企业官网建设流程全解析

LaMa 图像修复实战教程：推理、掩码生成与指标评测全流程完整指南

【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/lama

LaMa（Large Mask Inpainting）是 WACV 2022 提出的高分辨率鲁棒图像修复模型，训练时只用 256x256，却能修复到约 2k 分辨率。如果你不清楚如何填补图像缺失区域、如何批量生成掩码、如何量化修复质量，本文可以带你从零搭建一套本地可用的图像修复流水线。

📦 概念铺垫：一张表看懂 LaMa 的目录结构与配置项

在动手之前，先搞清楚"每个目录管什么"，后面排错时才知道去哪里找。核心入口是四个命令行脚本（bin/predict.py、bin/gen_mask_dataset.py、bin/train.py、bin/evaluate_predicts.py），其余目录按下表理解：

命名约定是后面所有流程的前提：原图与掩码放在同一目录，掩码命名为image1_mask001.png与image1.png配对；若图片后缀不是.png，记得在推理配置里同步dataset.img_suffix。

🚀 快速上手：四步跑出第一次大掩码图像修复

这一节解决"最快看到效果"的问题：装环境、下模型、准备数据、跑推理，全程不需要改动任何源码。

1. 准备环境与依赖

git clone https://gitcode.com/GitHub_Trending/la/lama cd lama export TORCH_HOME=$(pwd) && export PYTHONPATH=$(pwd) pip install -r requirements.txt

注意：TORCH_HOME和PYTHONPATH这两个变量要在同一终端会话中导出后再运行任何脚本，否则权重查找与模块导入都会出问题。

2. 下载预训练模型

推荐先拿效果最好的big-lama.zip（入口见 README.md 中的说明），解压到仓库根目录即可；如果还需要 CelebA-HQ 版本，再下载完整模型包。

3. 准备图片与掩码

4. 执行推理

python3 bin/predict.py \ model.path=$(pwd)/big-lama \ indir=$(pwd)/LaMa_test_images \ outdir=$(pwd)/output

效果：outdir中会输出与原图同名的修复结果（由配置中out_key: inpainted决定），默认加载best.ckpt检查点。

🛠️ 进阶定制：三个典型场景的完整配置

跑通之后，多数人会遇到三类需求：不想装环境想用 Docker、掩码想自己生成、想给质量打个数。下面分别给出对应做法。

场景一：用 Docker 做 GPU 批量推理

问题：宿主机不想装 PyTorch 全家桶，或者想直接把卡拉满加速。

做法：docker/ 下提供了现成脚本，三个位置参数依次是模型目录、图片目录、输出目录：

bash docker/2_predict_with_gpu.sh $(pwd)/big-lama $(pwd)/LaMa_test_images $(pwd)/output

脚本内部会挂载这三个目录进容器并带--gpus all执行predict.py，镜像定义见 docker/Dockerfile。宿主机无卡时，也可以在命令里追加device=cpu覆盖默认配置，先在本地把流程验证通。

效果：宿机零依赖，批量任务直接产出修复图，容器跑完即销毁。

场景二：从自己的图片批量生成不同厚度的掩码

问题：掩码从哪里来？不同粗细的掩码怎么批量造出来？

做法：用随机掩码生成脚本，第一个参数选掩码风格，后两个参数分别是输入图片目录与输出目录：

bash docker/1_generate_masks_from_raw_images.sh \ configs/data_gen/random_medium_512.yaml \ /directory_with_input_images \ /directory_where_to_store_images_and_masks \ --ext png

掩码风格按"厚度 × 数据集"选择，与论文测试集一致（随机种子不固定，每次结果会略有差异）：

效果：输出目录中生成"裁剪原图 + 配对掩码"，格式与推理入口要求完全一致，可以直接丢进bin/predict.py处理。

场景三：用 refine 精修大图，并用指标量化质量

问题：大图想再精修一轮；另外需要数字而不是"肉眼看着还行"。

做法：推理时追加refine=True（即python3 bin/predict.py refine=True ...）即可启用多尺度精修，相关参数在 configs/prediction/default.yaml 的refiner段：n_iters: 15（每个尺度的迭代数）、max_scales: 3、px_budget: 1800000。评测则跑：

python3 bin/evaluate_predicts.py \ configs/eval2_gpu.yaml \ my_dataset/eval/random_thick_512 \ inference/my_dataset/random_thick_512 \ inference/my_dataset/random_thick_512_metrics.csv

效果：输出包含 FID、SSIM、LPIPS 三项指标的 CSV / metrics 文件，无卡环境可换configs/eval2_cpu.yaml。

🩺 排错与验证：常见现象快速定位与本地验证方法

遇到问题时，建议先按下表的"现象 → 原因 → 解法"对照，大多数卡壳都能在三分钟内定位。

• 现象：模型下载入口失效、找不到 big-lama 文件。原因：README 中旧的网盘链接已陆续过期。解法：按 README 指引从 HuggingFace（big-lama.zip）或 Google Drive 重新下载，解压到仓库根目录。

• 现象：首次运行报模块找不到或权重加载失败。原因：没有导出TORCH_HOME与PYTHONPATH两个环境变量。解法：在仓库根目录先执行export TORCH_HOME=$(pwd) && export PYTHONPATH=$(pwd)再运行脚本。

• 现象：部分图片没有输出结果。原因：图片与掩码文件名不配对，或后缀声明不符。解法：核对掩码是否遵循image_maskXXX.ext规则，并检查dataset.img_suffix是否与实际后缀一致。

• 现象：开 refine 后特别慢甚至显存不足。原因：精修默认对最多 3 个尺度各做 15 次迭代，开销很大。解法：先用refine=False验证流程，确需精修时调小n_iters或px_budget。

• 现象：Docker 推理报 GPU 相关错误。原因：宿主机缺少 NVIDIA 驱动或 nvidia-container-runtime。解法：先以device=cpu跑通流程，再补装 GPU 运行环境。

本地验证方法：挑 2~3 张带掩码的样例图，先用 CPU 小批量跑一次推理，确认outdir中出现同名的 inpainted 结果；再执行一次评测，看到 FID / SSIM / LPIPS 均为有限数值，即可认为整条流水线已正常工作。

📚 资源索引

• README.md：环境搭建、推理、训练与评测的完整说明
• configs/prediction/default.yaml：推理配置默认字段
• configs/data_gen/：六套随机掩码生成参数
• docker/：掩码生成、GPU 推理与评测的一键脚本
• saicinpainting/training/modules/：FFC 傅里叶卷积等核心模块源码

【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