Communitygithub.com

FilippTrigub/abra

使用 AI(通过 rembg 的 BiRefNet-general)去除视频每一帧的背景。输出透明背景视频,或合成到纯色或图像上。需要至少 3 GB 可用显存的 CUDA GPU。

abra 是什么?

这是一个用于 AI 视频背景去除的技能,基于 BiRefNet-general 高质量抠图模型(通过 rembg 实现)。它逐帧处理视频,可以选择保留透明通道(输出 PNG 帧序列),或合成到纯色背景或自定义图像上。该技能支持多种抠图模型,包括针对人物优化的 birefnet-portrait、更快的 isnet-general-use 以及仅适用于人像的 u2net_human_seg。用户可以通过 config.json 配置文件或 CLI 参数灵活设置输入/输出目录、背景替换方式和模型选择。技能会检查 CUDA GPU 可用性,并在显存不足或其他错误时提供清晰的错误信息。主要适用于 Cursor 和 Codex 等支持 CLI 的 AI 代理,需要在首次运行时通过 `uv sync` 安装依赖并自动下载约 500 MB 的模型权重。

兼容平台✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/FilippTrigub/abra/tree/HEAD/skills/video-matte

在你喜欢的 AI 中提问

打开一个已预加载此 Agent Skill 的新对话。

文档

keyer — AI 视频背景去除

使用 BiRefNet-general(通过 rembg 的高质量抠图模型)去除视频每一帧的背景。可选择合成到纯色或背景图像上。音频会保留。

技能目录(即此 SKILL.md 所在的目录)以下简称为 $SKILL_DIR。

需要 GPU。 需要具有 ≥ 3 GB 可用显存的 CUDA GPU。 如果 LLM 上下文占用了显存,请先暂停它再运行。


何时使用

当用户希望进行以下操作时使用此技能:

  • 去除视频中的背景(如说话人头部、产品演示等)
  • 将主体放置到纯色或品牌背景上
  • 导出带有透明背景的视频(PNG 帧 alpha 通道)

设置(仅首次运行)

cd "$SKILL_DIR" && uv sync

BiRefNet 模型权重会在首次运行时自动下载(约 500 MB)。


代理工作流程

1. 询问用户

在去除背景之前,我需要了解以下信息:

🎭 背景替换方式
  - null          — 保留透明 alpha 通道(PNG 帧;mp4 不支持 alpha)
  - #hex colour   — 例如 "#1a1a2e" 暗海军蓝
  - /path/to/bg   — 合成到图像文件上

🧠 模型
  - birefnet-general   — 最佳通用质量  [默认]
  - birefnet-portrait  — 针对人物优化
  - isnet-general-use  — 更快的替代方案
  - u2net_human_seg    — 快速,仅限人像

📁 输入/输出目录  (默认:./input 和 ./output)

等待用户回复后再继续。

2. 编辑 config.json

根据用户的选择写入或更新 $SKILL_DIR/config.json。

3. 运行

cd "$SKILL_DIR" && uv run python scripts/matte.py --config config.json

4. 报告结果

告知用户输出文件路径以及所使用的背景模式。


配置参考

键值默认值描述
input_dir路径./input存放输入视频的文件夹
output_dir路径./output目标文件夹
model见上birefnet-general抠图模型
bgnull / hex / 路径null背景替换

常用调用方式

# 默认:去除背景,输出透明背景
cd "$SKILL_DIR" && uv run python scripts/matte.py

# 深色背景合成
cd "$SKILL_DIR" && uv run python scripts/matte.py --bg "#0d0d0d"

# 合成到图像上
cd "$SKILL_DIR" && uv run python scripts/matte.py --bg /path/to/studio_bg.jpg

# 人像优化模型
cd "$SKILL_DIR" && uv run python scripts/matte.py --model birefnet-portrait

# 无背景(通过 CLI 传入字符串 "null")
cd "$SKILL_DIR" && uv run python scripts/matte.py --bg null

输出

每个输入视频都会在 output_dir 中生成一个同名的 .mp4 输出文件。如果 bg=null,输出使用 yuv420p 编码(mp4 不支持真正的透明);若需要真正的透明帧,请运行 clawimig 或导出为 PNG 序列。


错误处理

  • 显存不足 → 打印所需与可用 GB、释放显存的提示,然后退出
  • 无 CUDA GPU / 缺少 ONNX CUDAExecutionProvider → 给出清晰错误信息,退出
  • 输入目录中没有视频 → 给出清晰提示,退出
  • 单个视频错误 → 记录日志;其他视频继续处理

Individual skills in this repo

This repo contains 7 individual skills — each has its own dedicated page.

FilippTrigub/abra

>- Animate a still image into a short video clip using fal.ai's LTX-2.3 Fast image-to-video model in the cloud. No GPU required - runs entirely on fal.ai serverless infrastructure.

FilippTrigub/abra

>- Auto-describe and caption images using a local vision-language model. Writes a JSON sidecar per image containing a one-sentence description, a suggested Instagram caption with hashtags, and detected content tags.

FilippTrigub/abra

>- Animated caption pipeline. Use this skill when the user wants to burn word-by-word animated captions into videos — using Whisper for transcription and pycaps for rendering. Supports default minimalist style or a futuristic CSS theme with alternating gold/magenta glowing words.

FilippTrigub/abra

>- Cut videos into segments, rearrange them, and produce an output video with a specific cuts-per-second rate. Uses MoviePy for video manipulation. Prioritizes audio transcription for timestamped cutting, falls back to adaptive scene detection.

FilippTrigub/abra

>- Edit a region of a video using a text prompt via Wan2.1-VACE inpainting. Supports two modes: background (auto-segment via rembg) or region (rectangle defined by fractions). Requires a CUDA GPU with at least 8 GB free VRAM.

FilippTrigub/abra

>- Video enhancement pipeline. Use this skill when the user wants to sharpen, colour grade, warm, or normalise the audio of videos — including presets for natural, cinematic, or vivid looks.

FilippTrigub/abra

Generate videos from text or images using Higgsfield's multi-model cloud platform. Supports kling, seedance, dop, and dop-preview models. Uses a small preset layer for common creative styles. Auto-detects text-to-video or image-to-video based on input. No GPU required.

相关技能