ComfyUI-RMBG

一款专为高级图像背景去除及对象、人脸、服饰与时尚元素的精准分割而打造的先进ComfyUI自定义节点。该工具整合了丰富多样的模型，包括RMBG-2.0、INSPYRENET、BEN、BEN2、BiRefNet、SDMatte模型、SAM、SAM2以及GroundingDINO，并新增实时背景替换功能与更优的边缘检测算法，以进一步提升处理精度。

新闻与更新

• 2026年1月1日：将ComfyUI-RMBG更新至v3.0.0（update.md）

• 2025年12月9日：将ComfyUI-RMBG更新至v2.9.6（update.md）
  

• 2025年11月25日：将ComfyUI-RMBG更新至v2.9.5，修复SAM3分割中的Bug（update.md）

• 2025年11月24日：将ComfyUI-RMBG更新至v2.9.4，新增SAM3分割功能（update.md）
  

• 2025年10月5日：将ComfyUI-RMBG更新至v2.9.3（update.md）
  

• 2025年9月30日：将ComfyUI-RMBG更新至v2.9.2（update.md）

• 新增BiRefNet_toonOut模型
  

• 更新Imagestitch
  

• 2025年9月12日：将ComfyUI-RMBG更新至v2.9.1（update.md）
  

• 2025年8月18日：将ComfyUI-RMBG更新至v2.9.0（update.md）
  

• 新增SDMatte Matting节点

• 2025年8月11日：将ComfyUI-RMBG更新至v2.8.0（update.md）
  

• 新增SAM2Segment节点，支持基于文本提示的分割，采用最新的Facebook Research SAM2技术。

• 全面增强所有节点的颜色小部件支持。

• 2025年8月6日：将ComfyUI-RMBG更新至v2.7.1（update.md）
  

• 增强LoadImage功能，将其拆分为三个独立节点以满足不同需求，均支持从本地路径或URL直接加载图像。

• 完全重新设计ImageStitch节点，使其兼容ComfyUI的原生功能。

• 修复了用户反馈的背景颜色处理问题。

• 2025年7月15日：将ComfyUI-RMBG更新至v2.6.0（update.md）
  

• 新增Kontext Refence latent Mask节点，利用参考潜伏和掩码实现精确的区域条件化。

• 2025年7月11日：将ComfyUI-RMBG更新至v2.5.2（update.md）
  

• 2025年7月7日：将ComfyUI-RMBG更新至v2.5.1（update.md）

• 2025年7月1日：将ComfyUI-RMBG更新至v2.5.0（update.md）
  

• 新增MaskOverlay、ObjectRemover、ImageMaskResize等新节点。

• 新增两款BiRefNet模型：BiRefNet_lite-matting和BiRefNet_dynamic。

• 为Segment_v1和Segment_V2节点添加批量图像支持。

• 2025年6月1日：将ComfyUI-RMBG更新至v2.4.0（update.md）
  

• 新增CropObject、ImageCompare、ColorInput节点，并推出新的Segment V2（详情见update.md）。

• 2025年5月15日：将ComfyUI-RMBG更新至v2.3.2（update.md）
  

• 2025年5月2日：将ComfyUI-RMBG更新至v2.3.1（update.md）

• 2025年5月1日：将ComfyUI-RMBG更新至v2.3.0（update.md）
  

• 新增IC-LoRA Concat、Image Crop等新节点。

• 为Load Image增加长边、短边、宽度和高度四种缩放选项，提升灵活性。

• 2025年4月5日：将ComfyUI-RMBG更新至v2.2.1（update.md）

• 2025年4月5日：将ComfyUI-RMBG更新至v2.2.0（update.md）
  

• 新增Image Combiner、Image Stitch、Image/Mask Converter、Mask Enhancer、Mask Combiner和Mask Extractor等新节点。

