Hapus Watermark dengan AI Python

Abd. Asis
Hapus Watermark dengan AI Python

Watermark di video yang dihasilkan tool AI seperti Sora atau Runway kadang sulit dihindari, terutama ketika kita menggunakan versi gratis atau trial. Ada juga situasi lain: gambar stok lama dengan tanda air yang tidak lagi relevan, atau aset visual internal yang ditambahkan watermark selama proses review dan perlu dibersihkan sebelum dipublikasikan.

Pendekatan lama seperti blur manual atau clone stamp di Photoshop butuh waktu dan hasilnya bergantung sepenuhnya pada ketelitian tangan. WatermarkRemover-AI hadir dengan pendekatan berbeda: deteksi watermark menggunakan model AI Florence-2 dari Microsoft, lalu menghapus dan mengisi area tersebut secara otomatis menggunakan model inpainting LaMa. Hasilnya terlihat alami tanpa trace apapun dari tanda air yang sebelumnya ada.

Artikel ini membahas cara instalasi, penggunaan via CLI maupun GUI, serta opsi konfigurasi yang tersedia.

Bagaimana Florence-2 dan LaMa Bekerja Bersama

Florence-2 adalah model vision-language dari Microsoft yang dirilis Juni 2024 di bawah lisensi MIT. Model ini mampu melakukan berbagai tugas computer vision hanya dengan prompt teks, termasuk deteksi objek dan region grounding. Ukurannya relatif kecil (0.2B dan 0.7B parameter) tapi performanya setara model yang jauh lebih besar.

Dalam konteks penghapusan watermark, Florence-2 menerima prompt "watermark" lalu mengembalikan koordinat bounding box di mana watermark berada dalam gambar. Koordinat inilah yang kemudian digunakan sebagai mask untuk tahap berikutnya.

LaMa (Large Mask Inpainting) adalah model inpainting dari Samsung Research yang menggunakan Fast Fourier Convolutions, teknik yang memungkinkan model melihat seluruh gambar sekaligus, bukan hanya area lokal. Ini penting untuk mengisi area bekas watermark dengan tekstur dan pola yang konsisten dengan sekelilingnya. LaMa menerima gambar asli plus mask area watermark, lalu meregenerasi bagian yang tertutup mask secara natural.

Kombinasi keduanya membentuk pipeline dua tahap: deteksi akurat via Florence-2, diikuti pengisian seamless via LaMa.

Persiapan Instalasi

WatermarkRemover-AI membutuhkan Python 3.10 atau lebih baru. Setup script akan mengunduh environment Python portable secara otomatis, sehingga tidak ada konflik dengan instalasi Python yang sudah ada di sistem.

Instalasi di Linux dan macOS

Clone repository lalu jalankan setup script:

BashBASH
git clone https://github.com/D-Ogi/WatermarkRemover-AI.git
cd WatermarkRemover-AI
chmod +x setup.sh
./setup.sh

Proses setup akan mengunduh dependencies termasuk PyTorch dan model-model yang dibutuhkan. Pastikan koneksi internet stabil karena total unduhan bisa mencapai beberapa ratus MB.

Setelah setup selesai, unduh model LaMa secara eksplisit:

BashBASH
iopaint download --model lama

Model ini berukuran sekitar 196MB dan hanya perlu diunduh sekali.

Instalasi di Windows

Proses di Windows serupa, hanya menggunakan PowerShell:

CodePOWERSHELL
git clone https://github.com/D-Ogi/WatermarkRemover-AI.git
cd WatermarkRemover-AI
.\setup.ps1

Setelah setup selesai, jalankan aplikasi dengan klik ganda pada run.bat, atau jalankan dari terminal untuk mode CLI.

Jika sistem memiliki GPU NVIDIA, pastikan PyTorch terinstal dengan dukungan CUDA untuk mempercepat pemrosesan secara signifikan. Setup script akan mendeteksi GPU secara otomatis.

