如何批量处理照片？GPEN脚本扩展方法分享

如何批量处理照片？GPEN脚本扩展方法分享

你是不是也遇到过这样的情况：手头有几十张老照片，有的模糊、有的泛黄、有的带噪点，一张张手动修复太耗时，而市面上的在线工具又限制数量、要排队、还担心隐私泄露？其实，用GPEN人像修复增强模型，完全可以在本地一次性批量处理整批照片——而且不需要从零写代码，只需在原有推理脚本基础上做轻量扩展。

本文不讲理论推导，不堆参数配置，只聚焦一个实际问题：怎么把单张图片修复脚本，变成能自动遍历文件夹、批量处理、按原名保存、跳过非图像文件的实用工具？全程基于镜像预装环境，无需额外安装依赖，10分钟就能跑通，小白也能照着操作成功。

1. 为什么单图脚本不够用？

先看镜像文档里提供的标准用法：

python inference_gpen.py --input ./my_photo.jpg

它确实能修好一张图，但真实场景中，我们面对的从来不是“一张图”，而是：

• 一个叫family_2005的文件夹，里面存着47张JPG和3张PNG；
• 一个叫graduation_old的目录，混着.jpg、.jpeg、.JPG多种后缀；
• 还有些.DS_Store或缩略图文件，直接传入会报错；
• 更关键的是：每次都要改命令、等结果、再改下一条……效率极低。

也就是说，原生脚本是为“验证功能”设计的，不是为“日常使用”准备的。
真正提升效率的关键，不在于换更强的模型，而在于让工具适配你的工作流。

2. 批量处理的核心思路

批量不是靠“多开几个终端”，而是用程序思维解决重复劳动。我们只需要三步：

2.1 明确输入输出规则

这个逻辑清晰、边界明确，不依赖复杂框架，纯Python标准库就能实现。

2.2 复用原有推理能力

GPEN的inference_gpen.py本身已封装好全部核心逻辑：加载模型、人脸检测、对齐、增强、保存。我们不重写模型调用，只包装调用方式——就像给一台好相机装上自动连拍模式，而不是重新造镜头。

关键点在于：找到脚本中真正执行推理的函数入口。查看/root/GPEN/inference_gpen.py源码可知，主流程由main()函数驱动，而核心处理逻辑集中在enhance_image()或类似命名函数（实际为infer()）。我们只需提取其调用接口，避免重复初始化模型。

