withoutBG 开放权重模型（背景去除 / alpha matting）的纯 Go 封装，基于 pure-onnx（purego 调用 ONNX Runtime，无需 CGo）。
import withoutbg "github.com/lib-x/withoutbg-go"
r, err := withoutbg.New(withoutbg.Config{ModelPath: "withoutbg-open-weights.onnx"})
if err != nil { log.Fatal(err) }
defer r.Close()
cutout, err := r.Remove(img) // *image.NRGBA：原尺寸，RGB 是原色，A 是蒙版
alpha, err := r.Alpha(img) // *image.Gray：只要蒙版
// 也可以走 io.Reader / io.Writer，一行完成"读图 → 抠图 → 写 PNG"
err = r.Cutout(src, dst) // src io.Reader, dst io.Writer- 契约优先：模型自带的 sidecar JSON（
<model>.onnx.json）是权威来源，画布尺寸、张量名、dtype 都从它读，并和 ONNX 图逐项校验，不匹配直接报错 - 可选哈希校验：
Config.VerifyModelSHA256按 sidecar 里的 sha256 校验模型文件（455MB，默认关闭） - 两步输出：
Alpha给蒙版，Remove给带 alpha 通道的抠图，都是原图尺寸；返回*image.NRGBA，RGB 是原色、A 是蒙版（不是预乘的*image.RGBA，原因见 docs/PARAMETERS.md） - 流式接口：
RemoveReader/AlphaReader直接吃io.Reader，Cutout一行完成读图到写 PNG，WritePNG单独可用；PNG 和 JPEG 解码器已内置注册 - 纯 Go 依赖：无 CGo；ONNX Runtime 共享库通过
ONNXRUNTIME_LIB_PATH指定，或由 pure-onnx 自动下载并缓存
从 withoutbg/withoutbg-openweights-onnx 下载两个文件，必须成对使用：
| 文件 | 大小 | 说明 |
|---|---|---|
withoutbg-open-weights.onnx |
454,497,726 字节 | 推理图（DepthAnythingV2 + ConvNeXt 抠图头） |
withoutbg-open-weights.onnx.json |
721 字节 | sidecar：canvas_size、张量名、形状、sha256 |
sidecar 里的 sha256 是 29930e48e9d5ecc56d6486c53c35a4c1470566c2a3359fa180b08c8d3c34ef0f，下载后可以直接核对：
sha256sum withoutbg-open-weights.onnxONNX Runtime 共享库（1.24.1）：
# 方式一：指定已有共享库
export ONNXRUNTIME_LIB_PATH=/path/to/libonnxruntime.so.1.24.1
# 方式二：不设置，由 pure-onnx bootstrap 自动下载到 ~/.cache/onnx-purego| 名称 | 形状 | 类型 | 取值范围 | |
|---|---|---|---|---|
| 输入 | rgb |
[1, 3, 448, 448] |
float32 | [0,1]，NCHW |
| 输出 | alpha |
[1, 1, 448, 448] |
float32 | [0,1] |
预处理：转 RGB → 长边缩放到 448（保持比例，双线性）→ 贴在 448×448 黑底画布左上角 → 除以 255 → HWC 转 CHW。后处理：把蒙版裁到缩放区域 → 双线性缩回原尺寸 → 量化成 8 位 alpha。
参数为什么是这些值、改了会怎样，见 docs/PARAMETERS.md。
go run ./cmd/withoutbg -model withoutbg-open-weights.onnx -o cutout.png photo.jpg
# 同时导出蒙版
go run ./cmd/withoutbg -model withoutbg-open-weights.onnx -o cutout.png -alpha mask.png photo.jpgCLI 内部就是走 Cutout 的流式接口：文件句柄直接传给库，中间不落临时文件。
- 最大 448 像素：模型输入是固定 448×448，更大的图会先缩小，因此细发丝、细网格这类高频细节的蒙版精度受限；需要更高精度时按官方建议自行分块处理
- 黑底 letterbox：填充是黑色（对应文档要求），不是镜像或边缘延展
- 无 GPU 执行提供者：默认 CPU；pure-onnx 的接口没有暴露 EP 选择
- 矢量图/卡通表现差：模型在照片上表现好（官方样图对比 IoU 0.97 / 0.99），但对平涂卡通这类训练分布外的输入会留下大片背景。做过对照实验：把黑边填充去掉（裁成正方形再推理）反而更差，所以这是模型特性，不是预处理问题
- 只在官方
oss导出（version 10.0.0）上验证过；换导出时 sidecar 会跟着换，契约校验会拦住不匹配的组合
go test ./...：
- 单元测试：sidecar 解析（含缺字段、dtype 不符的负例）、letterbox 几何、输入张量取值与黑底填充、蒙版裁剪与缩放、alpha 量化、NRGBA 合成、流式接口往返
- golden 测试：拿官方示例三联图（输入 / 抠图 / 蒙版）对比，三个样本前景 IoU 0.869、0.973、0.991，MAE 0.038、0.016、0.082（示例是缩放过的发布件，边缘不会逐点一致，断言留了余量）
- 样图回归：
testdata里三张测试照片（卡通、庆祝海报、猫）跑通并检查蒙版分布（有前景、有背景、边缘比中心透明）
模型缺失时相关测试自动跳过。
库代码 Apache-2.0。模型权重来自 withoutBG（Apache-2.0），其中包含的第三方组件遵循各自条款：ConvNeXt 骨干来自 DINOv3（DINOv3 License），深度模型来自 Depth Anything V2（Apache-2.0）。