Penggunaan via CLI

Mode CLI cocok untuk pemrosesan batch atau integrasi ke dalam skrip otomasi. Semua operasi dilakukan lewat remwm.py.

Memproses Satu Gambar

Perintah paling dasar: tentukan file input dan folder output.

BashBASH
python remwm.py foto-produk.png ./hasil/

Jika berhasil, file foto-produk.png tanpa watermark akan tersimpan di folder ./hasil/.

Batch Processing Seluruh Folder

Untuk memproses banyak gambar sekaligus, cukup arahkan input ke folder:

BashBASH
python remwm.py ./koleksi-gambar/ ./hasil-bersih/ --overwrite

Flag --overwrite memastikan file yang sudah ada di folder output ditimpa jika dijalankan ulang. Tanpa flag ini, file yang sudah ada akan dilewati.

Memproses Video

Pemrosesan video memiliki opsi tambahan karena watermark perlu dideteksi dan dihapus per frame. Parameter --detection-skip mengontrol seberapa sering deteksi dijalankan ulang, nilai lebih tinggi berarti lebih cepat tapi kurang akurat jika watermark bergerak atau berubah.

BashBASH
python remwm.py klip-demo.mp4 ./hasil/ --detection-skip=3

Perintah di atas menjalankan deteksi setiap 3 frame, yang merupakan titik tengah yang baik antara kecepatan dan akurasi.

Untuk video dengan watermark yang fade in atau fade out, gunakan parameter tambahan:

BashBASH
python remwm.py klip-intro.mp4 ./hasil/ --detection-skip=2 --fade-in=0.5 --fade-out=0.5

Parameter --fade-in dan --fade-out memperpanjang mask selama transisi, sehingga watermark yang muncul/menghilang secara bertahap tetap terhapus bersih.

Mode Preview

Sebelum memproses, kita bisa memeriksa apakah Florence-2 berhasil mendeteksi watermark dengan benar:

BashBASH
python remwm.py foto-produk.png --preview

Mode preview menampilkan gambar dengan bounding box di sekitar area yang terdeteksi sebagai watermark, tanpa benar-benar menghapusnya. Ini berguna untuk menyesuaikan sensitivitas deteksi sebelum memproses batch besar.

Tabel Opsi CLI yang Sering Digunakan

OpsiDefaultKegunaan
--overwritefalseTimpa file output yang sudah ada
--transparentfalseJadikan area watermark transparan (khusus gambar)
--max-bbox-percent10Ukuran maksimal watermark sebagai persen luas gambar
--force-formatautoPaksa format output: PNG, WEBP, JPG, MP4, AVI
--detection-prompt"watermark"Prompt kustom untuk Florence-2
--detection-skip1Deteksi setiap N frame untuk video

Parameter --max-bbox-percent penting untuk dihindari false positive, misalnya jika ada objek besar yang secara visual mirip watermark. Dengan nilai default 10%, objek yang menutupi lebih dari 10% luas gambar tidak akan dihapus.

Parameter --transparent hanya bekerja pada format gambar yang mendukung transparency seperti PNG dan WEBP. Jangan gunakan opsi ini jika output format JPG, karena akan menghasilkan latar hitam di area yang seharusnya transparan.

Penggunaan via GUI

Jalankan aplikasi dengan skrip run yang disediakan:

BashBASH
# Linux/macOS
./run.sh

# Windows
run.bat

GUI berbasis PyWebview akan terbuka dengan antarmuka modern. Dari sana, pilih mode pemrosesan (Single File atau Batch), atur path input dan output, sesuaikan pengaturan yang diperlukan, lalu klik "Start Processing". Progress pemrosesan ditampilkan secara real-time.

GUI juga mendukung multi-bahasa (tersedia antarmuka dalam Bahasa Inggris, Prancis, Mandarin, Jepang, dan Portugis) serta pilihan tema terang dan gelap.

