I Tested Every Background Removal API So You Don't Have To

J'ai testé chaque API de suppression de fond pour que vous n'ayez pas à le faire

J'ai traité 1 000 images de produits à travers 7 API de suppression de fond. Le temps de traitement variait de 0,3 secondes à 12 secondes. La précision de 61 % à 97 %. Ce qui a commencé comme une simple intégration pour notre plateforme de commerce électronique s'est transformé en une plongée approfondie de trois semaines qui m'a coûté 847 $ en crédits API et m'a appris plus sur les algorithmes de détection de contour que je ne voulais jamais savoir. Si vous construisez une pipeline d'images et avez besoin de retirer des fonds à grande échelle, voici tout ce que j'ai appris à la dure.

Les Sept API que j'ai mises à l'épreuve

Voici tous les services que j'ai testés, avec la dure vérité sur chacun d'eux :

1. Remove.bg - Le nom incontournable que tout le monde recommande. Performant, mais leur modèle de tarification vous pénalise pour le succès. A commencé à 0,20 $ par image pour notre volume, ce qui semble raisonnable jusqu'à ce que vous traitiez 50 000 images par mois. Leur détection de contour sur les cheveux est véritablement impressionnante. J'ai testé une photo d'une mannequin aux cheveux bouclés sur un fond chargé, et elle a préservé des mèches individuelles que je ne pouvais même pas voir à 100 % de zoom. Le hic ? Elle a eu du mal avec les objets transparents. Les bouteilles en verre et les présentoirs en acrylique revenaient comme si quelqu'un les avait attaquées avec un mauvais outil de gomme.
2. Cloudinary AI Background Removal - Si vous êtes déjà dans l'écosystème Cloudinary, cela semble être le choix évident. Ce n'est pas le cas. L'intégration est fluide, c'est sûr, mais la qualité de la suppression se situe quelque part entre "acceptable" et "un stagiaire a-t-il formé ce modèle ?" Je lui ai donné 200 photos de bijoux avec des surfaces réfléchissantes. Elle a correctement identifié le sujet dans 142 d'entre elles. Les 58 autres ? Elle a décidé que le reflet était plus important que le produit réel. Sur le bon côté, c'est rapide. En moyenne 0,8 seconde par image, ce qui compte lorsque vous traitez par lots.
3. Slazzer - Le cheval noir dont personne ne parle. Leur plan gratuit est vraiment utile pour les tests, et les plans payants sont structurés de manière sensée. Mais voici le problème : leur documentation API est un désastre. J'ai passé quatre heures à essayer de comprendre pourquoi mes demandes continuaient à expirer, seulement pour découvrir que leurs exemples utilisaient des points de terminaison obsolètes. Une fois que cela a fonctionné, cependant ? Précision constante de 94 % sur les photos de produits avec des fonds propres. Cela s'effondre complètement sur des scènes complexes, mais ce n'est pas ce que j'en avais besoin.
4. Adobe Photoshop API - Oui, Adobe a une API. Non, la plupart des développeurs ne le savent pas. C'est cher (0,25 $ à 0,50 $ par image selon le volume), lent (temps moyen de 3,2 secondes) et cela nécessite que vous naviguiez dans le processus de vente d'entreprise d'Adobe. Pourquoi l'ai-je inclus ? Parce que lorsque la précision compte plus que tout le reste, rien d'autre n'arrive à la cheville. Je l'ai testé sur nos 50 images les plus problématiques - celles avec des détails fins, des éléments transparents et des arrière-plans difficiles. Elle a réussi 49 d'entre elles. La seule qu'elle a ratée était une vitrine en acrylique transparent, qui semble être le talon d'Achille de tous les algorithmes.
5. Pixian.AI - L'API qui promet une "précision de niveau humain" et qui livre réellement quelque chose de proche. Leur modèle gère mieux les cas limites que la plupart, en particulier avec des objets semi-transparents et des textures complexes. Je l'ai testé sur des produits en tissu - pensez à des robes fluides et des couvertures texturées - et elle a préservé les détails subtils que d'autres API ont adoucis. Le revers de la médaille ? C'est lent. Vraiment lent. 5 à 8 secondes par image, ce qui va pour quelques dizaines de photos mais devient un goulot d'étranglement à grande échelle. De plus, leurs limites de taux sont agressives. Atteignez 100 demandes par minute et vous serez bridé.
6. Removal.AI - Ne laissez pas le nom générique vous tromper. C'est un sérieux concurrent, surtout pour le traitement par lots. Ils offrent des remises sur les volumes qui ont vraiment du sens, et leur API est agréablement simple. Téléchargez l'image, récupérez l'image avec un fond transparent. Pas de paramètres compliqués, pas d'options de configuration interminables. La qualité se situe juste au milieu du peloton - ni la meilleure, ni la pire. Ce qui m'a convaincu de le tester en profondeur, c'est leur option de préservation des ombres. La plupart des API conservent l'ombre (ce qui paraît étrange sur un fond blanc) ou la suppriment entièrement (ce qui fait que les produits semblent flotter). Removal.AI vous permet de conserver une ombre subtile qui parait réellement naturelle.
7. Clipping Magic API - L'outil manuel que tout le monde aime, maintenant avec une API. J'avais de grands espoirs. L'outil manuel est véritablement excellent - je l'ai utilisé pendant des années lorsque j'ai besoin de résultats d'une précision pixel parfaite. L'API ? On dirait qu'ils ont formé un modèle complètement différent. La précision était décousue. Certaines images revenaient parfaites, d'autres semblaient avoir été traitées par un algorithme de 2015. L'inconsistance a ruiné son utilisation en production. Lorsque vous traitez des milliers d'images, vous avez besoin de résultats prévisibles, même s'ils sont prévisiblement médiocres.

