1. 前言

在處理大量商品圖或人像照片時，手動去背極為耗時。chaiNNer 作為一款強大的節點式影像處理軟體，能夠整合 AI 模型實現全自動化流程。本文將根據 去背(多照片).chn 檔案的邏輯，帶領大家配置一套完整的批次去背工作流。

2. 教習步驟與節點設定

2.1. 批次載入影像

首先需指定圖片來源資料夾。

• 使用節點：Load Images 。
• 關鍵選項：
  • Directory: 設定為圖片存放路徑，例如 D:\My Documents\123 。
  • Filter: 使用 **/* 以遞迴方式搜尋所有子資料夾內的檔案。

2.2. 載入去背 AI 模型

chaiNNer 支援 ONNX 格式的模型，這在執行效率上非常有優勢。

• 使用節點：Load ONNX Model 。
• 關鍵選項：
  • Model Path: 指向您的模型檔案，例如 model.onnx及u2net.onnx，這兩種模型都算是主流，算法不同跑出來的結果也不相同，可以相互比較看看。

2.3. 執行去背運算

將圖片與模型連接至處理核心。

• 使用節點：Rembg (ONNX) 。
• 邏輯連接：將 Load Images 的影像輸出連接至此節點，並同時輸入已載入的 ONNX 模型。主流的去背模型為

2.4. 自動命名邏輯 (防止檔案覆蓋)

為了避免批次處理時檔名衝突，本流程加入了隨機數機制。

• 隨機數生成：使用 Random Number 節點，設定範圍如 0 至 99999。
• 文字組合：使用 Text Append 節點。將原始檔名、連字號 - 以及生成的隨機數組合在一起。

2.5. 儲存處理結果

最後將去背後的影像儲存至指定目錄。

• 使用節點：Save Image 。
• 關鍵選項：
  • Save Directory: 建議與來源路徑區隔，範例中設為 D:\My Documents\123 。
  • Format: 選擇 webp 以獲得較佳的壓縮率與品質平衡。
  • Quality: 建議設定為 80。

3. 遇到的問題與解決方式

3.1. 模型路徑失效

• 狀況：節點顯示紅色錯誤，無法讀取 .onnx 檔案。

• 解決方式：請確保模型檔案路徑不含特殊字元，且檔案確實存在於該路徑。若使用雲端同步資料夾 (如 Nextcloud)，請確認檔案已完全下載至在地端。

3.2. 輸出檔案格式不支援透明度

• 狀況：去背後的圖片背景變成黑色或白色。

• 解決方式：儲存格式必須支援 Alpha 通道。本流程採用的 webp 格式支援透明背景；若更改為 jpg 則會失去透明度，請務必確認選擇 webp 或 png。

3.3. 檔名重複導致覆蓋

• 狀況：處理多張圖片時，後面的圖片覆蓋了前面的圖片。

• 解決方式：透過 Text Append 節點將原始檔名加上 Random Number 隨機值，確保每個輸出的檔案名稱都是唯一的。

3.4. 跨平台專案檔副檔名不一致

• 狀況：在 Ubuntu 儲存的 chaiNNer 專案檔，副檔名可能與 Windows 上的不同，導致在另一個平台上無法直接辨識或開啟。

• 解決方式：手動將副檔名修改為 .chn 即可正常讀取。此情形屬於跨平台的檔案命名差異，並不影響檔案內容本身，更改副檔名後即可在兩個平台之間正常互通使用。

4. 結論

透過 chaiNNer 的節點化配置，我們成功建立了一個從載入、AI 運算、動態命名到格式轉換的一條龍流程。這種方法的優點在於可重複利用性高，未來只需更換來源資料夾路徑，即可快速完成成百上千張圖片的去背工作，極大地提升了生產力。