Menyesuaikan Sensitivitas Deteksi

Florence-2 menggunakan prompt teks untuk mendeteksi objek. Secara default, prompt yang digunakan adalah "watermark". Kita bisa menggantinya dengan prompt yang lebih spesifik jika watermark di file tersebut berbentuk unik:

BashBASH
python remwm.py banner-produk.png ./hasil/ --detection-prompt="logo perusahaan"

Jika deteksi terlalu agresif (menghapus area yang bukan watermark), turunkan --max-bbox-percent:

BashBASH
python remwm.py foto-event.png ./hasil/ --max-bbox-percent=5

Sebaliknya, jika watermark berukuran besar dan tidak terdeteksi, naikkan nilainya hingga 20-25.

Kesimpulan

WatermarkRemover-AI menawarkan pipeline yang solid untuk penghapusan watermark otomatis, florence-2 menangani deteksi dengan akurasi yang cukup baik bahkan untuk watermark yang transparan atau semi-transparan, sementara LaMa mengisi area bekas watermark dengan tekstur yang menyatu natural. Untuk kebutuhan pemrosesan gambar skala besar atau integrasi ke pipeline otomasi, mode CLI dengan batch processing menjadi opsi yang paling praktis.

Referensi

  1. 1 microsoft/Florence-2-large: Hugging Face Model Card
  2. 2 advimman/lama: LaMa: Resolution-robust Large Mask Inpainting with Fourier Convolutions
  3. 3 Florence-2: Advancing a Unified Representation for a Variety of Vision Tasks: Microsoft Research
Abd. Asis
Ditulis oleh
Abd. Asis

Software Developer dari Madura. Menulis tentang PHP, Laravel, dan pengembangan web modern dalam Bahasa Indonesia.

Artikel Terkait

Tulisan lain yang mungkin menarik buatmu.

LordOS: Distro Linux yang Menulis Ulang Desktopnya Sendiri
linuxdistro

LordOS: Distro Linux yang Menulis Ulang Desktopnya Sendiri

Compositor Wayland dalam C, engine UI React di atas QuickJS, sandbox Landlock, dan firewall eBPF dengan peta dunia. Distro berumur tiga minggu yang berani membuang seluruh tumpukan desktop.

Abd. Asis
Harness Engineering: Kenapa Aturan di Markdown Tidak Cukup
aiagent

Harness Engineering: Kenapa Aturan di Markdown Tidak Cukup

Prompt yang bagus menghasilkan kode bagus hari ini. Yang membuat hasilnya konsisten bulan depan adalah lingkungan: skill, hook, memori, dan gerbang verifikasi.

Abd. Asis
Kenalan dengan REA: Reverse Engineer Anything untuk Agent AI
reverse-engineeringai

Kenalan dengan REA: Reverse Engineer Anything untuk Agent AI

REA menyambungkan agent ke binary yang sudah kehilangan source code. Ini kegunaannya, dampak baik dan buruknya, serta biaya yang benar-benar harus dibayar.

Abd. Asis
AI Tidak Menghapus Developer, Dia Mengubah Bentuknya
aikarier

AI Tidak Menghapus Developer, Dia Mengubah Bentuknya

Empat ratus baris diff saya setujui, tes hijau, tapi satu pengecekan null hilang. Yang rusak bukan pengetahuan saya, melainkan otot membaca kode.

Abd. Asis
Developer Terbaik Bukan Penulis Kode Terbaik
aispec-driven-development

Developer Terbaik Bukan Penulis Kode Terbaik

Nilai developer bergeser dari kecepatan menulis kode ke presisi niat dan ketelitian verifikasi. Ini bukti datanya, skill yang naik dan turun, serta cara menyiapkan diri dan tim.

Abd. Asis
Saat AI yang Menulis Kode, Programmer Harus Ngapain?
aikarier

Saat AI yang Menulis Kode, Programmer Harus Ngapain?

Produktivitas dari AI membuat banyak programmer malah burnout: semua dikerjakan sekaligus, konteks hilang, review jadi asal. Ini dua pekerjaan yang jauh lebih layak dilakukan sementara agent berjalan.

Abd. Asis