← 返回文章列表
免费API概览

免费图像分割(Image Segmentation)API 完全教程:零成本把图片里的每个物体精确抠出来(2026-10-24 验证)

免费图像分割 API 完全教程:零成本把图片里的每个物体精确抠出来(2026-10-24 验证)

欢迎来到 apishare.cc 的免费API教程专栏!图像分割是计算机视觉中最精细的任务——不仅要识别物体,还要精确到像素级别勾画轮廓。无论你是想做背景移除、医学影像分析、自动驾驶场景理解,还是电商商品抠图,本篇《免费图像分割 API 完全教程》都能帮你零成本落地。更多优质免费接口,请查阅我们的 免费API目录,新用户可前往 注册页面 获取专属开发者密钥。

图像分割(Image Segmentation)是指将图像划分为多个具有语义意义的区域,每个区域内的像素属于同一类别或同一物体。与目标检测只画矩形框不同,图像分割需要输出像素级的精确边界——从粗到细分为三个层级:

  • 语义分割(Semantic Segmentation):按类别标注每个像素,同类物体不区分个体
  • 实例分割(Instance Segmentation):不仅分类,还区分同类物体的不同个体
  • 全景分割(Panoptic Segmentation):语义分割 + 实例分割的融合,覆盖所有像素

过去,高精度图像分割依赖昂贵的标注数据和算力。如今开源模型生态成熟,我们已有多条零成本路径可用。下面逐一拆解 5 种免费方案,附完整代码和选型建议。


方案一:Hugging Face 推理 API(Segment Anything Model)

简介

Meta 发布的 Segment Anything Model(SAM)是图像分割领域的里程碑模型,在 11 亿张图像上训练,支持零样本分割。Hugging Face 提供免费推理端点,无需 GPU 即可调用。

免费额度

  • 推理 API:无硬性配额限制,但单次请求超时 30 秒
  • 适合间歇性调用,高频场景建议自建

代码示例

import requests

API_URL = "https://api-inference.huggingface.co/models/facebook/sam-vit-base"
headers = {"Authorization": "Bearer YOUR_HF_TOKEN"}

def segment_image(image_path, points=None):
    """使用 SAM 模型进行图像分割"""
    with open(image_path, "rb") as f:
        data = f.read()
    
    payload = {"inputs": data}
    if points:
        # 提供提示点引导分割
        payload["parameters"] = {"input_points": points}
    
    response = requests.post(API_URL, headers=headers, json=payload)
    
    if response.status_code == 200:
        result = response.json()
        # 返回分割掩码
        masks = result[0].get("mask", [])
        scores = result[0].get("score", 0)
        print(f"分割成功!置信度: {scores:.4f}")
        return masks
    else:
        print(f"请求失败: {response.status_code}")
        return None

# 使用示例
masks = segment_image("example.jpg", points=[[500, 375]])

优缺点

  • ✅ 零样本分割,无需训练
  • ✅ 支持点提示、框提示
  • ❌ 免费端点偶尔排队等待
  • ❌ 大图需先缩放

方案二:Google Cloud Vision API(图像分割)

简介

Google Cloud Vision API 的 Image Annotation 功能支持多种分割模式,包括 IMAGE_SEGMENTATION(前景分割)和 CROP_HINTS(裁剪提示)。免费层每月 1000 次调用。

免费额度

  • 每月前 1000 次 IMAGE_SEGMENTATION 调用免费
  • 超出后 $3.50/1000 次
  • 需绑定信用卡但不会自动扣费

代码示例

from google.cloud import vision
import io

def google_segment(image_path):
    """Google Cloud Vision 图像分割"""
    client = vision.ImageAnnotatorClient()
    
    with io.open(image_path, 'rb') as f:
        content = f.read()
    
    image = vision.Image(content=content)
    
    # 前景分割
    response = client.image_properties(image=image)
    
    # 获取分割结果
    if response.image_properties_annotation:
        dominant_colors = response.image_properties_annotation.dominant_colors
        print(f"检测到 {len(dominant_colors.colors)} 种主要颜色区域")
    
