企业官网建设流程全解析

undress-service是一个可自托管的 AI 穿搭生成与虚拟衣橱服务：上传衣物照片后，AI 自动打标、智能推荐搭配，并用 Stable Diffusion / FLUX 渲染出"试穿效果图"。本文将带你用docker-compose.gpu.yml完成GPU加速部署，让 AI 试穿渲染告别漫长等待，一张命令搞定。

📌 先认识 undress-service：自托管的AI试穿引擎

和各类云端试穿工具不同，undress-service 的核心理念是100% 自托管：你的衣物照片、生成结果全部留在自己的机器上，不上传云端、无隐私顾虑。它的完整链路是：

• 📸衣橱数字化：上传照片，CLIP 自动识别品类、颜色、面料、季节
• 🧠智能搭配推荐：基于色彩理论、场合与天气的组合推荐
• 🎨AI 试穿可视化：用 Stable Diffusion XL / FLUX.1-schnell 生成写实试穿效果图

其中AI 渲染是最耗算力的环节——默认生成 1024×1024 图像、20 步推理（见 app/config.py 中的num_inference_steps配置），纯 CPU 跑起来动辄几分钟。这正是 GPU 加速的价值所在。

🚀 为什么值得做GPU加速部署？

GPU 加速后，"试穿—不满意—换一套—再试穿"的迭代循环才真正可用，这也是本教程的主题。

✅ 部署前准备：环境检查清单

开始之前，确认以下 4 项：

1. 已安装 Docker 与 Docker Compose：docker --version验证
2. NVIDIA 驱动正常：终端执行nvidia-smi能列出显卡
3. 已安装 nvidia-container-toolkit：让容器可以调用 GPU
4. 显存建议 ≥ 8GB：SDXL + CLIP 同时驻留时需要一定余量

依赖方面无需手动操心，requirements.txt 已锁定了torch 2.4.0、diffusers等 AI 栈版本，由 Dockerfile 在构建时统一安装。

🛠️ 三步完成GPU加速部署

第 1 步：获取项目代码

git clone https://gitcode.com/gh_mirrors/co/undress-service cd undress-service

第 2 步：准备 .env 配置

参考 README.md 中的示例，创建.env文件。GPU 场景下重点关注这几个参数：

USE_LOCAL_MODELS=true IMAGE_WIDTH=1024 IMAGE_HEIGHT=1024 NUM_INFERENCE_STEPS=20 GUIDANCE_SCALE=7.5

第 3 步：一条命令启动GPU版本

关键在于叠加两个 compose 文件——基础的 docker-compose.yml 负责构建、端口、数据卷与端口 8080 映射；docker-compose.gpu.yml 作为覆盖层注入 GPU 资源：

docker-compose -f docker-compose.yml -f docker-compose.gpu.yml up -d

首次启动会自动构建镜像并下载 AI 模型，耐心等待构建日志走完即可。

🔍 读懂 GPU 覆盖层的每一行配置

docker-compose.gpu.yml 全文只有十几行，逐行拆解：

deploy: resources: reservations: devices: - driver: nvidia # 使用 NVIDIA 驱动接入容器 count: 1 # 预留 1 块 GPU capabilities: [gpu] # 声明需要 GPU 能力 environment: - CUDA_VISIBLE_DEVICES=0 # 只暴露 0 号卡（多卡机可改） - PYTORCH_CUDA_ALLOC_CONF=max_split_size_mb:512 # 降低显存碎片

两个小技巧：

• 多显卡用户：把CUDA_VISIBLE_DEVICES改成目标卡号，例如1，避免占用主力显卡
• 显存偏小（如 6GB）：可在.env中把NUM_INFERENCE_STEPS降到 15 左右、或换用更轻量的 FLUX 模型（见 app/config.py 中flux_model_path配置）

🩺 部署后验证：三步确认GPU真的生效

1. 看容器状态：docker ps中dress-ai-service应为 Up；基础配置里内置了健康检查（每 30s 探测一次/api/v1/health，连续 3 次失败会标记异常）
2. 看健康接口：浏览器访问http://localhost:8080/api/v1/health，确认返回status: healthy，该接口定义在 app/routers/health.py
3. 实测渲染速度：打开http://localhost:8080的 Web 界面，上传几件衣物生成一套搭配并点击渲染，对比 GPU 与 CPU 的耗时差距

❓ 常见问题快速排错

🧠 进阶：叠加本地大模型 Ollama

如果希望推荐引擎有"自然语言推理"能力（例如解释搭配理由），可以三文件叠加：

docker-compose -f docker-compose.yml -f docker-compose.gpu.yml -f docker-compose.ollama.yml up -d

docker-compose.ollama.yml 会自动拉起ollama服务容器，并把OLLAMA_URL指向容器网络内部地址，无需额外配置。

📝 小结

• 一条命令叠加docker-compose.yml+docker-compose.gpu.yml，即可完成 undress-service 的GPU加速部署
• CUDA_VISIBLE_DEVICES与显存配置是覆盖层中唯一需要按需调整的地方
• 部署后用/api/v1/health接口 + 实际渲染耗时双管齐下验证效果

至此，你的私有 AI 试穿工作室已经跑在 GPU 上——上传衣物、生成搭配、渲染效果图，全流程秒开级别。👗

延伸阅读：完整功能清单与 API 接口列表见 README.md，AI 自动打标逻辑可参考 app/services/ai_tagging.py。