facefusion服务化改造

最新推荐文章于 2025-01-28 06:15:00 发布

humble_thumber

最新推荐文章于 2025-01-28 06:15:00 发布

阅读量3k

点赞数 23

文章标签： AIGC ai

本文链接：https://blog.csdn.net/humble_thumber/article/details/136535965

版权

本文介绍了将facefusion服务化改造的过程，包括分析facefusion的使用方式，发现其前端使用了gradio库，不适合直接作为服务接口。通过研究源码，了解到算法执行逻辑，并决定使用FastAPI构建HTTP接口。详细描述了改造步骤，包括复制并修改核心函数，处理用户上传的图片，将其保存到临时文件夹，并调用facefusion进行处理。提供了改造后的代码仓库链接。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

facefusion服务化改造

代码： https://gitee.com/hzlxf/facefusion-http-api

facefusion有两种使用方式，一种是官方文档上面写的，安装好后直接运行 python run.py，这会提供一个web的交互界面，相当友好。另一种是在这基础上，添加 --headless的参数，同时，指定如source, input, output等其它一大堆参数，命令行运行。参数表可以 --help 显示，也可以阅读 facefusion/core.py中的cli()函数查阅。

在这里插入图片描述

但是如果我们要把它作为我们的服务，对外提供接口，就都不太合适了。首先headless的方式是肯定不行的，每次运行都要加载模型，多耗时啊。

而web的方式呢？通过F12查看其接口，发现其请求体、接口十分不规则，不符合常见的http接口的形式，很难推断出接口参数是什么。（除了upload，就全TM是/run/predict这个接口）

在这里插入图片描述

针对性的研究facefusion关于代码逻辑后发现，这是由于facefusion的前端并不是通过常见的前端框架开发的，而是通过一个叫gradio的库。这个库是专门给研究员们进行算法可视化，展示demo用的。（看了一下文档，还确实挺方便的，前后端都不用写，声明一下就行了。专属算法人员的“低代码”框架无疑了）

不得已，简单的研究一下源码，看它是怎么调用算法的，然后我们自己用fastapi手撸一个服务接口得了。

首先还是在入口函数，facefusion/core.py这里。cli()这个函数是命令行的入口。在这里定义了所有的参数，也设了默认值。

def cli() -> None:
	signal.signal(signal.SIGINT, lambda signal_number, frame: destroy())
	program = ArgumentParser(formatter_class = lambda prog: HelpFormatter(prog, max_help_position = 130), add_help = False)
	# general
	program.add_argument('-s', '--source', help = wording.get('help.source'), action = 'append', dest = 'source_paths', default = config.get_str_list('general.source_paths'))
	program.add_argument('-t', '--target', help = wording.get('help.target'), dest = 'target_path', default = config.get_str_value('general.target_path'))
	program.add_argument('-o', '--output', help = wording.get('help.output'), dest = 'output_path', default = config.get_str_value('general.output_path'))
	program.add_argument('-v', '--version', version = metadata.get('name') + ' ' + metadata.get('version'), action = 'version')

	# 省略若干行

	run(program)

最后一个run的函数，就是执行算法的真正入口了。跟踪进去看看。

def run(program : ArgumentParser) -> None:
	apply_args(program)
	logger.init(facefusion.globals.log_level)
	if facefusion.globals.system_memory_limit > 0:
		limit_system_memory(facefusion.globals.system_memory_limit)
	if not pre_check() or not content_analyser.pre_check() or not face_analyser.pre_check() or not face_masker.pre_check():
		return