1. 为什么我要把 rembg 塞进 OpenClaw Skill做内容这行图片去背景是绕不开的活。电商主图要白底、头像要透明底、PPT 素材要抠干净以前我都是开 Photoshop 一点点描边一张图十分钟起步批量处理直接劝退。后来试过在线抠图站上传方便但心里总不踏实——素材里有客户产品图传到别人服务器上算怎么回事。rembg 这个开源项目我关注挺久了它基于 U-2-Net、BiRefNet 这类分割模型本地跑、离线用、效果还稳。问题在于它是个 Python 库每次用都得敲命令行、管虚拟环境对不写代码的同事不友好。OpenClaw 的 Skill 机制刚好补上这块把 rembg 封装成一个可复用的技能包通过 ClawHub 一键拉取调用时像用普通工具一样简单。这篇就记录我从零把 rembg 部署进 OpenClaw Skill 的完整过程。目标很明确ClawHub 拉骨架、写 config.toml 声明依赖和模型路径、本地跑通单张和批量去背景、验证输出目录结构。适合已经装了 OpenClaw、想给自己加一个离线抠图能力的同学。全程命令可复制踩过的坑我也会标出来。2. 部署前的环境盘点与 TaoToken 接入准备动手之前先把两件事理清楚一是本地 Python 环境二是模型调用链路的凭证管理。Python 这块rembg 2.0.72 建议 Python 3.10 以上我用的是 3.12。系统里有没有 Python 不影响因为 Skill 的 install.py 会自己建独立虚拟环境位置固定在~/.venv/rembg/跟系统环境隔离删掉这个目录就等于卸载干净。第二件事容易被忽略。OpenClaw 的 Skill 在跑批处理或者接 Agent 工作流时经常需要调用模型做后处理比如自动给抠好的图生成描述、判断抠图质量是否达标。这时候就需要一个稳定的 API 入口。我自己的做法是把 TaoToken 的 API Key 统一管起来模型对话、编码计划这些能力都走同一个控制台省得每个 Skill 单独配一套凭证。具体操作是进控制台创建 API Key然后在 OpenClaw 的环境变量里注入。这样 Skill 脚本里读os.environ就能拿到不用硬编码。如果你只是单纯跑 rembg 本地抠图这一步可以先跳过但只要涉及批量任务的智能调度建议提前配好。提示API Key 不要写进 config.toml 明文提交到仓库用环境变量或者本地.env文件加载.env记得加进.gitignore。3. ClawHub 拉取 Skill 骨架与目录结构ClawHub 上已经有 rembg 的 Skill 包直接装就行。命令很简单clawhub install rembg装完之后 Skill 会落在 OpenClaw 的 workspace 目录下Windows 一般在C:\Users\用户名\.openclaw\workspace\skills\rembgmacOS/Linux 在~/.openclaw/workspace/skills/rembg。进去看一眼目录结构心里有数rembg/ ├── SKILL.md # Skill 元数据与使用文档 ├── _meta.json # ClawHub 元数据 ├── config.toml # 依赖与模型路径声明 ├── setup/ │ ├── install.py # 自动创建虚拟环境 │ ├── requirements.txt # 依赖声明 │ └── check_env.py # 环境验证脚本 ├── scripts/ │ ├── remove_bg.py # 单张图片处理 │ └── batch_remove_bg.py# 批量处理 ├── references/ │ └── rembg-guide.md # 详细使用指南 └── image_output/ # 输出目录运行时生成 ├── single/ └── batch/这个结构的设计思路很清晰setup/管环境scripts/管业务image_output/管产物。虚拟环境独立在用户根目录不污染系统 Python不同 Skill 可以用不同版本的同一个库互不打架。4. config.toml 骨架与依赖声明逐行拆解config.toml 是整个 Skill 的配置中枢依赖版本、模型路径、输出策略都在这里声明。下面是我实际用的骨架逐段说明[skill] name rembg version 2.0.72 description 基于 rembg 的离线背景去除 Skill entry scripts/remove_bg.py [environment] venv_dir ~/.venv/rembg python_min 3.10 model_cache ~/.u2net [dependencies] rembg 2.0.72 socksio 1.0.0 pillow 10.0.0 [model] default u2net available [u2net, u2netp, u2net_human_seg, isnet, birefnet-general] [output] base_dir image_output single_subdir single batch_subdir batch date_partition true[environment]里的venv_dir和model_cache是关键。虚拟环境放用户根目录模型缓存放~/.u2net/这样多个 Skill 共享同一份模型文件不用重复下载。[dependencies]里rembg锁 2.0.72socksio是 SOCKS 协议支持某些网络环境下 pip 安装需要它。[model]段声明默认模型和可选模型列表u2net通用性最好u2net_human_seg专门做人像分割birefnet-general精度最高但模型接近 1GB。[output]段的date_partition true会让输出按日期分目录比如image_output/single/2026-03-27/photo_nobg.png批量处理时找文件方便。依赖清单在setup/requirements.txt里也有一份两边保持一致rembg[cpu,cli]2.0.72 socksio1.0.0 pillow10.0.0rembg[cpu,cli]这个写法是 extras 语法cpu表示装 CPU 版推理后端cli带上命令行工具。