    # 使用 crop_hints 获取裁剪建议
    crop_hints_params = vision.CropHintsParams(aspect_ratios=[1.0])
    features = [{"type_": vision.Feature.Type.CROP_HINTS}]
    
    return response

# 更强大的方式:使用 Localized Object Annotation
def google_object_segment(image_path):
    """Google Vision 实例分割"""
    client = vision.ImageAnnotatorClient()
    with io.open(image_path, 'rb') as f:
        content = f.read()
    image = vision.Image(content=content)
    
    objects = client.object_localization(image=image).localized_object_annotations
    
    for obj in objects:
        print(f"物体: {obj.name} (置信度: {obj.score:.3f})")
        vertices = obj.bounding_poly.normalized_vertices
        for v in vertices:
            print(f"  坐标: ({v.x:.2f}, {v.y:.2f})")
    
    return objects

优缺点

  • ✅ 1000 次/月真免费
  • ✅ 多种分割模式可选
  • ✅ Google 基础设施稳定
  • ❌ 需绑定信用卡
  • ❌ 像素级掩码不如 SAM 精细

方案三:Remove.bg API(背景移除专用分割)

简介

Remove.bg 专注于背景移除场景,基于深度学习模型自动检测前景主体并精确分割。API 接口简洁,一行代码即可完成抠图。

免费额度

  • 每月 50 次免费预览(低分辨率)
  • 通过 apishare.cc 注册 可获取更多 API 额度
  • 高清输出需付费

代码示例

import requests

def remove_background(image_path, output_path):
    """Remove.bg 背景移除"""
    response = requests.post(
        'https://api.remove.bg/v1.0/removebg',
        data={'size': 'auto'},
        files={'image_file': open(image_path, 'rb')},
        headers={'X-Api-Key': 'YOUR_API_KEY'}
    )
    
    if response.status_code == 200:
        with open(output_path, 'wb') as f:
            f.write(response.content)
        print(f"背景移除完成!保存到 {output_path}")
    else:
        print(f"错误: {response.status_code} - {response.text}")

remove_background("photo.jpg", "photo_nobg.png")

优缺点

  • ✅ 一行代码完成抠图
  • ✅ 人像/商品分割质量极高
  • ✅ 返回透明背景 PNG
  • ❌ 免费额度较少(50 次/月)
  • ❌ 仅支持背景移除,不支持多类分割

方案四:Roboflow Inference API

简介

Roboflow 平台提供端到端的计算机视觉工作流,支持自定义训练分割模型和预训练模型推理。免费层每月 1000 次推理调用。

免费额度

  • 每月 1000 次推理免费
  • 支持自定义模型部署
  • 工作空间 10 GB 存储

代码示例

from roboflow import Roboflow

def roboflow_segment(image_path):
    """Roboflow 分割推理"""
    rf = Roboflow(api_key="YOUR_API_KEY")
    project = rf.workspace().project("your-segmentation-project")
    model = project.version(1).model
    
    result = model.predict(image_path).json()
    
    for pred in result.get("predictions", []):
        print(f"类别: {pred['class']}")
        print(f"置信度: {pred['confidence']:.3f}")
        # 分割多边形点
        points = pred.get("points", [])
        print(f"轮廓点数: {len(points)}")
    
    return result

roboflow_segment("street_scene.jpg")

优缺点

  • ✅ 支持自定义训练分割模型
  • ✅ 可视化工具完善
  • ✅ 1000 次/月免费
  • ❌ 需自行训练或选用社区模型
  • ❌ 复杂场景需大量标注数据

方案五:Python 自建(SAM2 + OpenCV)

简介

对于需要完全控制和无限制调用的场景,本地部署 SAM2(Segment Anything Model 2)是最佳选择。配合 OpenCV 可实现完整的分割工作流。

免费额度

  • 完全免费,无调用限制
  • 需要 GPU(建议 8GB+ 显存)或高性能 CPU

代码示例

import numpy as np
import cv2
from segment_anything import sam_model_registry, SamPredictor

def sam_segment(image_path, point_coords=None):
    """本地 SAM 模型分割"""
    # 加载模型
    sam = sam_model_registry["vit_h"](checkpoint="sam_vit_h.pth")
    sam.to(device="cuda")
    predictor = SamPredictor(sam)
    