3. 实战：编写批量处理脚本

下面这个脚本，命名为batch_enhance.py，放在/root/GPEN/目录下即可直接运行。全文不到80行，无第三方依赖，全部使用镜像预装环境。

3.1 完整脚本代码（含详细注释）

#!/usr/bin/env python3 # -*- coding: utf-8 -*- """ GPEN 批量人像修复脚本 功能：遍历指定文件夹，对所有人脸图像进行高清增强，结果自动保存 作者：适配CSDN星图GPEN镜像环境 """ import os import glob import argparse from pathlib import Path import cv2 import numpy as np # 确保在GPEN项目根目录下运行（即包含inference_gpen.py的位置） GPEN_ROOT = "/root/GPEN" os.chdir(GPEN_ROOT) # 动态导入原推理模块（避免硬编码路径） import sys sys.path.insert(0, GPEN_ROOT) try: from inference_gpen import main as gpen_main except ImportError as e: print(f"❌ 无法导入GPEN推理模块：{e}") print("请确认当前路径为 /root/GPEN，且 inference_gpen.py 存在") exit(1) def get_image_files(folder_path): """获取文件夹内所有支持的图像文件（忽略大小写）""" folder = Path(folder_path) if not folder.exists(): raise FileNotFoundError(f"文件夹不存在：{folder_path}") patterns = ["*.jpg", "*.jpeg", "*.png", "*.bmp", "*.JPG", "*.JPEG", "*.PNG", "*.BMP"] files = [] for pattern in patterns: files.extend(folder.glob(pattern)) # 去重并排序，确保顺序一致 files = sorted(set(files)) return [str(f) for f in files if f.is_file()] def safe_enhance(input_path, output_path, args): """安全执行单张图增强，捕获异常不中断流程""" try: # 构造GPEN所需的命令行参数（模拟原脚本调用） # 注意：此处复用原脚本的argparse逻辑，不修改其内部 import subprocess cmd = [ "python", "inference_gpen.py", "--input", input_path, "--output", output_path ] if args.size: cmd.extend(["--size", str(args.size)]) if args.channel: cmd.extend(["--channel", str(args.channel)]) result = subprocess.run(cmd, capture_output=True, text=True, timeout=300) if result.returncode == 0: print(f" 已处理：{Path(input_path).name} → {Path(output_path).name}") return True else: print(f" 处理失败：{Path(input_path).name}") print(f" 错误信息：{result.stderr[:200]}...") return False except Exception as e: print(f" 运行异常：{Path(input_path).name} — {e}") return False def main(): parser = argparse.ArgumentParser(description="GPEN 批量人像修复工具") parser.add_argument("--input", "-i", type=str, required=True, help="输入文件夹路径（必须）") parser.add_argument("--output", "-o", type=str, default="./batch_output", help="输出文件夹路径（默认：./batch_output）") parser.add_argument("--size", type=int, default=512, help="输出图像尺寸（默认：512，可选 256/512/1024）") parser.add_argument("--channel", type=int, default=3, help="通道数（默认：3，RGB）") parser.add_argument("--skip-existing", action="store_true", help="跳过已存在的输出文件（用于断点续跑）") args = parser.parse_args() # 创建输出目录 output_dir = Path(args.output) output_dir.mkdir(exist_ok=True) # 获取所有图像文件 image_files = get_image_files(args.input) if not image_files: print(f"❌ 未在 {args.input} 中找到支持的图像文件") return print(f" 扫描到 {len(image_files)} 张图像文件") print(f"⚙ 使用参数：尺寸={args.size}, 通道={args.channel}") print(f" 输出目录：{output_dir.absolute()}") print("-" * 50) # 逐张处理 success_count = 0 for idx, img_path in enumerate(image_files, 1): input_name = Path(img_path).name output_name = f"enhanced_{input_name}" output_path = output_dir / output_name # 跳过已存在文件（可选） if args.skip_existing and output_path.exists(): print(f"⏩ 已存在，跳过：{input_name}") continue print(f"[{idx}/{len(image_files)}] 正在处理：{input_name}") if safe_enhance(img_path, str(output_path), args): success_count += 1 print("-" * 50) print(f" 批量处理完成！成功 {success_count}/{len(image_files)} 张") if success_count < len(image_files): print(f"❗ 有 {len(image_files)-success_count} 张处理失败，请检查日志或图片格式") if __name__ == "__main__": main()

3.2 脚本使用方法

1. 保存脚本：将上述代码复制，保存为/root/GPEN/batch_enhance.py

2. 准备照片：把待处理的照片统一放入一个文件夹，例如：

   mkdir -p /root/photos_to_fix cp ~/Downloads/old_pics/*.jpg /root/photos_to_fix/

3. 运行批量处理（推荐首次用小样本测试）：

   cd /root/GPEN python batch_enhance.py --input /root/photos_to_fix --output /root/enhanced_results --size 512

4. 查看结果：

   • 输出目录/root/enhanced_results/下会生成enhanced_xxx.jpg等文件；
   • 每张图处理完成后终端都有明确提示（ 或 ）；
   • 失败图片会打印简要错误，方便定位问题。

小贴士：如果某张图报错“no face detected”，说明GPEN未检出有效人脸（如侧脸过大、遮挡严重、非正面照），可单独用原脚本加--det_size 640参数重试，或先用其他工具裁切。

4. 进阶技巧：让批量更智能

基础批量已够用，但若想进一步提效，这几个技巧值得掌握：

4.1 按分辨率分组处理

GPEN对不同尺寸输入效果有差异。老照片常为低分辨率（如640×480），而新手机图可能达4000×3000。统一用--size 512可能导致小图过度拉伸、大图细节丢失。

推荐做法：先用脚本自动分类，再分批处理：

# 查看所有图尺寸（一行命令） find /root/photos_to_fix -iname "*.jpg" -exec identify -format "%f %wx%h\n" {} \; | sort -k2 -n

然后创建子文件夹：

• /root/photos_to_fix/low_res/（宽/高 < 1000）
• /root/photos_to_fix/high_res/（宽/高 ≥ 1000）

分别运行：

python batch_enhance.py -i /root/photos_to_fix/low_res -o /root/out_low --size 256 python batch_enhance.py -i /root/photos_to_fix/high_res -o /root/out_high --size 1024

4.2 自动跳过非人像图

GPEN专为人像优化，处理风景、文字、截图效果不佳。可在批量前加简单人脸检测预筛：

# 在 batch_enhance.py 的 get_image_files 后添加 def has_face(img_path): try: img = cv2.imread(img_path) if img is None: return False gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 使用OpenCV内置级联检测器（轻量，不依赖facexlib） face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml') faces = face_cascade.detectMultiScale(gray, 1.1, 4) return len(faces) > 0 except: return False # 使用时过滤 image_files = [f for f in image_files if has_face(f)]