如果你有 NVIDIA 显卡想用 GPU 加速改成rembg[gpu,cli]但要注意 CUDA 版本匹配。5. 初始化虚拟环境与跑通单张去背景配置写完执行初始化脚本cd ~/.openclaw/workspace/skills/rembg python3 setup/install.pyinstall.py 干四件事检测 Python 版本、创建虚拟环境、安装依赖、配置 PATH。跑完看到✓ 环境初始化完成!就对了。首次运行会下载 u2net 模型约 176MB网络慢的话等几分钟。环境验证用 check_env.pypython3 setup/check_env.py预期输出三行虚拟环境存在、rembg 已安装、AI 模型已下载。缺哪个它会告诉你补哪个。接下来跑单张图python3 scripts/remove_bg.py photo.jpg输出类似输入 (Input): photo.jpg 输出 (Output): image_output/single/2026-03-27/photo_nobg.png 模型 (Model): u2net 处理中... (Processing...) ✓ 处理完成! (Done!)指定模型和输出路径python3 scripts/remove_bg.py portrait.jpg -o result.png -m u2net_human_seg批量处理整个文件夹python3 scripts/batch_remove_bg.py ./photos/ ./output/批量脚本会遍历./photos/下所有图片逐个去背景结果按原文件名加_nobg后缀存到./output/。如果你要在自己的 Python 脚本里直接调 rembg可以这样集成import sys sys.path.insert(0, ~/.venv/rembg/lib/python3.12/site-packages) from rembg import remove from PIL import Image img Image.open(product.jpg) result remove(img) result.save(product_nobg.png, PNG)处理人像、毛发这类复杂边缘时开启 alpha matting 效果更好output remove( input_image, alpha_mattingTrue, alpha_matting_foreground_threshold240, alpha_matting_background_threshold10, alpha_matting_erode_size10 )调试分割效果时可以只要 mask 不要合成图mask remove(input_image, only_maskTrue) mask.save(mask.png)6. 验证请求与输出结果检查跑通之后别急着收工验证一下输出质量。我一般做三个检查第一看文件是否真的透明。用 Python 读一下 PNG 的 alpha 通道from PIL import Image img Image.open(image_output/single/2026-03-27/photo_nobg.png) print(img.mode) # 应该是 RGBA print(img.getextrema()[-1]) # alpha 通道范围有 0 说明有透明像素第二批量任务检查数量对不对。ls image_output/batch/ | wc -l跟输入文件夹图片数比对少了的说明有失败任务去看日志。第三边缘质量抽检。人像看发丝产品看反光边缘复杂背景看有没有残留色块。不满意就换模型重跑u2net_human_seg对人像更友好birefnet-general对通用场景精度更高但慢。如果你在 Skill 里接了模型做后处理比如自动生成图片描述这时候可以调一次模型对话验证链路通不通。API Key 配好的话脚本里直接读环境变量发请求返回正常就说明整条链路没问题。7. 本篇常见报错排查部署过程我遇到过几个典型报错列出来省得你重复踩。Python not found系统没装 Python 或者版本低于 3.10。装个 3.12 就行Windows 记得勾选 Add to PATH。ModuleNotFoundError: rembg虚拟环境没建成功或者脚本用错了 Python 解释器。重新跑install.py确认脚本里用的是~/.venv/rembg/bin/python而不是系统 python。模型下载失败网络问题导致 u2net 模型拉不下来。可以手动下载模型文件放到~/.u2net/目录文件名保持u2net.onnx。内网环境建议提前缓存好模型再部署。处理速度极慢默认 CPU 推理大图会慢。两个办法换u2netp轻量模型45MB速度快但精度略降或者装 GPU 版rembg[gpu,cli]。输出图片全黑或全透明多半是输入图片格式问题CMYK 模式的 JPG 要先转 RGB。用 PIL 转一下再喂给 rembg。批量脚本报路径错误输入输出路径带空格或中文加引号包起来。Windows 下路径分隔符用正斜杠或者双反斜杠。config.toml 解析失败TOML 语法严格字符串必须双引号布尔值小写true/false数组用方括号。改完用python3 -c import tomllib; tomllib.load(open(config.toml,rb))验证一下。8. 后续接入与能力扩展Skill 跑通只是起点。接下来我打算做两件事一是把批量处理接进 OpenClaw 的任务队列支持更大规模的图片流水线二是给输出加质量检测自动识别抠图失败的图并重试。如果你也想把这套能力接到自己的编码工作流里比如让 Agent 自动处理素材图再生成文案可以走 Coding Plan 那条线把 rembg Skill 和模型调用串起来。API Key 在控制台创建接入文档里有完整的鉴权和请求示例照着配就行。模型对话入口可以用来验证后处理链路确认整条流水线通了再上批量。部署这事一次配好后面就省心了。虚拟环境和模型缓存都在用户目录换机器拷贝过去就能用算是把离线抠图这个能力真正沉淀下来了。