方法。

经过 websocket 调用（引荐）

在前端项目中，咱们需求装置依赖：

npm i @gradio/client

然后引入并在项目中初始化一下 socket 服务：

import { client } from '@gradio/client'
const app = await client('http://(服务器IP):5000/')

接着咱们写一个简略的上传按钮，例如：

<input type="file" onChange="selectFile" />

在选择文件的事情回调 selectFile 中，将文件传递给服务接口便可取得抠图成果：

const selectFile = async (file) => {
  const result = await app.predict("/predict", [file, "u2netp", ""]); // u2netp 可改为其它模型
  console.log(result?.data[0]); // 这儿为回来的图画
};

成功后回来的是 Base64 格式数据，能够直接设置在 img 标签的 src 特点上以显现在页面中，假如要点击下载的效果能够参阅如下方法：

function DlBase64 (base64Data, fileName) => {
  const link = document.createElement('a')
  link.href = base64Data
  link.download = fileName
  link.click()
}

在实践事例中运用 Vue 代码完成，详细代码可参阅：Github – ImageCutout.vue

AI抠图原理

早在 2015 年，德国图画处理研究所（Institut fr Informatik）的研究人员就提出了一种图画切割使命处理方法，它是为了处理医学领域中的器官、细胞等图画的切割问题，后成为了一种经典的深度学习模型。因为其网络结构形状相似于字母 U，遂取名为 U-Net 模型。

在超低配的服务器上也能部署免费AI抠图工具？一行命令就搞定！

简略来说，这个模型会先对图画进行卷积和池化，再对特征图进行上采样或反卷积操作，左右对称的特征图拼接后再进行卷积和上采样，这个进程重复4次，终究得到输入图画的切割图。

卷积算法是一种常用的数字信号处理技术，是深度学习中卷积神经网络（CNN）的核心操作，能够看做是一个窗口滑动点乘运算，对输入信号或图画不同方位进行加权求和，从而提取出不同方位的特征信息。

池化从某种程度上来说，相似于图片紧缩，只不过紧缩是直接删去一些不重要的信息、或是丢失必定图画质量来到达与原始图画相同或近似的意图。而池化则是一种降维处理，它的意图不是单纯的减小尺寸，而是为了进步计算效率，从而提取出更重要的特征信息。

而上采样则是将特征图反卷积，提升分辨率。所以这个处理结构也被提出者称为：编码器-解码器结构。

因为 U-Net 模型首要处理的是医学图画上的切割问题，这类图画通常有着较为简略的特征和结构，所以在处理杂乱图画上则存在一些问题，无法直接使用于天然图画切割等场景，这时候就该 U^2-Net 登场了。

在超低配的服务器上也能部署免费AI抠图工具？一行命令就搞定！

在 U-Net 模型基础上，秦雪彬等人提出了 U^2-Net 模型（他们发布的论文在上一年被国际顶级学会 ICPR 评选为 2020 模式识别最佳论文），该模型经过改善 U-Net 结构和特征融合方法，在几乎不增加计算成本的前提下，进步了图画切割使命的准确性和效果。并且值得一提的是，它在功能表现上相同很优秀，因此能广泛使用于计算机视觉领域的各种使用中。

结尾

到这儿，相信你现已学会怎么在自己服务器上布置一款 AI 抠图东西了，是不是等不及要亲自尝试一番了呢？假如想了解关于文中提到的在线图片规划器，也欢迎拜访我的开源项目：迅排规划，相关介绍能够查阅这篇文章：

开源在线图片规划器，支撑PSD解析、AI抠图等，根据Puppeteer生成图片

以上就是文章的全部内容了，感谢看到这儿！假如觉得写得不错，对你有所协助或启示，别忘了点赞收藏重视“一键三连”~ 我也会持续更新更多实用的前端知识与技巧。