Transparent Background MCP

MCP设计创作

提供方 joeleaver

设计创作 stdio · 本地进程 无需鉴权 社区 / 第三方 Claude
查看接入方式

一个使用先进AI模型在本地处理图像背景去除的服务,支持多种模型和批量处理,适用于图像编辑和自动化处理场景。

一句话选型结论

按资料字段整理

Transparent Background MCP 属于设计创作类 MCP 服务器,stdio · 本地进程,无需鉴权,可直接接入 Claude,有可直接执行的安装命令。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类设计创作 传输方式stdio · 本地进程 鉴权无需鉴权 部署方式本地部署
GitHub 星标 1 仓库热度,无公开仓库时显示未标注
工具数 5 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

设计创作
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量5暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

支持客户端

适用场景

AI图像处理Python本地部署背景去除本地处理批量处理GPU加速

安装与配置

stdio · 本地进程 无需鉴权
客户端在本机拉起子进程,数据不出本机
pip install "transparent-background-mcp @ git+https://github.com/joeleaver/transparent-background-mcp.git"

这条命令只是入口,具体启动参数请按官方文档补齐,不要直接照搬到别的服务器。

  1. 1
    准备运行环境

    stdio 服务在本地起进程,需要先装好 Node.js 等运行时,再按安装命令拉取依赖。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后客户端会列出约 5 个工具,随便调一个只读工具确认能返回结果。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
出图与素材

生成配图、图标与素材。

设计稿处理

读取设计稿、批量改尺寸或导出。

内容生成

按主题生成文案与视觉草稿。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 资料标注 5 个工具,职责相对集中,接入后不容易误操作。
  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。
  • 已适配 Claude,换客户端不用重新研究配置。
  • 资料标注无需鉴权,装好就能连。

先想清楚的地方

  • stdio 方式要求本地装好运行时(如 Node.js),换机器要重新装一遍。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在设计创作场景里让模型直接调用外部能力的人。
  • 已经在用 Claude 的用户,接入路径最短。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 完全不想在本地装环境的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
Transparent Background MCP当前 5 stdio · 本地进程 本地部署 有 2026-05-17
Cursor Talk To Figma MCP Da1c7911 40 未标注 未标注 无 2026-05-17
Blender MCP 17 stdio · 本地进程 本地部署 有 2026-05-18
Nova Canvas MCP Server 2 stdio · 本地进程 本地部署 有 2026-05-17
Figma Context MCP 3aaa8d28 未标注 未标注 支持远程部署 无 2026-05-17
kreuzberg 未标注 stdio · 本地进程 本地部署 有 2026-04-12

服务器档案

设计创作
字段来自项目仓库与公开索引,中文说明由本站标注
提供方joeleaver上游标注的维护方 joeleaver
分类设计创作本站按上游分类展示
连接方式stdio · 本地进程客户端在本机拉起子进程,数据不出本机
鉴权方式无需鉴权远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · 未标注本地安装时用到的包标识与运行时
部署类型本地部署上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

12.3 KB
来自项目仓库与上游目录的原文,未做删改

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


**使用pip:**```bash
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```bash

transparent-background-mcp-server


**或者直接运行而不安装(仅限紫外线):**```bash
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````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`:```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:```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"
}
}
}
}


### 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:```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"
}
}
}
}

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

推荐设置

  • 中央处理器:多核处理器
  • 随机存取存储器:8GB+系统内存
  • 图形处理器:4GB+VRAM(建议使用NVIDIA)
  • 存储:2GB适用于多种型号

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):```python

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):**```python
# 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):```python
"Remove background from /path/to/image.jpg using yolo11s-seg for fastest processing"


**对于质量(默认值-最佳结果):**```python
&quot;Remove background from /path/to/portrait.jpg&quot;
# Uses BEN2 by default for highest quality

对象特定删除```python

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

🔧 配置

环境变量

创建一个 .env 文件或设置环境变量:```bash

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

🐛 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

  1. 使用GPU:确保CUDA兼容GPU具有足够的VRAM
  2. 批处理:一起处理多个图像以提高效率
  3. 模型选择:为您的硬件选择合适的型号尺寸
  4. 图像大小:处理前调整大图像大小以节省内存
  5. 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```bash

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```bash
# 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

  • 模型上下文协议
  • Ultralytics YOLO
  • 透明背景

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

常见问题

8 问
答案由本站依据条目字段整理,不引用上游原文
Transparent Background MCP 怎么安装?

在客户端按下面的安装命令接入:pip install "transparent-background-mcp @ git+https://github.com/joeleaver/transparent-background-mcp.git"。装完在客户端配置里引用同一个包或端点。

Transparent Background MCP 怎么在 Claude 里配置?

它的传输方式是stdio · 本地进程,在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,配置才会生效。

Transparent Background MCP 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

Transparent Background MCP 需要 API Key 吗?

资料标注为无需认证,装好就能连;如果实际调用时报鉴权错误,按官方文档补上凭据。

Transparent Background MCP 支持哪些客户端?

资料标注支持 Claude;其他客户端只要能配置 MCP Server,也能用同样的命令或地址接入。

Transparent Background MCP 能提供哪些能力?

资料显示约 5 个工具;能力标签包括 Python、Claude、本地处理。具体工具清单以官方文档为准。

Transparent Background MCP 需要什么运行环境?

属于本地进程,需要在本机装好运行环境。

Transparent Background MCP 是本地还是远程?

它是本地进程(stdio),由客户端在本机拉起。传输方式为stdio · 本地进程。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。