• 修复了与transformers v4.49+的兼容性问题。

• 修复了i18n翻译错误。

• 为分割节点新增了掩码图像输出。

• 2025年3月21日：将ComfyUI-RMBG更新至v2.1.1（update.md）

• 增强了与Transformers的兼容性。

• 2025年3月19日：将ComfyUI-RMBG更新至v2.1.0（update.md）

• 集成了多语言的国际化（i18n）支持。

• 改进了用户界面，支持动态语言切换。

• 提升了非英语用户的可访问性，实现了完全可翻译的功能。

https://github.com/user-attachments/assets/7faa00d3-bbe2-42b8-95ed-2c830a1ff04f

• 2025年3月13日：将ComfyUI-RMBG更新至v2.0.0（update.md）
  

• 新增了Image和Mask Tools，功能得到进一步提升。

• 优化了代码结构和文档，提升了易用性。

• 新增了一个新的分类路径：🧪AILab/🛠️UTIL/🖼️IMAGE。

• 2025年2月24日：将ComfyUI-RMBG更新至v1.9.3，清理代码并修复问题（update.md）

• 2025年2月21日：将ComfyUI-RMBG更新至v1.9.2，新增快速前景颜色估计功能（update.md）
  

• 新增了前景细化功能，更好地处理透明度问题。

• 提升了边缘质量和细节保留。

• 加强了内存优化。

• 2025年2月20日：将ComfyUI-RMBG更新至v1.9.1（update.md）

• 将模型管理的仓库迁移到新仓库，并重新组织了模型文件结构，以提高可维护性。

• 2025年2月19日：将ComfyUI-RMBG更新至v1.9.0，改进了BiRefNet模型（update.md）
  

• 提升了BiRefNet模型的性能和稳定性。

• 改进了大图像的内存管理。

• 2025年2月7日：将ComfyUI-RMBG更新至v1.8.0，新增BiRefNet-HR模型（update.md）
  

• 新增了一个用于BiRefNet-HR模型的自定义节点。

• 支持高分辨率图像处理（最高可达2048x2048）。

• 2025年2月4日：将ComfyUI-RMBG更新至v1.7.0，新增BEN2模型（update.md）
  

• 新增了一个用于BEN2模型的自定义节点。

• 2025年1月22日：将ComfyUI-RMBG更新至v1.6.0，新增Face Segment自定义节点（update.md）
  

• 新增了一个用于人脸解析和分割的自定义节点。

• 支持19种面部特征类别（皮肤、鼻子、眼睛、眉毛等）。

• 精确提取和分割面部特征。

• 多种特征选择以实现组合分割。

• 参数控制与其他RMBG节点相同。

• 2025年1月5日：将ComfyUI-RMBG更新至v1.5.0，新增Fashion and accessories Segment自定义节点（update.md）
  

• 新增了一个用于时尚分割的自定义节点。

• 2025年1月2日：将ComfyUI-RMBG更新至v1.4.0，新增Clothes Segment节点（update.md）
  

• 新增了智能衣物分割功能，涵盖18个不同类别。

• 支持多件物品选择和组合分割。

• 参数控制与其他RMBG节点相同。

• 2024年12月29日：将ComfyUI-RMBG更新至v1.3.2，改进了背景处理（update.md）

• 增强了背景处理功能，支持在选择“Alpha”时输出RGBA。

• 确保在其他背景颜色选择下仍输出RGB。

• 2024年12月25日：将ComfyUI-RMBG更新至v1.3.1，修复了Bug（update.md）

• 修复了当模型返回多个掩码时的掩码处理问题。

• 改进了图像格式的处理，避免了处理错误。

• 2024年12月23日：将ComfyUI-RMBG更新至v1.3.0，新增Segment节点（update.md）
  

• 新增了基于文本提示的对象分割功能。

• 同时支持标签式（“猫、狗”）和自然语言（“一个穿红夹克的人”）提示。

• 多种模型：SAM（vit_h/l/b）和GroundingDINO（SwinT/B）（每次使用特定模型时，模型文件会自动下载）。

• 此次更新需要安装requirements.txt。

• 2024年12月12日：将Comfyui-RMBG ComfyUI自定义节点更新至v1.2.2（update.md）
  

• 2024年12月2日：将Comfyui-RMBG ComfyUI自定义节点更新至v1.2.1（update.md）
  

• 2024年11月29日：将Comfyui-RMBG ComfyUI自定义节点更新至v1.2.0（update.md）
  

• 2024年11月21日：将Comfyui-RMBG ComfyUI自定义节点更新至v1.1.0（update.md）
  

功能特性

• 背景去除（RMBG节点）

  • 多种模型：RMBG-2.0、INSPYRENET、BEN、BEN2
  • 丰富的背景选项
  • 支持批量处理

• 对象分割（Segment节点）

  • 文本提示式对象检测
  • 同时支持标签式与自然语言输入
  • 基于SAM的高精度分割
  • 灵活的参数控制

• SAM2 分割

  • 使用最新SAM2模型（Tiny/Small/Base+/Large）进行文本提示式分割
  • 首次使用时自动下载模型，也可手动下载

安装方法

方法1：通过ComfyUI-Manager安装

在ComfyUI-RMBG文件夹中运行install requirment.txt：

./ComfyUI/python_embeded/python -m pip install -r requirements.txt

[!注意]
Windows桌面应用：若安装后程序崩溃，请在安装依赖前设置PYTHONUTF8=1，然后再重试。

[!注意]
YOLO节点需要可选的ultralytics包。仅在确实需要YOLO时才安装，以避免依赖冲突：./ComfyUI/python_embeded/python -m pip install ultralytics --no-deps。