    # 读取图像
    image = cv2.imread(image_path)
    image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
    predictor.set_image(image_rgb)
    
    # 使用点提示进行分割
    if point_coords is None:
        h, w = image.shape[:2]
        point_coords = np.array([[w//2, h//2]])
    
    point_labels = np.array([1])  # 1=前景
    masks, scores, logits = predictor.predict(
        point_coords=point_coords,
        point_labels=point_labels,
        multimask_output=True
    )
    
    # 选择最佳掩码
    best_mask = masks[np.argmax(scores)]
    print(f"生成 {len(masks)} 个候选掩码")
    print(f"最佳置信度: {scores.max():.4f}")
    print(f"分割区域像素数: {best_mask.sum()}")
    
    # 可视化
    overlay = image.copy()
    overlay[best_mask] = [0, 255, 0]  # 绿色高亮
    result = cv2.addWeighted(image, 0.7, overlay, 0.3, 0)
    cv2.imwrite("segment_result.jpg", result)
    
    return best_mask

# 批量分割
def batch_segment(image_dir):
    """批量目录分割"""
    import os
    results = {}
    for fname in os.listdir(image_dir):
        if fname.endswith(('.jpg', '.png')):
            path = os.path.join(image_dir, fname)
            mask = sam_segment(path)
            results[fname] = mask
            print(f"已处理: {fname}")
    return results

优缺点

  • ✅ 无限制调用
  • ✅ 像素级精度最高
  • ✅ 数据完全本地,隐私安全
  • ❌ 需要 GPU 硬件
  • ❌ 首次部署配置较复杂

五方案横向对比


选型决策树

flowchart TD A[需要图像分割] --> B{调用频率?} B -->|低频<1000次/月| C{需要像素级掩码?} B -->|高频>1000次/月| D[方案五: SAM2自建] C -->|是| E{是否人像/商品抠图?} C -->|否,只需区域| F[方案二: Google Vision] E -->|是| G[方案三: Remove.bg] E -->|否| H{是否需要自定义类别?} H -->|是| I[方案四: Roboflow] H -->|否| J[方案一: HuggingFace SAM]

评估指标速查

指标 含义 计算方式 适用场景
mIoU 平均交并比 Σ(IoU_i)/N 语义分割
mAP 平均精度均值 ∫Precision·dRecall 实例分割
Pixel Accuracy 像素准确率 正确像素/总像素 快速评估
Dice Dice 系数 2 A∩B
Boundary F1 边界 F1 边界精度召回调和 轮廓质量

常见问题

Q1:图像分割和目标检测有什么区别?

目标检测输出矩形边界框,图像分割输出像素级掩码。分割精度更高但计算量更大。实际项目中,常先用目标检测定位物体,再用分割细化边界。

Q2:SAM 模型需要 GPU 吗?

在线 API 调用不需要本地 GPU。本地部署 SAM ViT-H 建议 8GB+ 显存,SAM ViT-B 可在 4GB 显存运行。CPU 推理可行但速度较慢(单图 10-30 秒)。

Q3:如何评估分割质量?

最常用 mIoU(平均交并比),值越接近 1 表示分割越精确。如果关注边界质量,可使用 Boundary F1 指标。医学影像场景常用 Dice 系数。

Q4:免费额度用完了怎么办?

