GPEN推理脚本怎么用？inference_gpen.py参数详解教程
GPEN人像修复增强模型镜像
本镜像基于GPEN人像修复增强模型构建，预装了完整的深度学习开发环境，集成了推理及评估所需的所有依赖，开箱即用。
1. 镜像环境说明
| 组件 | 版本 |
|---|---|
| 核心框架 | PyTorch 2.5.0 |
| CUDA 版本 | 12.4 |
| Python 版本 | 3.11 |
| 推理代码位置 | /root/GPEN |
主要依赖库：
facexlib: 用于人脸检测与对齐basicsr: 基础超分框架支持opencv-python,numpy<2.0,datasets==2.21.0,pyarrow==12.0.1sortedcontainers,addict,yapf
2. 快速上手
2.1 激活环境
使用前请先激活对应的 Conda 环境：
conda activate torch252.2 进入代码目录
所有推理操作都在/root/GPEN目录下进行：
cd /root/GPEN2.3 执行推理任务
GPEN 提供了inference_gpen.py脚本，支持多种调用方式。以下是几个典型场景的使用示例。
场景 1：运行默认测试图
不加任何参数时，脚本会自动加载内置的测试图片（Solvay_conference_1927.jpg）并进行修复：
python inference_gpen.py输出结果将保存为：output_Solvay_conference_1927.png
场景 2：修复自定义图片
你可以通过--input参数指定自己的人像照片路径：
python inference_gpen.py --input ./my_photo.jpg输出文件名为output_my_photo.jpg，自动添加output_前缀。
场景 3：自定义输入和输出文件名
如果想更灵活地控制输出名称，可以同时使用-i和-o参数：
python inference_gpen.py -i test.jpg -o custom_name.png这会把test.jpg的修复结果保存为custom_name.png，不会自动加前缀。
提示：所有生成结果默认保存在项目根目录下，即
/root/GPEN/，无需手动创建输出路径。
3. inference_gpen.py 参数详解
inference_gpen.py支持多个命令行参数，帮助你精细控制修复过程。下面是对每个参数的详细解释。
3.1 基础输入输出参数
| 参数 | 缩写 | 说明 |
|---|---|---|
--input | -i | 指定输入图像路径（必须是单张人像图） |
--output | -o | 指定输出图像路径（可选，默认自动命名） |
示例：
python inference_gpen.py -i portrait.jpg -o restored_portrait.jpg3.2 分辨率控制参数
GPEN 支持不同分辨率的人像增强，可通过--size参数选择预设尺寸。
| 参数 | 可选值 | 说明 |
|---|---|---|
--size | 256, 512, 1024, 2048 | 控制输出图像的分辨率大小 |
推荐设置：
- 日常使用选
512或1024 - 高清打印或专业用途可尝试
2048
示例：
python inference_gpen.py --input face.jpg --size 1024注意：分辨率越高，显存占用越大。建议 GPU 显存 ≥ 8GB 才使用 1024 以上分辨率。
3.3 人脸处理相关参数
这些参数影响人脸检测、对齐和细节保留效果。
| 参数 | 默认值 | 说明 |
|---|---|---|
--channel_multiplier | 2 | 特征通道倍增系数，影响网络容量 |
--narrow | 1.0 | 网络宽度缩放因子，小于1可降低计算量 |
--indir | None | 批量处理目录（见下文） |
--detect_face | True | 是否启用自动人脸检测与对齐 |
示例：关闭自动人脸检测（适用于已对齐的人脸）
python inference_gpen.py --input aligned_face.jpg --detect_face False3.4 批量处理功能
如果你有一批人像需要统一修复，可以用--indir指定整个文件夹：
python inference_gpen.py --indir ./input_faces/脚本会遍历该目录下的所有图片，并在同级生成output文件夹存放结果。
配合--outdir可自定义输出路径：
python inference_gpen.py --indir ./input/ --outdir ./restored/3.5 其他实用参数
| 参数 | 说明 |
|---|---|
--save_face_only | 仅保存修复后的人脸区域（裁剪版） |
--origin_size | 使用原图尺寸输出，避免缩放 |