[!提示]
注意：如果您的环境无法使用系统Python安装依赖，可以改用ComfyUI自带的嵌入式Python。
示例（嵌入式Python）：./ComfyUI/python_embeded/python.exe -m pip install --no-user --no-cache-dir -r requirements.txt

方法2：将本仓库克隆到您的ComfyUI custom_nodes文件夹

cd ComfyUI/custom_nodes
git clone https://github.com/1038lab/ComfyUI-RMBG

在ComfyUI-RMBG文件夹中运行install requirment.txt：

./ComfyUI/python_embeded/python -m pip install -r requirements.txt

方法3：通过Comfy CLI安装

确保已安装pip install comfy-cli。
先安装ComfyUI（如果您尚未安装ComfyUI）：

comfy node install ComfyUI-RMBG

然后在ComfyUI-RMBG文件夹中运行install requirment.txt：

./ComfyUI/python_embeded/python -m pip install -r requirements.txt

方法4：手动下载模型

• 首次使用自定义节点时，模型会自动下载到ComfyUI/models/RMBG/目录。
• 手动下载RMBG-2.0模型：访问此链接，下载文件后将其放置于/ComfyUI/models/RMBG/RMBG-2.0文件夹。
• 手动下载INSPYRENET模型：访问此链接，下载文件后将其放置于/ComfyUI/models/RMBG/INSPYRENET文件夹。
• 手动下载BEN模型：访问此链接，下载文件后将其放置于/ComfyUI/models/RMBG/BEN文件夹。
• 手动下载BEN2模型：访问此链接，下载文件后将其放置于/ComfyUI/models/RMBG/BEN2文件夹。
• 手动下载BiRefNet-HR模型：访问此链接，下载文件后将其放置于/ComfyUI/models/RMBG/BiRefNet-HR文件夹。
• 手动下载SAM模型：访问此链接，下载文件后将其放置于/ComfyUI/models/SAM文件夹。
• 手动下载SAM2模型：访问此链接，下载文件（如sam2.1_hiera_tiny.safetensors、sam2.1_hiera_small.safetensors、sam2.1_hiera_base_plus.safetensors、sam2.1_hiera_large.safetensors），并将它们放置于/ComfyUI/models/sam2文件夹。
• 手动下载GroundingDINO模型：访问此链接，下载文件后将其放置于/ComfyUI/models/grounding-dino文件夹。
• 手动下载Clothes Segment模型：访问此链接，下载文件后将其放置于/ComfyUI/models/RMBG/segformer_clothes文件夹。
• 手动下载Fashion Segment模型：访问此链接，下载文件后将其放置于/ComfyUI/models/RMBG/segformer_fashion文件夹。
• 手动下载BiRefNet模型：访问此链接，下载文件后将其放置于/ComfyUI/models/RMBG/BiRefNet文件夹。
• 手动下载SDMatte safetensors模型：访问此链接，下载文件后将其放置于/ComfyUI/models/RMBG/SDMatte文件夹。

使用方法

RMBG节点

可选设置 :bulb: 小贴士

可选设置	:memo: 描述	:bulb: 小贴士
灵敏度	调整掩膜检测的强度。数值越高，检测越严格。	默认值为0.5。根据图像复杂程度调整；复杂图像可能需要更高的灵敏度。
处理分辨率	控制输入图像的处理分辨率，影响细节表现与内存占用。	选择256至2048之间的值，默认为1024。分辨率越高，细节越清晰，但内存消耗也越大。
掩膜模糊	控制掩膜边缘的模糊程度，减少锯齿效应。	默认值为0。尝试将该值设为1至5，以获得更平滑的边缘效果。
掩膜偏移	允许扩大或缩小掩膜边界。正值扩大边界，负值缩小边界。	默认值为0。根据具体图像调整，通常在-10至10之间微调。
背景	选择输出背景颜色	Alpha（透明背景）、黑色、白色、绿色、蓝色、红色
反向输出	翻转掩膜与图像输出	同时反转图像与掩膜输出
优化前景	使用快速前景颜色估计优化透明背景	开启后可提升边缘质量与透明度处理效果
性能优化	合理设置各项参数可在处理多张图像时提升性能。	若内存充足，可适当提高process_res与mask_blur值以获得更好效果，但需注意内存占用。

