Eu redigi um post de blog destacando seu projeto recém-publicado: bg-vanish-mcp. Ele cobre a motivação, a pilha tecnológica (DirectML + U2NET), detalhes de implementação e como usá-lo.

Construindo um Servidor MCP de Remoção de Fundo Acelerado por GPU Local em Python

À medida que assistentes de IA como Claude e Windsurf se tornam mais integrados em nossos fluxos de trabalho diários, equipá-los com capacidades locais (via o Modelo Contextual de Protocolo ou MCP) muda o jogo.

Hoje, estamos anunciando bg-vanish-mcp—um servidor MCP de remoção de fundo acelerado por GPU e de primeira local que permite que seus assistentes de IA isolem sujeitos de imagens instantaneamente, completamente offline e gratuitamente.

Aqui está uma visão sobre por que o construímos, como funciona e como você pode executá-lo você mesmo.

Por que Local-Primeiro & Acelerado por GPU?

Embora existam APIs de remoção de fundo baseadas em nuvem, elas vêm com desvantagens:

1. Custo: Estruturas de pagamento por imagem rapidamente somam.
2. Privacidade: Fazer upload de imagens sensíveis para servidores de terceiros nem sempre é ideal.
3. Velocidade & Latência: Enviar imagens de alta resolução de um lado para o outro pela rede é lento.

bg-vanish-mcp resolve isso executando modelos U2NET localmente usando a biblioteca rembg. Para manter os tempos de processamento abaixo de um segundo, ele aproveita o DirectML via ONNX Runtime, permitindo aceleração de hardware em GPUs NVIDIA, AMD e Intel nativamente no Windows—sem necessidade de CUDA ou configuração complexa de SDK.

Como Funciona: As Ferramentas

O servidor MCP expõe duas ferramentas principais para o assistente de IA:

1. remove_background(input_path, output_path, return_base64)
   • Propósito: Opera diretamente no sistema de arquivos do host. A IA passa um caminho de imagem local, e a saída do servidor salva um PNG limpo e transparente no mesmo diretório.
2. remove_background_base64(image_base64)
   • Propósito: Permite a passagem direta de dados. A IA pode enviar dados de imagem codificados em base64 em contexto, receber o sujeito isolado como uma string base64 e renderizá-lo diretamente na interface de chat.

Sob o Capô: O Código

O servidor é implementado em Python usando o SDK oficial FastMCP. A configuração do provedor de execução central ativa seletivamente a GPU:

import os
import rembg
from mcp.server.fastmcp import FastMCP

mcp = FastMCP("bg-vanish-mcp")

# Ler configuração do ambiente alvo
use_gpu = os.environ.get("USE_GPU", "false").lower() in ("true", "1", "yes")

if use_gpu:
    # Tentar aceleração de GPU via CUDA ou DirectML, voltar para CPU
    providers = ['CUDAExecutionProvider', 'DmlExecutionProvider', 'CPUExecutionProvider']
else:
    providers = ['CPUExecutionProvider']

# Inicializar a sessão ONNX
session = rembg.new_session(providers=providers)

Ao solicitar o DmlExecutionProvider (DirectML) antes de voltar para a CPU, o servidor ganha acesso à aceleração de hardware nativa do DirectX 12 no Windows.

Comece em Segundos

Publicamos bg-vanish-mcp no PyPI para que você possa executá-lo instantaneamente sem configurar ambientes Python locais.

1. Instale & Execute via uvx

Certifique-se de ter uv instalado, então adicione este bloco à sua configuração do Claude Desktop (%APPDATA%\Claude\claude_desktop_config.json):

{
  "mcpServers": {
    "bg-vanish-mcp": {
      "command": "uvx",
      "args": ["bg-vanish-mcp"],
      "env": {
        "USE_GPU": "true"
      }
    }
  }
}

2. Execute Localmente com Pip

Se você preferir o pip padrão:

pip install "bg-vanish-mcp[dml]"

E aponte seu cliente MCP para:

bg-vanish-mcp

Na primeira execução, o servidor fará o download automaticamente do modelo U2NET ONNX, se conectará à sua GPU e estará pronto para começar a remover fundos em milissegundos.

Confira o Código

O projeto é totalmente open source. Confira o repositório, envie problemas ou contribua com novos recursos:

• G