CLI tool to remove watermarks from images using artificial intelligence.
Profile photos from LinkedIn, stock images, and other sources often come with annoying watermarks. Manually removing them is tedious and time-consuming.
A CLI tool that uses AI to automatically detect and remove watermarks, reconstructing the image realistically.
| Before | After |
|---|---|
 |
 |
- Automatic detection with YOLO - detects watermarks without manual configuration
- LaMa inpainting - realistically reconstructs the image
- Smart fallback - uses image corner if nothing is detected
- Alternative OpenCV method - faster option for simple cases
# Clone the repository
git clone https://github.com/santifer-dev/watermark-remover.git
cd watermark-remover
# Create virtual environment (recommended)
python -m venv .venv
source .venv/bin/activate # Linux/macOS
# .venv\Scripts\activate # Windows
# Install
pip install -e .# Basic usage
watermark-remover image.png
# Specify output
watermark-remover image.png -o clean_image.png
# Verbose mode (see details)
watermark-remover image.png -v
# Force corner cleaning (no YOLO detection)
watermark-remover image.png --force-corner
# Use fast method (OpenCV)
watermark-remover image.png --method opencv| Option | Description | Default |
|---|---|---|
-o, --output |
Output file path | <name>_clean.<ext> |
--confidence |
YOLO confidence threshold (0.0-1.0) | 0.5 |
--padding |
Extra pixels around the watermark | 10 |
--fallback-corner |
Use corner if YOLO doesn't detect | Enabled |
--no-fallback |
Disable corner fallback | - |
--corner |
Corner for fallback | bottom-right |
--corner-width |
Width ratio (0.0-1.0) | 0.12 |
--corner-height |
Height ratio (0.0-1.0) | 0.08 |
--force-corner |
Use corner without YOLO detection | - |
--method |
Inpainting method: lama or opencv |
lama |
-v, --verbose |
Show detailed information | - |
- Python 3.10+
- ~2GB RAM (for LaMa model)
The LaMa model (~200MB) is automatically downloaded to ~/.cache/torch/ on first use.
MIT
Herramienta CLI para eliminar marcas de agua de imágenes usando inteligencia artificial.
Las fotos de perfil de LinkedIn, imágenes de stock y otras fuentes suelen venir con molestas marcas de agua. Eliminarlas manualmente es tedioso y consume mucho tiempo.
Una herramienta CLI que usa IA para detectar y eliminar marcas de agua automáticamente, reconstruyendo la imagen de forma realista.
| Antes | Después |
|---|---|
|
|
- Detección automática con YOLO - detecta marcas de agua sin configuración manual
- Inpainting LaMa - reconstruye la imagen de forma realista
- Fallback inteligente - usa la esquina de la imagen si no detecta nada
- Método OpenCV alternativo - opción más rápida para casos simples
# Clonar el repositorio
git clone https://github.com/santifer-dev/watermark-remover.git
cd watermark-remover
# Crear entorno virtual (recomendado)
python -m venv .venv
source .venv/bin/activate # Linux/macOS
# .venv\Scripts\activate # Windows
# Instalar
pip install -e .# Uso básico
watermark-remover image.png
# Especificar salida
watermark-remover image.png -o imagen_limpia.png
# Modo verbose (ver detalles)
watermark-remover image.png -v
# Forzar limpieza de esquina (sin detección YOLO)
watermark-remover image.png --force-corner
# Usar método rápido (OpenCV)
watermark-remover image.png --method opencv| Opción | Descripción | Por defecto |
|---|---|---|
-o, --output |
Ruta del archivo de salida | <nombre>_clean.<ext> |
--confidence |
Umbral de confianza YOLO (0.0-1.0) | 0.5 |
--padding |
Píxeles extra alrededor de la marca | 10 |
--fallback-corner |
Usar esquina si YOLO no detecta | Habilitado |
--no-fallback |
Desactivar fallback de esquina | - |
--corner |
Esquina para fallback | bottom-right |
--corner-width |
Ratio de ancho (0.0-1.0) | 0.12 |
--corner-height |
Ratio de alto (0.0-1.0) | 0.08 |
--force-corner |
Usar esquina sin detección YOLO | - |
--method |
Método de inpainting: lama u opencv |
lama |
-v, --verbose |
Mostrar información detallada | - |
- Python 3.10+
- ~2GB RAM (para el modelo LaMa)
El modelo LaMa (~200MB) se descarga automáticamente en ~/.cache/torch/ en el primer uso.
MIT
