2026/9/17 1:32:39
FEATURED · 精选文章 
LaMa大掩码图像修复四步跑通从部署到效果验证的完整实操指南【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/lamaLaMaLarge Mask Inpainting是一个基于傅里叶卷积的图像修复模型专门负责把图片里被挖掉的大块区域填回来。它训练时只见过 256×256 的小图却能泛化到 2K 分辨率的输入对周期性结构这类难点场景也稳。这篇不翻源码只带你走通一条主线装环境、备输入、跑推理、判效果、查错误、调参数。 先把环境跑起来LaMa的三种安装方式先拉代码再建环境git clone https://gitcode.com/GitHub_Trending/la/lama cd lama conda env create -f conda_env.yml conda activate lama这是 conda 路线速度最快激活后按 README 里的说明补装 PyTorch 相关依赖README 标了精确版本别随意升级。偏好 virtualenv 的话用 python3 建虚拟环境再执行pip install -r requirements.txt即可。手里有 Docker 就完全不用折腾docker/Dockerfile 基于 CUDA 10.2 把依赖都打进去了。如果你的情况是没有 GPU别硬装 CUDA 环境官方支持纯 CPU 推理命令后加一个devicecpu就行。️ 准备图片和掩码LaMa修复输入要守的两个命名约定LaMa 不接受一张图加一个随意命名的掩码它要求图片和掩码放在同一目录掩码名按[图片名]_maskXXX[后缀]拼写比如image1.png配image1_mask001.png。另外 configs/prediction/default.yaml 里的image_suffix必须和你真实的文件后缀一致否则脚本根本配不上对。掩码没有现成的用仓库自带的bin/gen_mask_dataset.py生成参数选 configs/data_gen/ 下的配置thin、medium、thick 对应窄、中、宽三档掩码256/512 控制输出分辨率。下面是 countless 掩码生成模块自带的示例照片可直接当作修复输入该模块还配了这张语义分割样例图用来测试掩码采样策略色块分明的区域正好适合验证大面积补全场景 跑一次推理用三个指标判断修复质量环境、数据都备好后在仓库目录执行export TORCH_HOME$(pwd) export PYTHONPATH$(pwd) python3 bin/predict.py model.path$(pwd)/big-lama indir$(pwd)/LaMa_test_images outdir$(pwd)/outputmodel.path指向预训练模型所在目录下载地址 README 里给了解压后把目录路径填进来即可结果会写进outdir。嫌边缘不够干净就在命令后追加refineTrue内置的 refiner 会做多尺度迭代增强。主观感受先看一眼出图客观数字看三个SSIM衡量修复图和原图结构上差多少越高越像LPIPS算的是感知相似度模拟人眼觉得像不像FID从分布层面看整体质量越低越好。三者都在 saicinpainting/evaluation/losses/ 模块里实现一条命令出结果python3 bin/evaluate_predicts.py $(pwd)/configs/eval2_gpu.yaml 带掩码的图目录 修复输出目录 指标csv保存路径注意一点论文里的 FID/SSIM/LPIPS 是在 3 万张图的评价集上算的你拿几十张图复现不出同样数值拿它做自己不同参数之间的相对比较才有意义。 报错先按这个顺序查LaMa部署四个常见坑第一查模型目录。bin/predict.py 启动时会去model.path下读config.yaml再去models/子目录取权重默认best.ckpt两者缺一就加载失败——所谓模型加载失败多数栽在这里先确认目录里文件齐不齐。第二查文件配对。脚本能跑但输出是空的、掩码不生效十有八九是掩码命名没守约定或者img_suffix和实际后缀对不上。第三查内存。显存爆了先降输入分辨率或批量大小开了 refine 的把配置里refiner.px_budget调小它限制重采样后的像素预算。第四查设备。没有 CUDA 就改devicecpu进程卡死时Linux 下发一句kill -10 pid进程会把当前 traceback 打进日志这是项目自带的调试钩子。 跑通之后怎么调得更顺参数覆盖与资源监控Hydra 的命令行覆盖让调参很省事在训练命令后直接追keyvalue不用动 yaml 文件。比如把批量大小改到 10 并给这次实验起个名字python3 bin/train.py -cn lama-fourier data.batch_size10 run_titlemy-title训练过程盯 TensorBoard 曲线损失突然飙升或长时间不降优先回查批量大小和数据路径配置日志目录由 configs/training/location/ 下配置文件里的tb_dir指定。推理服务则盯两个数GPU 显存占用和单张图推理耗时想接进已有监控体系用 Prometheus 采集这两个指标、Grafana 画成仪表板就够了。【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
