使用说明

🎨 透明后台MCP服务器

🔒 隐私第一： 所有AI处理都在您的机器上本地进行。您的图像永远不会离开您的设备。

一个强大的模型上下文协议（MCP）服务器，使用最先进的人工智能模型从图像中删除背景。非常适合从任何图像创建透明PNG，支持多种尖端型号，包括BEN2、YOLO11和InSPyReNet。

✨ 特性

🤖 精心策划的人工智能模型：BEN2（最先进）、InSPyReNet（肖像）、YOLO11-S/L（速度）
🔒 100%本地处理：您的图像永远不会离开您的机器
📁 智能输入处理：自动接受文件路径和base64数据
⚡ GPU加速：自动GPU检测，CPU回退
📦 自动模型下载：无需手动设置
🎯 对象特定删除：使用YOLO11瞄准特定对象
⚡ 批处理：高效处理多张图像
🔧 硬件优化：根据您的系统自动推荐模型

🖼️ 视觉效果比较

使用真实的测试图像查看我们策划的模型之间的差异：

原始图像

模型结果

BEN2（默认）	InSPyReNet（肖像）

最先进的质量	非常适合肖像画
负载：11.5秒，进程：10.7秒	负载：1.1秒，进程

YOLO11-L（平衡型）	YOLO11-S（速度）

快速且平衡	处理速度最快
负载：0.1s，过程：0.6s	负载：0.2s，过程

💡 小贴士：所有模型都支持文件路径和base64输入。BEN2默认用于获得最高质量的结果。

🚀 快速开始

先决条件

Python 3.10+
紫外线（推荐）或pip
4GB+RAM（建议8GB+）
可选：配备4GB+VRAM的NVIDIA GPU，可实现更快的处理速度

安装

紫外线（推荐）：

uv pip install "transparent-background-mcp @ git+https://github.com/joeleaver/transparent-background-mcp.git"

使用pip：

pip install "transparent-background-mcp @ git+https://github.com/joeleaver/transparent-background-mcp.git"

注： pip install torch 在某些平台上默认为仅CPU。有关GPU支持，请参阅 PyTorch安装页面并首先安装相应的CUDA版本。

这将安装MCP服务器和所有必需的依赖项（PyTorch、Ultralytics、BEN2等）。模型权重在首次使用时自动下载。

运行服务器

transparent-background-mcp-server

或者直接运行而不安装（仅限紫外线）：

uvx --from "git+https://github.com/joeleaver/transparent-background-mcp.git" transparent-background-mcp-server

🔧 IDE集成

克劳德桌面

macOS： ~/Library/Application Support/Claude/claude_desktop_config.json 窗户： %APPDATA%\Claude\claude_desktop_config.json

{
  "mcpServers": {
    "transparent-background-mcp": {
      "command": "uvx",
      "args": ["--from", "git+https://github.com/joeleaver/transparent-background-mcp.git", "transparent-background-mcp-server"],
      "env": {
        "MODEL_CACHE_DIR": "~/.cache/transparent-background-mcp",
        "LOG_LEVEL": "INFO"
      }
    }
  }
}

VSCode与GitHub Copilot

添加到您的工作区 .vscode/mcp.json:

{
  "servers": {
    "transparent-background-mcp": {
      "command": "uvx",
      "args": ["--from", "git+https://github.com/joeleaver/transparent-background-mcp.git", "transparent-background-mcp-server"],
      "env": {
        "MODEL_CACHE_DIR": "~/.cache/transparent-background-mcp"
      }
    }
  }
}

光标

在光标设置中→ MCP服务器：

{
  "mcpServers": {
    "transparent-background-mcp": {
      "command": "uvx",
      "args": ["--from", "git+https://github.com/joeleaver/transparent-background-mcp.git", "transparent-background-mcp-server"],
      "env": {
        "MODEL_CACHE_DIR": "~/.cache/transparent-background-mcp"
      }
    }
  }
}

其他MCP客户端

对于任何兼容MCP的客户端，请使用以下标准配置：

{
  "servers": {
    "transparent-background-mcp": {
      "command": "uvx",
      "args": ["--from", "git+https://github.com/joeleaver/transparent-background-mcp.git", "transparent-background-mcp-server"],
      "env": {
        "MODEL_CACHE_DIR": "~/.cache/transparent-background-mcp"
      }
    }
  }
}