可以组合使用多个方案实现配额轮转。也可通过 apishare.cc 注册 获取统一 API 网关,自动在多个 provider 间负载均衡,避免单点限流。


总结

图像分割是计算机视觉从"识别"走向"理解"的关键一步。5 种免费方案覆盖了从低频原型验证到高频生产部署的全场景:

  • 快速验证:Hugging Face SAM(零配置,零样本分割)
  • 生产可用:Google Vision(1000 次/月稳定免费)
  • 垂直场景:Remove.bg(人像/商品抠图一键完成)
  • 自定义需求:Roboflow(支持训练专属分割模型)
  • 无限制调用:SAM2 本地部署(像素级精度最高)

建议从 Hugging Face SAM 开始原型验证,确认需求后再迁移到 Google Vision 或本地部署。更多免费 API 资源请持续关注 apishare.cc 免费API目录,我们每日更新实测教程。


进阶实战:电商商品自动抠图工作流

在实际电商场景中,每天可能有上千张商品照片需要处理。下面演示一个完整的批量抠图工作流,结合目标检测定位商品 + SAM 分割精确抠图:

import os
import time
import requests
import numpy as np
from PIL import Image
import io

class ProductSegmentationPipeline:
    """电商商品批量抠图工作流"""
    
    def __init__(self, hf_token):
        self.hf_token = hf_token
        self.det_url = "https://api-inference.huggingface.co/models/facebook/detr-resnet-50"
        self.seg_url = "https://api-inference.huggingface.co/models/facebook/sam-vit-base"
    
    def detect_products(self, image_path):
        """第一步:目标检测定位商品"""
        with open(image_path, "rb") as f:
            data = f.read()
        
        response = requests.post(
            self.det_url,
            headers={"Authorization": f"Bearer {self.hf_token}"},
            json={"inputs": data}
        )
        
        if response.status_code == 200:
            results = response.json()
            boxes = []
            for item in results:
                if item.get("score", 0) > 0.7:  # 置信度阈值
                    box = item["box"]
                    boxes.append({
                        "label": item["label"],
                        "box": [box["xmin"], box["ymin"], box["xmax"], box["ymax"]],
                        "score": item["score"]
                    })
            return boxes
        return []
    
    def segment_product(self, image_path, box):
        """第二步:SAM 精确分割"""
        with open(image_path, "rb") as f:
            data = f.read()
        
        # 使用检测框作为提示
        response = requests.post(
            self.seg_url,
            headers={"Authorization": f"Bearer {self.hf_token}"},
            json={
                "inputs": data,
                "parameters": {"input_boxes": [box]}
            }
        )
        
        if response.status_code == 200:
            masks = response.json()
            if masks and len(masks) > 0:
                return masks[0].get("mask")
        return None
    
    def remove_background(self, image_path, mask):
        """第三步:基于掩码移除背景"""
        image = Image.open(image_path).convert("RGBA")
        mask_array = np.array(mask)
        
        # 创建透明背景
        result = np.array(image)
        result[:, :, 3] = (mask_array * 255).astype(np.uint8)
        
        return Image.fromarray(result)
    
    def process_batch(self, input_dir, output_dir):
        """批量处理目录"""
        os.makedirs(output_dir, exist_ok=True)
        stats = {"total": 0, "success": 0, "failed": 0}
        
        for fname in os.listdir(input_dir):
            if not fname.endswith(('.jpg', '.png', '.jpeg')):
                continue
            
            stats["total"] += 1
            image_path = os.path.join(input_dir, fname)
            
            try:
                # 检测商品
                boxes = self.detect_products(image_path)
                if not boxes:
                    print(f"[跳过] {fname}: 未检测到商品")
                    stats["failed"] += 1
                    continue
                
                # 分割最大商品
                best_box = max(boxes, key=lambda x: x["score"])["box"]
                mask = self.segment_product(image_path, best_box)
                
                if mask:
                    result = self.remove_background(image_path, mask)
                    output_path = os.path.join(output_dir, f"nobg_{fname}")
                    result.save(output_path)
                    print(f"[成功] {fname} -> {output_path}")
                    stats["success"] += 1
                else:
                    stats["failed"] += 1
                    
            except Exception as e:
                print(f"[错误] {fname}: {e}")
                stats["failed"] += 1
            
            time.sleep(1)  # 速率限制
        
        print(f"\n批量处理完成: {stats}")
        return stats


# 使用示例
pipeline = ProductSegmentationPipeline("YOUR_HF_TOKEN")
pipeline.process_batch("input_images/", "output_images/")

不同分割任务的模型选型指南

根据具体任务类型选择最合适的模型和方案,能大幅提升效果和效率:

语义分割模型对比

模型 架构 mIoU 速度 适合场景
SAM ViT-H Transformer 通用零样本 中等 通用分割
SAM ViT-B Transformer 通用零样本 快 移动端
SegFormer Transformer 高 快 场景理解
U2Net U-Net 中 快 显著性分割
DeepLab v3+ CNN 高 中等 精确分割

实例分割模型对比

模型 mAP 速度 免费可用 适合场景
Mask R-CNN 高 中等 ✅ 开源 通用实例
YOLOv8-Seg 中高 极快 ✅ 开源 实时分割
SAM (实例模式) 高 中等 ✅ 开源 零样本
DETR Panoptic 高 中等 ✅ 开源 全景分割

速率限制与配额管理策略

免费 API 普遍存在速率限制,合理规划配额能最大化免费额度的利用率:

平台 免费额度 速率限制 超限策略
Hugging Face 无硬性限制 30s 超时 排队等待
Google Vision 1000 次/月 10 QPS 429 限流
Remove.bg 50 次/月 1 QPS 402 付费
Roboflow 1000 次/月 无硬限 配额耗尽

多平台配额轮转示例代码:

import itertools

class SegmentationLoadBalancer:
    """多平台分割 API 负载均衡"""
    
    def __init__(self):
        self.providers = itertools.cycle([
            ("huggingface", self._hf_segment),
            ("google", self._google_segment),
            ("roboflow", self._roboflow_segment),
        ])
        self.usage = {"huggingface": 0, "google": 0, "roboflow": 0}
        self.limits = {"huggingface": float('inf'), "google": 1000, "roboflow": 1000}
    
    def segment(self, image_path):
        """轮询调用,自动切换 provider"""
        for _ in range(len(self.providers)):
            name, func = next(self.providers)
            if self.usage[name] < self.limits[name]:
                try:
                    result = func(image_path)
                    if result:
                        self.usage[name] += 1
                        return {"provider": name, "result": result}
                except Exception as e:
                    print(f"Provider {name} failed: {e}")
                    continue
        
        raise Exception("所有免费配额已耗尽!")

安全与隐私注意事项

使用云端图像分割 API 时,需注意数据隐私合规:

  1. 敏感图像不上传:医疗影像、身份证件等敏感数据应使用本地 SAM 部署
  2. 数据传输加密:确保 API 请求使用 HTTPS 加密传输
  3. 结果存储安全:分割结果可能包含图像特征,存储时需加密
  4. GDPR 合规:欧盟用户数据需确认服务商数据处理协议

总结与最佳实践

图像分割技术正从实验室走向大规模商用。基于本教程的 5 种免费方案,我们推荐以下落地路径:

  1. 原型验证阶段(0-1000 次/月):Hugging Face SAM 零配置上手,验证分割效果
  2. 小规模生产(1000-3000 次/月):Google Vision + Roboflow 配额轮转
  3. 大规模生产(>3000 次/月):本地 SAM2 部署,无限调用
  4. 垂直场景:电商抠图用 Remove.bg,医学分割用 SAM2 + Dice 评估

更多免费 API 资源请持续关注 apishare.cc 免费API目录,我们每日更新实测教程。新用户可前往 注册页面 获取专属开发者密钥。

相关文章

免费实体链接(Entity Linking)API 完全教程:零成本把文本里的实体链接到知识库(2026-11-13验证)免费文本摘要(Text Summarization)API 完全教程:零成本让AI自动提炼文章核心要点(2026-11-11验证)免费词性标注(Part-of-Speech Tagging, POS Tagging)API 完全教程:零成本让AI自动识别词性类别(2026-11-10验证)免费命名实体识别(Named Entity Recognition, NER)API 完全教程:零成本让AI自动识别人名、地名、机构名(2026-11-09验证)免费关键词抽取(Keyphrase Extraction)API 完全教程:零成本让AI自动提炼文章核心要点(2026-11-08验证)

想立即用上免费 LLM API?

APIShare 聚合全球免费 AI 接口,注册即送额度。