LaMa大掩码图像修复四步跑通：从部署到效果验证的完整实操指南
LaMa大掩码图像修复四步跑通从部署到效果验证的完整实操指南【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/lamaLaMaLarge Mask Inpainting是一个基于傅里叶卷积的图像修复模型专门负责把图片里被挖掉的大块区域填回来。它训练时只见过 256×256 的小图却能泛化到 2K 分辨率的输入对周期性结构这类难点场景也稳。这篇不翻源码只带你走通一条主线装环境、备输入、跑推理、判效果、查错误、调参数。 先把环境跑起来LaMa的三种安装方式先拉代码再建环境git clone https://gitcode.com/GitHub_Trending/la/lama cd lama conda env create -f conda_env.yml conda activate lama这是 conda 路线速度最快激活后按 README 里的说明补装 PyTorch 相关依赖README 标了精确版本别随意升级。偏好 virtualenv 的话用 python3 建虚拟环境再执行pip install -r requirements.txt即可。手里有 Docker 就完全不用折腾docker/Dockerfile 基于 CUDA 10.2 把依赖都打进去了。如果你的情况是没有 GPU别硬装 CUDA 环境官方支持纯 CPU 推理命令后加一个devicecpu就行。️ 准备图片和掩码LaMa修复输入要守的两个命名约定LaMa 不接受一张图加一个随意命名的掩码它要求图片和掩码放在同一目录掩码名按[图片名]_maskXXX[后缀]拼写比如image1.png配image1_mask001.png。另外 configs/prediction/default.yaml 里的image_suffix必须和你真实的文件后缀一致否则脚本根本配不上对。掩码没有现成的用仓库自带的bin/gen_mask_dataset.py生成参数选 configs/data_gen/ 下的配置thin、medium、thick 对应窄、中、宽三档掩码256/512 控制输出分辨率。下面是 countless 掩码生成模块自带的示例照片可直接当作修复输入该模块还配了这张语义分割样例图用来测试掩码采样策略色块分明的区域正好适合验证大面积补全场景 跑一次推理用三个指标判断修复质量环境、数据都备好后在仓库目录执行export TORCH_HOME$(pwd) export PYTHONPATH$(pwd) python3 bin/predict.py model.path$(pwd)/big-lama indir$(pwd)/LaMa_test_images outdir$(pwd)/outputmodel.path指向预训练模型所在目录下载地址 README 里给了解压后把目录路径填进来即可结果会写进outdir。嫌边缘不够干净就在命令后追加refineTrue内置的 refiner 会做多尺度迭代增强。主观感受先看一眼出图客观数字看三个SSIM衡量修复图和原图结构上差多少越高越像LPIPS算的是感知相似度模拟人眼觉得像不像FID从分布层面看整体质量越低越好。三者都在 saicinpainting/evaluation/losses/ 模块里实现一条命令出结果python3 bin/evaluate_predicts.py $(pwd)/configs/eval2_gpu.yaml 带掩码的图目录 修复输出目录 指标csv保存路径注意一点论文里的 FID/SSIM/LPIPS 是在 3 万张图的评价集上算的你拿几十张图复现不出同样数值拿它做自己不同参数之间的相对比较才有意义。 报错先按这个顺序查LaMa部署四个常见坑第一查模型目录。bin/predict.py 启动时会去model.path下读config.yaml再去models/子目录取权重默认best.ckpt两者缺一就加载失败——所谓模型加载失败多数栽在这里先确认目录里文件齐不齐。第二查文件配对。脚本能跑但输出是空的、掩码不生效十有八九是掩码命名没守约定或者img_suffix和实际后缀对不上。第三查内存。显存爆了先降输入分辨率或批量大小开了 refine 的把配置里refiner.px_budget调小它限制重采样后的像素预算。第四查设备。没有 CUDA 就改devicecpu进程卡死时Linux 下发一句kill -10 pid进程会把当前 traceback 打进日志这是项目自带的调试钩子。 跑通之后怎么调得更顺参数覆盖与资源监控Hydra 的命令行覆盖让调参很省事在训练命令后直接追keyvalue不用动 yaml 文件。比如把批量大小改到 10 并给这次实验起个名字python3 bin/train.py -cn lama-fourier data.batch_size10 run_titlemy-title训练过程盯 TensorBoard 曲线损失突然飙升或长时间不降优先回查批量大小和数据路径配置日志目录由 configs/training/location/ 下配置文件里的tb_dir指定。推理服务则盯两个数GPU 显存占用和单张图推理耗时想接进已有监控体系用 Prometheus 采集这两个指标、Grafana 画成仪表板就够了。【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 
