LaMa 图像修复模型部署 5 分钟见效本地环境与 Docker 两条路径新手向【免费下载链接】lama LaMa Image Inpainting, Resolution-robust Large Mask Inpainting with Fourier Convolutions, WACV 2022项目地址: https://gitcode.com/GitHub_Trending/la/lamaLaMa 是大掩码图像修复模型把照片里不需要的对象抹掉再无缝补全背景。本文用最少命令完成 LaMa 模型部署5 分钟内让 big-lama 预训练模型吐出第一张修复图。本地环境与 Docker 容器两条路径任选看完即可复现。 先选你的路径方式适合谁优点耗时本地 virtualenv熟悉 pip 的用户最轻量、装得快、便于排错约 10 分钟Conda不想处理版本冲突的用户conda_env.yml 一条命令建好、版本已锁定约 15 分钟Docker生产或隔离环境不装依赖、容器即开即跑、镜像可复用约 5 分钟想最快看到效果就选 virtualenv完全不想动本机环境就选 Docker。⚡ 5 分钟看到修复效果先克隆仓库并进入目录git clone https://gitcode.com/GitHub_Trending/la/lama cd lama建环境装依赖。PyTorch 固定 1.8.0 / 0.9.0再按 requirements.txt 补齐其余包python3 -m venv inpenv source inpenv/bin/activate pip install torch1.8.0 torchvision0.9.0 pip install -r requirements.txt一键下载效果最好的 big-lama 模型Places2 Places Challenge 训练并解压curl -LJO https://huggingface.co/smartywu/big-lama/resolve/main/big-lama.zip unzip big-lama.zip准备一组测试图与掩码解压官方测试包LaMa_test_images.zip图与掩码需在同一目录。最后设两个环境变量执行一条推理命令export TORCH_HOME$(pwd) export PYTHONPATH$(pwd) python3 bin/predict.py model.path$(pwd)/big-lama indir$(pwd)/LaMa_test_images outdir$(pwd)/output跑完到output/目录找结果文件名与输入一一对应。 本地部署详解virtualenv 路径上面的快车道用了python -m venv等价于项目推荐的 virtualenv 写法可显式指定解释器virtualenv inpenv --python/usr/bin/python3 source inpenv/bin/activate pip install torch1.8.0 torchvision0.9.0 pip install -r requirements.txt验证方式执行python3 -c import torch; print(torch.__version__)应输出 1.8.0。Conda 路径版本全部由 conda_env.yml 锁定四行命令完成conda env create -f conda_env.yml conda activate lama conda install pytorch torchvision torchaudio cudatoolkit10.2 -c pytorch -y pip install pytorch-lightning1.2.9验证同样看 torch 版本环境名lama与文件内name: lama一致。掩码命名规则与批量生成模型靠文件名配对原图与掩码掩码必须叫[图像名]_maskXXX[后缀]并与原图同目录image1_mask001.png image1.png整目录图片不必手工画掩码。从 configs/data_gen/ 挑一份配置thin / medium / thick × 256 / 512批量生成随机掩码python3 bin/gen_mask_dataset.py configs/data_gen/random_medium_512.yaml input_dir output_dir --ext png脚本会把输入图 resize、裁剪再按上面格式输出图像与掩码对。图片若不是.png记得同步修改 default.yaml 里的img_suffix。saicinpainting/evaluation/masks下的 countless 模块还能从语义分割图派生各种掩码形态细节见该目录自带 README。 Docker 容器化依赖零安装。可用仓库 Dockerfile 自建镜像CUDA 11.1 换 Dockerfile-cuda111cd docker docker build -t lama-local -f Dockerfile .更省事的办法是直接跑仓库自带的 2_predict_with_gpu.sh按「模型目录 输入目录 输出目录」三个参数执行 GPU 推理bash docker/2_predict_with_gpu.sh $(pwd)/big-lama $(pwd)/LaMa_test_images $(pwd)/docker_output脚本的本质就是下面这组核心docker run参数参数作用-v 模型目录:/data/checkpoint挂载本地 big-lama-v 输入目录:/data/input挂载测试图与掩码-v 输出目录:/data/output回传修复结果--gpus all透传全部 GPUwindj007/lama预构建镜像容器内命令固定为bin/predict.py model.path/data/checkpoint indir/data/input outdir/data/output跑完结果出现在你挂载的本地输出目录里。 评估与提速用评估脚本量化效果计算 FID、LPIPS、SSIM 等指标并写入 CSVpython3 bin/evaluate_predicts.py configs/eval2_gpu.yaml $(pwd)/LaMa_test_images $(pwd)/output metrics.csv细节不满意追加refineTrue做二次精修refiner 会在掩码区域做多尺度金字塔迭代优化python3 bin/predict.py refineTrue model.path$(pwd)/big-lama indir$(pwd)/LaMa_test_images outdir$(pwd)/output_refine⚠️ 默认最多 3 个下采样尺度、每尺度 15 次迭代见 default.yaml 的refiner段耗时明显高于普通推理先拿少量图试跑。GPU 没被调用时按三步排查执行nvidia-smi确认有卡且出现 python 进程default.yaml 默认device: cuda显式加devicecpu可强制 CPUDocker 运行必须带--gpus all否则容器内看不到显卡。 排错速查现象原因解法pip 安装报版本冲突PyTorch 加载不了 CUDAtorch 版本与本机 CUDA 不匹配按本文固定 torch1.8.0 / torchvision0.9.0或改走 Docker 路径推理慢nvidia-smi无进程运行环境没有启用 GPU本地检查device参数Docker 补--gpus all提示找不到掩码文件掩码不符合命名规则改名为[图像名]_maskXXX[后缀]与原图同目录img_suffix与扩展名一致 进阶推理跑通后一行命令即可开始训练自己的模型需先备 Places365 数据python3 bin/train.py -cn lama-fourier locationplaces_standardconfigs/training/ 下的配置对应 big-lama、lama-fourier 等论文版本数据集准备与参数细节见 README.md 的 Train and Eval 章节交互画掩码可试 LaMa_inpainting.ipynb问题可提交到项目 Issues。数据集就绪后替换 location 参数就能练出专攻你业务领域的 LaMa。【免费下载链接】lama LaMa Image Inpainting, Resolution-robust Large Mask Inpainting with Fourier Convolutions, WACV 2022项目地址: https://gitcode.com/GitHub_Trending/la/lama创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考