展开本页目录
开始前准备什么
- 解压到独立目录，先读README和运行状态；不覆盖原素材。
- Python脚本基础校验需要Pillow；模型环境按本页官方工具单独准备。
- 使用自有或有权使用素材；权重许可与工具代码许可分别核对。
- 核对三张不同 SKU 与坏文件
- 固定模型和独立输出目录
- 先打开单张确认方向
- 批量运行并逐文件隔离异常
- 读取清单并找出漏项
- 并排验收所有主体和边缘
- 修复坏文件后独立重跑
1. 核对三张不同 SKU 与坏文件
inputs/ 中是本教程用代码绘制的三个设计商品输入，不是实拍或同一 SKU 的伪三视图。broken.png 故意不是图片，必须落入失败记录，不能被静默当作成功。
bash
bash
python3 verify.py
2. 固定模型和独立输出目录
安装 rembg 2.0.85 CPU 版。清单处理器显式加载一次 u2netp，并将每个输入相对路径、哈希与结果文件名写入 manifest.json；不复用上次的未知结果。
bash
bash
python3 -m venv .venv
.venv/bin/python -m pip install "rembg[cpu]==2.0.85" pillow3. 先打开单张确认方向
用 sku-a.png 做单张小样，确认画布、主体朝向和 alpha 后再跑全组。页面联系表是实际输入而不是一组模型结果；下载包会明确标注推理状态。
bash
bash
.venv/bin/python run_batch.py --only sku-a.png
4. 批量运行并逐文件隔离异常
对每个文件独立 try/except：坏文件记录 error，其他 SKU 继续。输出先写临时 PNG，真实解码后再原子重命名；一次失败不污染其他任务。
bash
bash
.venv/bin/python run_batch.py5. 读取清单并找出漏项
将输入文件名与 manifest 中的 source 一一对应。应有三个可解码输入和一个坏文件；实际模型输出数量以运行结果为准，不在尚未推理时制造通过数量。
bash
bash
python3 verify.py --results output6. 并排验收所有主体和边缘
查看每个 SKU 的透明结果，不只挑最好的一张。瓶盖、把手和高光边缘分别记录；代码绘制的已知轮廓只作为验收参考，不能冒充 AI 预测 mask。
7. 修复坏文件后独立重跑
用新的合法图片替换 broken.png 时保留旧 manifest 和哈希；新建另一个 output 目录。教程不自动猜测上次失败任务是否已执行，交付目录包含输入、模型配置与失败历史。
bash
bash
.venv/bin/python run_batch.py --output output-retry怎样确认已经完成
- 每个输入在 manifest 中有独立 status，坏文件必须是 error。
- 每个成功项映射到可解码 RGBA 输出，文件名没有覆盖冲突。
- 实际质量逐张检查，参考轮廓与模型预测严格分开。
常见问题
批量商品抠图会重新为每张加载模型吗？
示例复用一次 new_session("u2netp")，每张调用 remove；这减少重复加载，不承诺具体加速倍数。
为什么练习包故意放坏 PNG？
用它验证异常隔离。扩展名不保证文件内容是图片，成功数量必须来自真实输出。
能自动保证所有 SKU 都合格吗？
不能。文件处理成功与商品边缘、孔洞正确是两件事，需逐张验收。