注：配置文件位置因客户端而异。查看客户的文档以了解特定的配置文件路径。

🛠️ 可用工具

`remove_background`

使用AI模型从单个图像中删除背景。

参数：

image_data （必填）：图像文件路径或base64编码的图像数据
model_name （可选）：要使用的型号(ben2-base, inspyrenet-base, yolo11s-seg, yolo11l-seg)
output_format （可选）：输出格式(PNG, JPEG)
confidence_threshold （可选）：检测置信阈值（0.0-1.0）

注：当 image_data 是一个文件路径，默认情况下，输出图像也保存在输入文件旁边，使用带有后缀和适当扩展名的相同文件名。

默认后缀： -no-bg （可通过以下方式更改 OUTPUT_SUFFIX 任何人）
例子： photo.jpg -> photo-no-bg.png
对于喜欢内联内容的客户端，响应仍然包含base64数据。

`batch_remove_background`

高效地处理多幅图像。

参数：

images_data （必填）：图像文件路径数组或base64图像数据
model_name （可选）：要使用的型号
output_format （可选）：输出格式
confidence_threshold （可选）：检测置信阈值

注意：对于任何作为文件路径的条目，输出将使用与上述相同的默认后缀行为与每个输入文件一起保存（例如。， image.jpg -> image-no-bg.png).响应还包括base64编码的输出。

`yolo_segment_objects`

使用YOLO11模型分割特定对象。

参数：

image_data （必填）：Base64编码图像数据
model_name （可选）：YOLO型号变体(yolo11s-seg 或 yolo11l-seg)
target_classes （可选）：要分割的特定对象类（例如。， ["person", "car"])
confidence_threshold （可选）：检测置信阈值
combine_masks （可选）：是否组合多个对象掩码

`get_available_models`

获取有关可用型号和系统建议的信息。

`get_system_info`

获取系统硬件信息和功能。

🤖 可用模型

型号	类型	尺寸	VRAM	性能	专业
BEN2	背景去除	213MB	3.5GB	优秀	头发遮片，精细细节（默认）
InSPyReNet	背景去除	65MB	2.0GB	非常好	人像，结果稳定
约洛11l	分段	87MB	2.2GB	非常好	性能均衡
YOLO11s段	分段	22MB	1.2GB	良好	处理速度快

📋 硬件要求

最低要求

中央处理器：任何现代处理器
随机存取存储器：4GB系统内存
图形处理器：无（支持CPU处理）
存储：型号为1GB

最佳表现

中央处理器：高性能多核
随机存取存储器：16GB+系统内存
图形处理器：8GB+显存（RTX 3070+、RTX 4060 Ti+）
存储：具有5GB+可用空间的SSD

🎯 模型性能比较

所有型号均已在仅CPU系统上使用1024x1024测试映像进行了测试。以下是性能结果：

⚡ 性能指标

型号	加载时间	处理时间	质量	最适合
yolo11s	0.23s	0.34s	⭐⭐⭐⭐	速度快，处理速度快
约洛11l	0.14秒	0.62秒	⭐⭐⭐⭐⭐	平衡的质量/速度
inspirenet基地	1.07秒	1.33秒	⭐⭐⭐⭐⭐	非常适合肖像画
苯2基	11.5秒	10.7秒	⭐⭐⭐⭐⭐	最先进的质量（默认）

🏆 模型建议

🥇 默认和最佳质量: ben2-base -最先进的结果（默认模型）
🎨 肖像画: inspyrenet-base -非常适合人物和细节主题
🚀 对于速度: yolo11s-seg -亚秒级处理
⚖️ 为了平衡: yolo11l-seg -1秒内质量好

📊 关键见解

BEN2 是提供最高质量结果的默认模型
InSPyReNet 擅长肖像和人物摄影
YOLO11型号 当您需要快速处理时，提供最佳速度
所有型号均支持 文件路径 和 base64图像数据 作为输入
GPU加速显著提高了所有型号的处理时间

💡 使用示例

基本背景移除

使用文件路径（推荐）：

# Simply provide the file path - BEN2 is used by default for best quality
"Remove the background from C:/Users/me/photos/portrait.jpg"

使用Base64（也支持）：

# The MCP server also accepts base64 encoded images
"Remove the background from this base64 image data"
# BEN2 model used by default for highest quality

速度与质量示例

对于速度（<1秒）：

"Remove background from /path/to/image.jpg using yolo11s-seg for fastest processing"

对于质量（默认值-最佳结果）：

"Remove background from /path/to/portrait.jpg"
# Uses BEN2 by default for highest quality

对象特定删除

# Target specific objects with YOLO models
"Use yolo11l-seg to remove only the person from /path/to/photo.jpg, keeping the background"
# The system will automatically segment and remove only people

