前言

做电商图、做头像、发小红书封面、抠产品图……"去除图片背景"是日常很常用的操作。大多数人会直接上在线网站（比如 remove.bg），但免费额度有限、处理原图还得把图传到别人服务器上，隐私是个问题——尤其是一些含个人信息、未发布素材的图，很多人不愿意随便上传。

今天介绍 Withoutbg：一款基于开源 Focus AI 模型的本地图像背景去除工具，能快速、准确地把图片主体和背景分离。核心优势有三个：

本地运行、保障隐私——图片不出你的 NAS/服务器，敏感素材放心处理；
开源、可自部署——基于开源模型，可 Docker 一键部署，还能集成进自己的工具链；
全架构支持——同时支持 Intel/AMD（amd64）和 ARM（arm64），NAS 的 ARM 芯片也能跑。

当然，如果本地机器配置不够、想要更快的处理速度，官方也提供 API 服务（下文会讲）。项目地址：https://github.com/withoutbg/withoutbg，下面是官方给的一组性能/效果展示：

先把原理说清楚：它到底在做什么

很多人以为"抠图"就是识别出前景、删掉背景。实际上的技术路线分两类，而这两种路线的差异，直接决定了你什么时候该用它、什么时候不该用：

传统抠图（Matting）：依靠颜色差异、边缘检测来算透明度。背景和主体颜色一接近就崩，比如白衬衫配白墙。
AI 分割（Segmentation）：模型先"看懂"图片里什么是人、什么是商品，再输出一张蒙版。这就是 Withoutbg 走的路线，用的是开源 Focus AI 系的分割模型。

分割模型的好处是不需要绿幕、也不挑背景颜色，你给它一张杂乱的桌面照，它也能认出主体在哪。代价是：判断依赖模型的训练数据——训练集里没见过的物体（冷门专业器材、自制手作），识别率就会掉。

还有一点很关键：它是"识别主体"，不是"抠出前景层"。所以处理带半透明的东西（玻璃杯、纱质衣服）时，模型很难判断"这里到底算前景还是背景"，边缘就容易糊——这是所有分割类工具的共同短板。

部署

我仍然推荐用 Docker Compose 方式部署，干净利落。在 NAS 的 docker 目录建 docker-compose.yml：

YAML

services:
  app:
    image: withoutbg/app:latest  # 使用 withoutbg/app:latest 镜像
    ports:
      - "11280:80"  # 映射本地 11280 端口到容器的 80 端口
    restart: always  # 容器停止后自动重启
    environment:
      - TZ=Asia/Shanghai  # 设置容器时区为上海

部署完 docker compose up -d，浏览器访问 http://NAS的IP:11280 即可。

💡 说明：配置非常精简，就一个镜像 + 端口映射 + 时区。第一次启动会拉取模型文件（体积不小），耐心等它初始化完再上传图片，否则可能提示还没就绪。

这段配置里唯一值得啰嗦的是 11280:80——冒号左边是你能改的，右边不用动。如果你 NAS 上 11280 被占了，换成 11xxx 段里任意空端口即可。另外国内拉这个镜像如果卡，先把 Docker 的镜像加速配好，可以参考我另一篇 Docker 镜像加速方案里的做法。

使用

装好后打开页面，直接上传图片就能自动抠背景，几乎零学习成本。界面左边那两个选项应该是作者预留的、以后会加的功能，现在可以先忽略：

找两张图实测一下效果。先来一张边缘简单、主体清晰的：

再来一张主体比较复杂、边缘有些细节的——效果会差一些，但"勉强可用"：

我的 NAS CPU 是 Intel N150（低功耗入门级），处理一张图大概 1-2 秒，速度还算能接受：

🧠 效果小贴士：背景越简单、主体边缘越利落（比如商品白底图、人像半身照），抠得越干净；如果背景杂乱、主体边缘有毛发或半透明物（头发丝、玻璃、蕾丝），效果会打折。追求最高质量时，优先选主体清晰、光照均匀的素材。

为什么入门级 CPU 也跑得动？

这里有个常见疑问：AI 模型不是都要显卡吗？为什么 N150 这种低功耗 CPU 反而能一两秒出图？

关键在任务性质。Docker 里跑的这类图像分割模型，属于"小模型 + 单张推理"——模型参数量不大（几十 MB 级别，跟动辄几个 GB 的大模型完全是两回事），并且只处理一张图，不吃显存也不涉及长上下文。这种负载对 CPU 是否友好的临界点很低，只要不追大批量吞吐，纯 CPU 就跑得动。

