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！
前言
对于一款数字时代的图片编辑工具而言，抠图工具扮演着越来越重要的角色。它能轻松地将图像中的目标与背景进行分离，为用户提供便捷高效的编辑体验。
在过去，抠除图像背景往往是一件复杂又繁琐的工作，而实现一个 AI 自动抠图工具也并非易事，因为它需要不少服务器的算力消耗以及大量训练模型的成本。
而现在，我将展示在仅使用 1核1G运存 的超低服务器资源下，可以实现多么令人惊叹的抠图工具！如下所示，只需上传图片，便可自动抠除背景。在线体验
因为带宽也很小（仅 1M ）所以在线体验建议不要上传太大的图像。
接下来，我将带你学习如何部署，通过简单几步即可实现这款强大的 AI 抠图工具。同时，我也将用通俗易懂的文字带你剖析 AI 抠图工具背后的工作原理，帮助你更好地理解其背后的算法和逻辑。废话不多说，让我们开始吧！
开始部署
首先我们需要使用 Rembg 这个库，它是基于 U^2-Net 模型构建的一个用于图像背景去除的 Python 工具。
为了让开发者快速掌握它，我们并不需要学习 Python（除非自己训练模型），我们只需要会一点 docker 的使用，然后运行以下命令：
docker run -d -p 5000:5000 --restart always danielgatis/rembg s
运行完毕后会启动一个服务容器，映射在 5000 端口，此时访问 http://(服务器IP):5000 就可以看到类似这样的界面：
恭喜你，已经成功部署好了 AI 抠图工具，是不是 so easy ~
在第一次提交图像处理时，程序会自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，越小的模型消耗的内存就越少，在本例中正是使用了精简版模型，才得以在如此低配的服务器上良好地运行，制约其生产速度的反而是网络带宽。
这里的 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：适用于人体分割的预训练模型。
- isnet-anime：动漫角色的高精度分割。
如何使用
前面我们部署好了服务，那么该怎样结合到项目中使用呢？有两种方式。
调用 API 接口（不推荐）
访问 http://(服务器IP):5000/api 就可以看到一个 Swagger 构建的文档，程序提供了两个接口，都是接收一个图像然后返回其去除背景的图像结果，区别在于：
- GET 方法接收的是 URL 参数，传递的是一个网络可访问的图像链接
- POST 方法则是接收 file 参数，传递的是前端表单提交的二进制流文件
但是，我要说但是了，这种使用方法虽然使用简单，但经过测试，在服务端会有一定程度的内存泄露问题，由于本文主打一个低配服务器部署教程，不必要的内存消耗是无法接受的，所以并不推荐使用此方法。
通过 websocket 调用（推荐）
在前端项目中，我们需要安装依赖：
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/')
接着我们写一个简单的上传按钮，例如：
<input type="file" onChange="selectFile" />
在选择文件的事件回调 selectFile 中，将文件传递给服务接口便可获得抠图结果：
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]); // 这里为返回的图像
};
成功后返回的是 Base64 格式数据，可以直接设置在 img 标签的 src 属性上以显示在页面中，如果要点击下载的效果可以参考如下方法：
function DlBase64 (base64Data, fileName) => {
const link = document.createElement('a')
link.href = base64Data
link.download = fileName
link.click()
}
在实际案例中使用 Vue 代码实现，具体代码可参考：Github - ImageCutout.vue
AI抠图原理
早在 2015 年，德国图像处理研究所（Institut für Informatik）的研究人员就提出了一种图像分割任务解决方法，它是为了解决医学领域中的器官、细胞等图像的分割问题，后成为了一种经典的深度学习模型。由于其网络结构形状类似于字母 U，遂取名为 U-Net 模型。
简单来说，这个模型会先对图像进行卷积和池化，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，这个过程重复4次，最终得到输入图像的分割图。
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，可以看做是一个窗口滑动点乘运算，对输入信号或图像不同位置进行加权求和，从而提取出不同位置的特征信息。
池化从某种程度上来说，类似于图片压缩，只不过压缩是直接删除一些不重要的信息、或是损失一定图像质量来达到与原始图像相同或近似的目的。而池化则是一种降维处理，它的目的不是单纯的减小尺寸，而是为了提高计算效率，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。
由于 U-Net 模型主要解决的是医学图像上的分割问题，这类图像通常有着较为简单的特征和结构，所以在处理复杂图像上则存在一些问题，无法直接应用于自然图像分割等场景，这时候就该 U^2-Net 登场了。
在 U-Net 模型基础上，秦雪彬等人提出了 U^2-Net 模型（他们发布的论文在去年被国际顶级学会 ICPR 评选为 2020 模式识别最佳论文），该模型通过改进 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，提高了图像分割任务的准确性和效果。并且值得一提的是，它在性能表现上同样很优秀，因此能广泛应用于计算机视觉领域的各种应用中。
结尾
到这里，相信你已经学会如何在自己服务器上部署一款 AI 抠图工具了，是不是等不及要亲自尝试一番了呢？如果想了解关于文中提到的在线图片设计器，也欢迎访问我的开源项目：迅排设计，相关介绍可以查阅这篇文章：
开源在线图片设计器，支持PSD解析、AI抠图等，基于Puppeteer生成图片
以上就是文章的全部内容了，感谢看到这里！如果觉得写得不错，对你有所帮助或启发，别忘了点赞收藏关注“一键三连”~ 我也会持续更新更多实用的前端知识与技巧。
