企业官网建设流程全解析

FaceFusion 人脸融合完整指南：13 个换脸模型怎么选，3 个参数怎么调

【免费下载链接】facefusionIndustry leading face manipulation platform项目地址: https://gitcode.com/GitHub_Trending/fa/facefusion

facefusion 把目标视频拆帧、定位每张脸、用换脸模型推理出新面部，再贴回原帧后合成为视频。你不需要自己搭 ONNX 推理链路，也不需要手写关键点对齐——这些都被拆成了facefusion/processors/modules/下的一组处理器。这篇指南回答三个最实际问题：13 个 swapper 模型分别该什么时候选、face_swapper_weight和face_swapper_pixel_boost到底改了什么、以及在 CUDA 机器上怎么把一晚上的活压到几分钟。所有命令、参数名和默认值均出自本仓库源码，路径在文中逐项标注。

第一次跑通：一条命令加两个检查点

先装环境。项目自带 Conda 依赖文件，仓库克隆地址：

git clone https://gitcode.com/GitHub_Trending/fa/facefusion cd facefusion conda env create -f environment.yml conda activate facefusion python install.py python facefusion.py run -s source.jpg -t target.mp4 -o output.mp4

-s/-t/-o分别是源人脸图片、目标视频、输出路径（facefusion/program.py 第 52~68 行）。改-o指向已有目录才有效，目录不存在会直接报错退出。模型文件不在代码库里，首次运行到pre_check()时按需下载到.assets/models/目录，下载源由--download-providers控制，默认同时尝试 github 与 huggingface（facefusion/choices.py 第 123~142 行）。

注意-t指向的目标是整段视频，facefusion 内部先解码成 PNG 帧序列（--temp-frame-format默认png），处理完再编码回 mp4。所以“处理 10 分钟视频”的真实成本 = 解码 + 逐帧推理 + 编码，后面提速三节的三个旋钮各自砍掉其中一段。

run只是入口之一。create_program()（facefusion/program.py 第 319~343 行）里一共注册了 19 个子命令，和你最相关的几个：

• run：GUI 与处理一体，--ui-workflow默认instant_runner，网页里点一下即跑当前步骤
• headless-run：同参数但不带任何 UI 参数组，适合服务器
• batch-run：用--source-pattern/--target-pattern/--output-pattern三条 glob 批量跑
• benchmark：用内置 720p 样例视频跑测速，--benchmark-mode默认warm，--benchmark-cycle-count默认 5
• job-add-step / job-submit / job-run-all：作业系统，把多组素材排成队列

# 多素材排队：先建作业，逐步添加，再统一提交 python facefusion.py job-create my_job python facefusion.py job-add-step my_job -s a.jpg -t v1.mp4 -o o1.mp4 python facefusion.py job-submit-all

job-create的job_id会被sanitize_job_id校验，job-add-step接受与run完全相同的处理参数组——即一份作业可以混用不同模型、不同 mask 的多步任务，互不干扰。

13 个换脸模型对照：从 128 输入到 512 输入

换脸模型全部登记在 facefusion/processors/modules/face_swapper/core.py 的create_static_model_set()，每个模型声明了原生输入尺寸、对齐模板、归一化参数和许可证。模型名可直接传给--face-swapper-model，完整对照如下：

两个要点比模型数量更重要：

1. 推理次数由 pixel_boost 决定，不由模型决定。inswapper_128 + 512与simswap_unofficial_512 + 512都是 16 次模型调用/脸/帧，差别只在前者每次只算 128×128。想快：小模型 + 低 boost；想细：大原生输入或高 boost，代价按平方增长。
2. 许可证不同。ghost_*是 Apache-2.0，inswapper_128、blendswap_256、simswap_256标注 Non-Commercial（见__metadata__字段）。商业交付前逐项核对core.py里各模型的license值，这一列仓库替你记好了。

不同模型对源脸的输入方式也不同：forward_swap_face()（同文件第 640~659 行）显示，blendswap和uniface喂整帧像素，其余模型喂512 维嵌入向量；其中 ghost 系列还要先过embedding_converter把 InsightFace 嵌入转换到自家空间（第 662~671 行）。这就是换 ghost 模型时会多下载一个crossface_*.onnx的原因。

三个真正改变结果的参数：weight、pixel_boost、mask_blur

face_swapper_weight不是强度开关，它是嵌入向量的混合系数。balance_source_embedding()（face_swapper/core.py 第 715~726 行）做了两件事：

face_swapper_weight = numpy.interp(face_swapper_weight, [ 0, 1 ], [ 0.35, -0.35 ]) source_embedding = source_embedding * (1 - face_swapper_weight) \ + target_embedding * face_swapper_weight