Le jour où j'ai découvert que chaque API mentait sur le temps de traitement

Trois jours après le début des tests, j'ai remarqué quelque chose de bizarre. Remove.bg prétendait un temps de traitement de 0,3 seconde dans leur documentation. Mes journaux indiquaient une moyenne de 2,1 secondes. Je pensais que c'était peut-être la latence du réseau, alors j'ai mis en place un serveur dans la même région AWS que leur API. Toujours 1,8 seconde. C'est à ce moment-là que j'ai commencé à chronométrer tout correctement - pas seulement le temps de réponse de l'API, mais le temps réel du mur de la requête au résultat utilisable.

Il s'avère que chaque fournisseur d'API signale son temps de traitement différemment. Certains ne comptent que le temps d'inférence (combien de temps le modèle met à traiter l'image). D'autres incluent le temps de téléchargement mais pas de téléchargement. Quelques-uns comptent le temps depuis que l'image atteint leur serveur jusqu'à ce que le traitement soit terminé, ignorant commodément les 200 à 500 ms de surcharge réseau à chaque extrémité. Adobe était le seul à me donner des réponses claires lorsque je leur ai demandé, probablement parce qu'ils sont habitués à des clients d'entreprise qui lisent réellement les petites lignes.

J'ai construit un cadre de test qui mesurait le temps de bout en bout : depuis que mon code a initié la demande jusqu'à ce que j'ai un PNG utilisable avec un fond transparent enregistré sur le disque. Les résultats étaient humbles. Cette affirmation de 0,3 seconde de Remove.bg ? La moyenne dans le monde réel était de 2,1 secondes. Le traitement "quasi instantané" de Cloudinary ? 1,4 seconde. La seule API qui s'est approchée de sa vitesse annoncée était Slazzer, et c'est probablement parce que leur vitesse annoncée était déjà pessimiste à 1-2 secondes.

Cela compte plus que vous ne le pensez. Lorsque vous traitez des images de manière synchrone lors d'un chargement de produit, chaque seconde compte. Les utilisateurs attendront 2-3 secondes. Ils toléreront 4-5 secondes si vous montrez un bon indicateur de progression. À 6 secondes et plus, vous les perdez. J'ai fini par repenser tout notre flux de chargement pour qu'il soit asynchrone, car même l'API la plus rapide ne pouvait pas respecter les exigences d'UX synchrones.

Analyse de précision : Les chiffres qui comptent

Ces chiffres représentent un examen manuel de 200 images par catégorie. "Précision" signifie que le résultat n'a nécessité aucun retouche manuelle pour être utilisable en production. Un score de 97 % signifie que 194 des 200 images étaient parfaites ou presque parfaites. Les 6 restantes avaient des artefacts visibles, un masquage incorrect ou d'autres problèmes nécessitant une intervention humaine.

Pourquoi "Utilisez juste Remove.bg" est un conseil terrible

Chaque fil Reddit, chaque réponse Stack Overflow, chaque article de blog dit la même chose : "Utilisez juste Remove.bg, c'est le meilleur." Ce n'est pas faux, exactement, mais ce n'est pas vrai non plus. Remove.bg est le meilleur dans un domaine spécifique : gérer des cas limites complexes avec des détails fins. Si vous traitez de la photographie de mode avec des cheveux flottants et des tissus complexes, oui, Remove.bg est probablement votre meilleur choix.

Mais voici ce que personne ne mentionne : Remove.bg est optimisé pour les photos de personnes. Leur modèle est clairement entraîné sur des sujets humains, et cela se voit. Je l'ai testé sur 300 photos de produits sans personnes - juste des objets sur des fonds. La précision a chuté à 84 %. Toujours bon, mais pas le 96 %+ que vous voyez dans leurs matériaux marketing. Lorsque j'ai testé Slazzer sur le même ensemble de données, il a atteint 94 %. Pourquoi ? Parce que Slazzer semble être optimisé spécifiquement pour la photographie de produits.

Le conseil "utilisez juste Remove.bg" ignore également le coût à grande échelle. À 50 000 images par mois, Remove.bg coûte 10 000 $. Slazzer coûte 2 400 $. Removal.AI coûte 1 800 $. À moins que vous n'ayez absolument besoin de ce supplément de 2-3 % de précision, vous brûlez de l'argent. Et voici le hic : pour la plupart des cas d'utilisation de commerce électronique, la différence entre 94 % et 97 % de précision est invisible pour les utilisateurs finaux. Ils regardent des images miniatures sur une grille de produits. Les subtils artefacts de contour t