--use_sr | 是否启用超分模块提升纹理清晰度 |
--aligned | 输入图已是标准对齐人脸（跳过检测） |
示例：保留原始尺寸 + 启用超分增强
python inference_gpen.py --input photo.jpg --origin_size --use_sr4. 实际使用技巧与建议
4.1 如何获得最佳修复效果？
我们测试了多种组合，总结出以下“黄金配置”：
python inference_gpen.py \ --input ./my_face.jpg \ --size 1024 \ --use_sr \ --origin_size \ --output final_result.png这套组合的特点是：
- 输出高清（1024分辨率）
- 保留原图比例（避免拉伸）
- 开启超分让皮肤质感更细腻
- 最终效果自然且细节丰富
4.2 显存不足怎么办？
若遇到 OOM（Out of Memory）错误，可尝试以下方法：
- 降低分辨率：改用
--size 512或256 - 缩小网络规模：添加
--narrow 0.5 - 关闭超分：加上
--no-use_sr
示例低资源模式：
python inference_gpen.py --input small.jpg --size 512 --narrow 0.5 --use_sr False这样可在 4GB 显存设备上顺利运行。
4.3 图片太暗或曝光异常？
GPEN 本身不包含亮度/对比度调整功能。建议预处理步骤如下：
import cv2 import numpy as np def brighten_image(img_path, output_path): img = cv2.imread(img_path) # 调整亮度和对比度 (beta: 亮度, alpha: 对比度) adjusted = cv2.convertScaleAbs(img, alpha=1.2, beta=30) cv2.imwrite(output_path, adjusted) brighten_image("dark_photo.jpg", "brightened.jpg")然后对brightened.jpg进行 GPEN 修复，效果更好。
4.4 多人脸图像如何处理？
当前inference_gpen.py默认只处理画面中最大的一张人脸。
如果你有多个人脸的照片（如合影），建议：
- 先用工具（如 OpenCV 或 LabelImg）手动裁剪出每个人脸
- 分别对每张裁剪图执行 GPEN 修复
- 后期再拼接回原图（可用 Photoshop 或 Python 实现）
5. 已包含权重文件说明
为保证开箱即用及离线推理能力，镜像内已预下载以下模型权重：
- ModelScope 缓存路径：
~/.cache/modelscope/hub/iic/cv_gpen_image-portrait-enhancement - 包含内容：
- 预训练生成器（Generator）
- 人脸检测器（RetinaFace）
- 关键点对齐模型（FAN）
- 超分辅助模块（RealESRGAN-based）
⚠️ 注意：首次运行推理脚本时若未找到本地权重，会尝试从 ModelScope 自动下载。由于模型较大（约 1.2GB），建议提前确认网络畅通或直接使用预装版本。
6. 常见问题解答
Q1：支持中文路径吗？
不建议使用含中文的文件路径，可能导致 OpenCV 读取失败。请将图片放在纯英文路径下。
Q2：输出图片模糊怎么办？
检查是否开启了--use_sr。如果没有，请加上该参数以启用超分增强。
Q3：人脸变形或五官错位？
可能是原图角度过大或遮挡严重。建议：
- 尽量使用正脸、无遮挡的照片
- 若必须处理侧脸，可尝试关闭自动对齐：
--detect_face False
Q4：能处理动物脸吗？
不能。GPEN 是专为人脸设计的模型，对猫狗等动物面部无效。
Q5：可以部署成 Web API 吗？
可以。后续我们将发布基于 FastAPI 的封装教程，实现网页端上传修复功能。
7. 参考资料
- 官方仓库：yangxy/GPEN
- 魔搭社区地址：iic/cv_gpen_image-portrait-enhancement
8. 引用 (Citation)
@inproceedings{yang2021gpen, title={GAN-Prior Based Null-Space Learning for Consistent Super-Resolution}, author={Yang, Tao and Ren, Peiran and Xie, Xuansong and Zhang, Lei}, booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)}, year={2021} }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。