基本使用

1. 从 🧪AILab/🧽RMBG 类别中加载 RMBG（移除背景） 节点
2. 将一张图像连接到输入端
3. 从下拉菜单中选择一个模型
4. 根据需要选择参数（可选）
5. 获取两个输出：
   • IMAGE：处理后的图像，背景可为透明、黑色、白色、绿色、蓝色或红色
   • MASK：前景的二值掩码

参数

• sensitivity：控制背景移除的灵敏度（0.0–1.0）
• process_res：处理分辨率（512–2048，步长128）
• mask_blur：掩码的模糊程度（0–64）
• mask_offset：调整掩码边缘（-20至20）
• background：选择输出背景颜色
• invert_output：反转掩码与图像的输出
• optimize：切换模型优化

分段节点

1. 从 🧪AILab/🧽RMBG 类别中加载 分段（RMBG） 节点
2. 将一张图像连接到输入端
3. 输入文本提示（标签式或自然语言）
4. 选择 SAM 和 GroundingDINO 模型
5. 根据需要调整参数：
   • 阈值：0.25–0.35 用于宽泛检测，0.45–0.55 用于精确检测
   • 掩码模糊与偏移用于边缘细化
   • 背景颜色选项

关于模型

RMBG-2.0

RMBG-2.0 由 BRIA AI 开发，采用 BiRefNet 架构，具备以下特点：

• 在复杂环境下具有高精度
• 精确的边缘检测与保留
• 对细节的出色处理能力
• 支持单张图像中的多对象分割
• 输出对比
• 带背景的输出
• 视频批量输出

该模型在超过 15,000 张高质量图像的多样化数据集上进行训练，确保：

• 不同图像类型的均衡表现
• 各种场景下的高准确率
• 复杂背景下的稳健性能

INSPYRENET

INSPYRENET 专注于人像分割，具有以下优势：

• 处理速度快
• 边缘检测能力强
• 非常适合人像照片与人物主体

BEN

BEN 在各类图像上表现稳健，具备：

• 速度与精度的良好平衡
• 对简单与复杂场景均有效
• 适合批量处理

BEN2

BEN2 是 BEN 的升级版，具备：

• 更高的精度与速度
• 更强的复杂场景处理能力
• 支持更多图像类型
• 适合批量处理

BIREFNET 模型

BIREFNET 是一款强大的图像分割模型，提供多种版本：

• BiRefNet-通用模型（性能均衡）
• BiRefNet_512x512 模型（针对 512×512 分辨率优化）
• BiRefNet_人像模型（针对人像/人体抠图优化）
• BiRefNet_抠图模型（通用抠图）
• BiRefNet-HR 模型（高分辨率，最高可达 2560×2560）
• BiRefNet-HR_抠图模型（高分辨率抠图）
• BiRefNet_lite 模型（轻量版，处理更快）
• BiRefNet_lite-2K 模型（轻量版，支持 2K 分辨率）

SAM

SAM 是一款强大的目标检测与分割模型，具备：

• 在复杂环境下的高精度
• 精确的边缘检测与保留
• 对细节的出色处理能力
• 支持单张图像中的多对象分割
• 输出对比
• 带背景的输出
• 视频批量输出

SAM2

SAM2 是最新的分割模型系列，专为高效、高质量的文本提示分割而设计：

• 多种尺寸：Tiny、Small、Base+、Large
• 推理优化，同时保持高精度
• 首次使用时自动下载；也可手动放置于 ComfyUI/models/sam2

GroundingDINO

GroundingDINO 是一款基于文本提示的目标检测与分割模型，具备：

• 在复杂环境下的高精度
• 精确的边缘检测与保留
• 对细节的出色处理能力
• 支持单张图像中的多对象分割
• 输出对比
• 带背景的输出
• 视频批量输出

BiRefNet 模型

• BiRefNet-通用模型（性能均衡）
• BiRefNet_512x512 模型（针对 512×512 分辨率优化）
• BiRefNet_人像模型（针对人像/人体抠图优化）
• BiRefNet_抠图模型（通用抠图）
• BiRefNet-HR 模型（高分辨率，最高可达 2560×2560）
• BiRefNet-HR_抠图模型（高分辨率抠图）
• BiRefNet_lite 模型（轻量版，处理更快）
• BiRefNet_lite-2K 模型（轻量版，支持 2K 分辨率）

需求

• ComfyUI
• Python 3.10 及以上
• 必需包（自动安装）：
  • huggingface-hub≥0.19.0
  • transparent-background≥1.1.2
  • segment-anything≥1.0
  • groundingdino-py≥0.4.0
  • opencv-python≥4.7.0
  • onnxruntime≥1.15.0
  • onnxruntime-gpu≥1.15.0
  • protobuf≥3.20.2,<6.0.0
  • hydra-core≥1.3.0
  • omegaconf≥2.3.0
  • iopath≥0.1.9