批处理

# Process multiple images efficiently
"Remove backgrounds from these product photos using yolo11s-seg"
# Provide multiple file paths: ["/path/to/photo1.jpg", "/path/to/photo2.jpg"]

🔧 配置

环境变量

创建一个 .env 文件或设置环境变量：

# Model cache directory
MODEL_CACHE_DIR=~/.cache/transparent-background-mcp

# Force CPU usage (disable GPU)
FORCE_CPU=false

# Default model
DEFAULT_MODEL=ben2-base

# Logging level
LOG_LEVEL=INFO

# Maximum batch size
MAX_BATCH_SIZE=4

# Clear GPU cache after operations
CLEAR_GPU_CACHE=true

高级配置

对于高级用户，您可以自定义模型行为：

{
  "mcpServers": {
    "transparent-background-mcp": {
      "command": "uvx",
      "args": ["--from", "git+https://github.com/joeleaver/transparent-background-mcp.git", "transparent-background-mcp-server"],
      "env": {
        "MODEL_CACHE_DIR": "/custom/cache/path",
        "DEFAULT_MODEL": "ben2-base",
        "MAX_BATCH_SIZE": "8",
        "LOG_LEVEL": "DEBUG",
        "FORCE_CPU": "false",
        "CLEAR_GPU_CACHE": "true"
      }
    }
  }
}

🐛 故障排除

常见问题

“找不到模型”或下载错误

解决方案：检查互联网连接并确保有足够的磁盘空间
替代：尝试其他型号或使用清除缓存 get_system_info 工具

GPU内存不足错误

解决方案：使用较小的模型（例如。， yolo11s-seg 而不是 yolo11l-seg)
替代：设置 FORCE_CPU=true 使用CPU处理

CPU处理速度慢

预期：CPU处理速度比GPU慢
解决方案：考虑升级到支持GPU的系统或使用较小的型号

性能提示

使用GPU：确保CUDA兼容GPU具有足够的VRAM
批处理：一起处理多个图像以提高效率
模型选择：为您的硬件选择合适的型号尺寸
图像大小：处理前调整大图像大小以节省内存
缓存管理：模型在首次下载后缓存

获取帮助

问题: GitHub 问题
讨论: GitHub讨论

🔧 发展

本地开发

# Clone the repository
git clone https://github.com/joeleaver/transparent-background-mcp.git
cd transparent-background-mcp

# Create virtual environment
uv venv .venv && source .venv/bin/activate

# Install in development mode with dev dependencies
uv pip install -e ".[dev]"

# Run tests
pytest

# Format code
black src/
isort src/

# Type checking
mypy src/

MCP检验员测试

# Test the server locally
transparent-background-mcp-server

# Test with MCP Inspector
npx @modelcontextprotocol/inspector transparent-background-mcp-server

测试GitHub安装

📄 许可证

此项目根据MIT许可证获得许可-请参阅许可证文件以获取详细信息。

🙏 致谢

BEN2：背景擦除网络2，用于最先进的背景删除
Ultralytics：YOLO11模型用于对象分割
InSPyReNet：稳定的背景移除实施
模型上下文协议：人工智能工具集成框架

🔗 相关项目

由...制作❤️ 对于AI社区来说。100%本地，100%私有，100%强大。

使用说明

🎨 透明后台MCP服务器

✨ 特性

🖼️ 视觉效果比较

原始图像

模型结果

🚀 快速开始

先决条件

安装

运行服务器

🔧 IDE集成

克劳德桌面

VSCode与GitHub Copilot

光标

其他MCP客户端

🛠️ 可用工具

remove_background

batch_remove_background

yolo_segment_objects

get_available_models

get_system_info

🤖 可用模型

📋 硬件要求

最低要求

推荐设置

最佳表现

🎯 模型性能比较

⚡ 性能指标

🏆 模型建议

📊 关键见解

💡 使用示例

基本背景移除

速度与质量示例

对象特定删除

批处理

🔧 配置

环境变量

高级配置

🐛 故障排除

常见问题

“找不到模型”或下载错误

GPU内存不足错误

CPU处理速度慢

性能提示

获取帮助

🔧 发展

本地开发

MCP检验员测试

测试GitHub安装

📄 许可证

🙏 致谢

🔗 相关项目

相关 MCP

多格式文档转Markdown转换器

语义搜索知识库工具

代码知识图谱 MCP 服务

AI代理操作系统

AI图像视频处理工具

个人知识库MCP服务器

`remove_background`

`batch_remove_background`

`yolo_segment_objects`

`get_available_models`

`get_system_info`