真正会拖慢速度的是这三种情况：

超大分辨率原图：4000×6000 的照片，光预处理缩放就要几百毫秒，内存占用也上去；
连续批量处理：单张 1.5 秒，一百张就是两分半，且 CPU 会持续满载；
NAS 同时在跑别的重活（转码、同步、虚拟机）：抢不到 CPU 时间片。

所以判断标准很简单：你是"偶尔用几张"还是"每天几百张"。前者任何 NAS 都够；后者才需要考虑上 GPU 或走 API。

关于"隐私"这件事，说透一点

文章开头把隐私列为核心优势，这里补充一下边界，免得误解：

环节	数据去哪	说明
上传图片	只到你的 NAS	浏览器 → 你的局域网，不出内网
模型推理	你的 NAS 本地	全程在容器内完成
结果图	只存在你本地	不经过任何第三方
但——外网访问时	取决于你怎么暴露	若用公网端口直连，链路仍是明文的

最后一行是重点：自部署 ≠ 自动安全。如果你把 11280 端口直接映射到公网，那"本地处理"的优点还在，但传输环节变成了裸奔（HTTP、无加密、无认证）。正确做法是要么只在内网用，要么套一层反向代理 + HTTPS。

效果的天花板与应对

把常见失败场景集中列一下，省得你踩了坑还不知道为什么：

场景	表现	为什么	怎么办
白衬衫 + 白墙	主体缺一块	颜色对比不足	换张背景有反差的图
长发 / 宠物毛	边缘发丝丢失	半透明边缘无法精确判定	换工具或手工修
玻璃杯 / 纱料	整块被抠掉	模型判断"这是背景" —— 逻辑上没错	手工补蒙版
冷门物体	识别不出主体	训练集没覆盖	用 API 里更强的模型
大图耗时久	等十几秒	预处理 + 推理耗时上升	先缩到 2000px 再上传

一个实用技巧：先缩图再抠。多数使用场景（社媒封面、商品主图）最终输出也就 1080-2000px，先把原图缩到这个量级，速度能快好几倍，画质损失肉眼看不出来。

API（本地跑不动时的备选）

如果 NAS 或 VPS 配置实在不够（跑模型太慢），官方还提供了 API 服务，新用户可免费使用 50 次，适合偶尔用、或想直接集成到代码/自动化流程里的场景。地址：https://withoutbg.com/account

本地 Docker vs 官方 API 怎么选？

对比	本地 Docker	官方 API
隐私	✅ 图片不出本地	需上传到官方
速度	取决于机器 CPU	快（云端 GPU）
成本	免费无限用	免费 50 次，超出收费
适用	频繁用、注重隐私	偶尔用、机器太弱、想快速集成
可控性	✅ 可离线、可改代码	受服务方限流与价格影响
首次投入	需等模型下载	注册即用

补一句判断建议：如果你连"图片被第三方留存"本身都不介意，那 API 确实更省事——别为了"隐私"这个名义硬上一套自部署，结果维护成本压过收益。反过来，只要你在处理合同扫描件、证件照、未发布素材这类东西，本地部署的价值就是实打实的。

常见问题

Q：容器起不来 / 打开页面报错？ 先看日志确认模型有没有下载完。首次启动要拉模型文件，这期间页面可能是空的或报错，属正常现象。

Q：能批量处理吗？ Web 界面是单张交互式的。要批量就调它的 HTTP 接口，写个脚本循环上传即可——这也是自部署相对在线站的最大优势：可以自动化。

Q：ARM 的 NAS 能跑吗？ 能，镜像提供 arm64 版本。但 ARM 处理器推理速度通常慢于同代 x86，建议实测后再决定用它还是走 API。

Q：抠完的图能直接商用吗？ 工具本身开源，但能不能商用取决于你的素材版权和模型许可，这里不做担保，正式商用前请自行确认。

结尾

如果你经常要抠图、又不想把图传给别人，在 NAS 上自部署一个 Withoutbg 是很划算的选择——一次部署，以后随便用，还保护隐私。唯一要想清楚的是机器性能：入门级 CPU 也能跑（N150 一张 1-2 秒），但追求大批量高效处理的话，还是用官方 API 或上更强硬件更省心。

顺便说，这类"本地处理 + 隐私优先"的思路在这批工具里挺常见的。如果你平时还经常跟 PDF 打交道，同一逻辑下有个更实用的选择：隐私优先的 PDF 工具箱 BentoPDF——所有 PDF 操作都在你自己浏览器里跑完，合同证件不上传第三方，跟 Withoutbg 是同一套哲学。

需要批量抠图、又正好有 NAS 的朋友，值得动手一试。有部署或使用问题，欢迎在评论区留言交流。

Docker部署免费的AI去除背景工具保障隐私

摘要

前言