SDMatte 模型（手动下载）

• 首次运行时自动下载至 models/RMBG/SDMatte/
• 若网络受限，则需手动放置权重文件：
  • models/RMBG/SDMatte/SDMatte.safetensors（标准版）或 SDMatte_plus.safetensors（Plus 版）
  • 组件（配置文件）会自动下载；如有需要，可将 Hugging Face 仓库的结构镜像至 models/RMBG/SDMatte/（scheduler/、text_encoder/、tokenizer/、unet/、vae/）

故障排除（简要）

• 初始化 GroundingDINO 时出现 401 错误或缺少 models/sam2：
  • 删除 %USERPROFILE%\.cache\huggingface\token（若存在，也删除 %USERPROFILE%\.huggingface\token）
  • 确保未设置 HF_TOKEN 或 HUGGINGFACE_TOKEN 环境变量
  • 重新运行；公共仓库会匿名下载（无需登录）
• 预览显示“所需输入缺失：图像”：
  • 确保图像输出已连接，并且上游节点已成功运行

致谢

• RMBG-2.0：https://huggingface.co/briaai/RMBG-2.0

• INSPYRENET：https://github.com/plemeri/InSPyReNet

• BEN：https://huggingface.co/PramaLLC/BEN

• BEN2：https://huggingface.co/PramaLLC/BEN2

• BiRefNet：https://huggingface.co/ZhengPeng7

• SAM：https://huggingface.co/facebook/sam-vit-base

• GroundingDINO：https://github.com/IDEA-Research/GroundingDINO

• 衣物分割：https://huggingface.co/mattmdjaga/segformer_b2_clothes

• SDMatte：https://github.com/vivoCameraResearch/SDMatte

• 由 AILab 创建

星标历史

如果这个自定义节点对您有帮助，或者您喜欢我的工作，请为这个仓库点个 ⭐！这将是对我的努力的巨大鼓励！

许可证

GPL-3.0 许可证

ComfyUI-RMBG 快速上手指南

ComfyUI-RMBG 是一个基于 ComfyUI 的自定义节点工具，用于高级图像背景移除和对象、人脸、服装及时尚元素的精确分割。该工具集成了多种模型（如 RMBG-2.0、INSPYRENET、SAM、SAM2 等），并支持实时背景替换与增强边缘检测功能。

---

环境准备

系统要求

• 操作系统：Windows / macOS / Linux
• Python 版本：3.8 - 3.11
• 显卡支持：建议使用 NVIDIA GPU 并安装 CUDA 驱动以加速推理过程

前置依赖

确保已安装以下软件：

• ComfyUI
• Python 依赖库（通过 pip 安装）：

  pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
  pip install transformers accelerate diffusers
  

📌 提示：若在国内使用，可使用清华源加速安装：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

---

安装步骤

1. 克隆仓库
   执行以下命令将 ComfyUI-RMBG 克隆到本地：

   git clone https://github.com/1038lab/ComfyUI-RMBG.git
   

2. 将节点文件复制到 ComfyUI 目录
   将 ComfyUI-RMBG 文件夹中的内容复制到 ComfyUI 的 custom_nodes 文件夹中：

   cp -r ComfyUI-RMBG/* path/to/ComfyUI/custom_nodes/
   

3. 启动 ComfyUI
   在 ComfyUI 根目录下运行：

   python main.py
   

4. 加载模型
   启动后，在 ComfyUI 界面中选择“节点”菜单，找到并加载 RMBG 相关节点。部分模型可能需要从官方仓库下载，具体路径请参考项目文档或 update.md。

---

基本使用

最简单的使用示例

1. 加载图像

   • 使用 Load Image 节点，输入图像路径（支持本地路径或 URL）。

2. 执行背景移除

   • 添加 Segment_V1 或 Segment_V2 节点，并连接至图像输出。
   • 设置参数（如模型类型、是否保留透明通道等）。

3. 查看结果

   • 连接 Image Output 节点，预览处理后的图像（带透明背景）。

示例流程图（文字描述）：

Load Image -> Segment_V1 -> Image Output

---

注意事项

• 部分模型需手动下载并放置在指定目录中，具体路径可在 update.md 中查找。
• 若遇到兼容性问题，请检查 ComfyUI 和相关依赖版本是否匹配。

---

以上为 ComfyUI-RMBG 的快速上手指南，更多高级用法请参考项目 README 及 update.md 文档。