注：此功能需镜像中已预装opencv-python（文档已确认存在），无需额外安装。

4.3 生成对比图合集（HTML可视化）

处理完所有图，快速生成一个本地网页，左右对比原图与增强图：

# 运行后生成 index.html，用浏览器打开即可浏览 cd /root/GPEN python -m http.server 8000 # 启动简易服务器 # 然后访问 http://localhost:8000/batch_output/ 查看

或用以下脚本自动生成对比页（保存为gen_compare_html.py）：

import os from pathlib import Path input_dir = Path("/root/photos_to_fix") output_dir = Path("/root/enhanced_results") html_path = output_dir / "compare.html" with open(html_path, "w", encoding="utf-8") as f: f.write("<html><head><title>GPEN修复对比</title><style>body{font-family:sans-serif;} .pair{margin:20px 0;} img{max-width:400px;vertical-align:top;}</style></head><body>") f.write("<h1>GPEN人像修复效果对比</h1>") for img_file in input_dir.glob("*.*"): if img_file.suffix.lower() in ['.jpg', '.jpeg', '.png']: orig_name = img_file.name enhanced_name = f"enhanced_{orig_name}" if (output_dir / enhanced_name).exists(): f.write(f'<div class="pair"><h3>{orig_name}</h3>') f.write(f'<img src="../photos_to_fix/{orig_name}" alt="原图"> → ') f.write(f'<img src="{enhanced_name}" alt="增强图"></div>') f.write("</body></html>") print(f" 对比网页已生成：file://{html_path.absolute()}")

5. 常见问题与避坑指南

即使脚本写得再稳，实际运行中仍可能遇到典型问题。以下是基于真实测试总结的高频问题及解法：

5.1 “CUDA out of memory” 内存不足

现象：处理大图（如4K）时崩溃，报CUDA out of memory
原因：GPEN 1024模型显存占用约10GB，镜像默认分配可能不足
解法：

• 优先用--size 512（显存占用约4GB，兼容多数显卡）；
• 若必须用1024，添加环境变量限制显存：

  CUDA_VISIBLE_DEVICES=0 python batch_enhance.py -i ... -o ... --size 1024

• 或在脚本开头加入：

  import os os.environ["PYTORCH_CUDA_ALLOC_CONF"] = "max_split_size_mb:128"

5.2 输出图全黑或空白

现象：输出文件存在，但打开是纯黑/纯白
原因：输入图色彩空间异常（如CMYK格式JPG）或位深度不匹配
解法：

• 用OpenCV预转换色彩空间（在safe_enhance前插入）：

  img = cv2.imread(input_path) if img is not None and len(img.shape) == 3 and img.shape[2] == 4: img = cv2.cvtColor(img, cv2.COLOR_BGRA2BGR) # 透明通道转BGR cv2.imwrite(input_path + "_fixed.jpg", img) input_path = input_path + "_fixed.jpg"

5.3 处理速度慢，CPU占满

现象：GPU利用率低，CPU持续100%，进度缓慢
原因：subprocess启动新进程导致重复加载模型（每次调用都初始化）
解法（进阶）：改用模块化调用，避免反复启动Python解释器。修改batch_enhance.py，直接调用GPEN内部函数：

# 替换 safe_enhance 函数为： from inference_gpen import infer from basicsr.utils import imwrite def fast_enhance(input_path, output_path, size=512): try: img = cv2.imread(input_path) if img is None: return False # 直接调用infer函数（需查看原脚本确认签名） enhanced = infer(img, size=size) # 此处需根据实际infer函数参数调整 imwrite(enhanced, output_path) return True except Exception as e: print(f"处理失败 {input_path}: {e}") return False

提示：该方式需阅读/root/GPEN/inference_gpen.py源码确认infer()函数定义。镜像中该文件结构清晰，通常位于if __name__ == '__main__':上方，可快速定位。

6. 总结

批量处理照片，本质不是追求“一次跑完1000张”，而是建立一套可靠、可复现、易维护的本地化工作流。本文分享的方法，没有引入新框架、不修改模型、不重写核心逻辑，只在GPEN原生能力之上，用最朴素的Python脚本做了三层增强：

• 自动化层：自动发现文件、过滤格式、管理路径；
• 健壮性层：异常捕获、日志反馈、断点续跑；
• 体验层：尺寸分组、人脸预筛、对比可视化。

你会发现，真正节省时间的，往往不是模型本身，而是让模型“听懂你的话”的那几行胶水代码。下次再面对一整个硬盘的老照片，你不再需要纠结“要不要修”，而是直接敲下命令，去泡杯茶，回来就看到焕然一新的相册。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。