0.5 映射到 0，源嵌入和目标嵌入各占一半；往 0 走（最大 +0.35）混入更多目标脸的身份，往 1 走（最小 −0.35）则强化源脸。你改的是--face-swapper-weight，看到的变化是“像原视频的人”和“像源照片的人”之间的滑动，不是模糊度。取值范围 0.0~1.0、步长 0.05（facefusion/choices.py 第 164 行），默认 0.5。

face_swapper_pixel_boost控制“裁剪出的人脸先被 warp 到多大尺寸再送模型”。swap_face()的完整链路：

crop_vision_frame, affine_matrix = warp_face_by_face_landmark_5( temp_vision_frame, target_face.landmark_set.get('5/68'), model_template, pixel_boost_size) # ... 对每个子块做 forward_swap_face 推理 ... crop_vision_frame = explode_pixel_boost(temp_vision_frames, pixel_boost_total, model_size, pixel_boost_size) paste_vision_frame = paste_back(temp_vision_frame, crop_vision_frame, crop_mask, affine_matrix)

pixel_boost_total = pixel_boost // 模型原生尺寸，推理次数 =pixel_boost_total²（face_swapper/core.py 第 601~637 行，分块逻辑在 facefusion/processors/pixel_boost.py）。inswapper_128从 128 提到 512 是 1 → 16 次调用；hyperswap_1a_256从 256 提到 1024 是 1 → 16 次。改这个值后你会直接看到帧耗时按平方跳变，同时小脸、侧脸处的发丝和五官细节提升明显——它是全参数表里“质量/速度”杠杆最大的一档。

face_mask_blur（默认 0.3，范围 0~1）决定贴回前 mask 边缘的羽化宽度，配合--face-mask-types生效，可选box（默认）、area、region、occlusion（facefusion/choices.py 第 26~44 行给出 area/region 的具体 68 点索引和部件编号）。边缘出现“贴片感”时先把它从 0.3 往 0.5 抬；要露出眼镜、胡子等遮挡物，加occlusion（默认模型xseg_1，见 facefusion/program.py 第 147 行）。

顺手记一张常用旋钮速查表：

提速三处：推理后端、输出编码、内存策略

推理后端。--execution-providers按机器实际安装的 onnxruntime 提供器过滤（facefusion/execution.py 第 21~30 行），可选cuda tensorrt rocm migraphx coreml openvino qnn directml cpu。有 NVIDIA 卡时优先：

python facefusion.py run -s s.jpg -t t.mp4 -o o.mp4 \ --execution-providers tensorrt cuda --execution-device-ids 0

列表顺序即回退顺序：TensorRT 失败落到 CUDA。create_inference_providers()（第 45~59 行）为 TensorRT 开了trt_engine_cache_enable和 timing cache，引擎缓存写进.caches/<onnxruntime 版本>/目录——第一次跑某个分辨率最慢（现场构建引擎），第二次起直接加载缓存。多卡时--execution-device-ids接受多个编号。macOS 上有个隐藏路径：ghost/uniface 和 fp16 模型会自动改走 CoreML 的 MLProgram 格式（face_swapper/core.py 第 505~519 行）。

输出编码。--output-video-preset默认veryfast，--output-video-quality默认 80（facefusion/program.py 第 195~196 行）。preset 只影响编码器速度档位，quality 是 0~100 的质量分——草稿轮veryfast不动，交付轮把 quality 抬到 90 左右、preset 换慢档位重跑一次即可。--output-video-scale支持 0.25~8.0 倍缩放（facefusion/choices.py 第 177 行），先按 0.5 出小样确认效果再全尺寸跑，是省时间的常规操作。

批量与内存。多组素材别写 shell 循环，用batch-run的三个 pattern，或作业系统排队。长视频显存吃紧时--video-memory-strategy默认就是strict：post_process()（face_swapper/core.py 第 587~598 行）在 strict 下连公共模块（检测器、关键点、遮挡）的推理池一起清空，代价是下一任务要重新加载模型。moderate只卸 swapper 本体，适合“同一批素材连续跑多步”的场景。

排错：五个报错文案对应的五个检查

pre_process()（face_swapper/core.py 第 559~584 行）在跑之前做四次校验，报错文案都能直接对号入座：

1. “choose image source”：-s没传图片，或路径解析不到文件。run要求-s至少一张图。
2. “no source face detected”：源图里没检出正好一张脸。用get_one_face强校验（第 568 行），图里 0 张或多张都失败——多张脸就裁出单张，或换--face-detector-score从 0.5 降到 0.4 再试。
3. “choose image or video target”：-t指向了音频或不存在的路径。
4. “specify image or video output”：-o所在目录不存在。
5. “match target and output extension”：目标视频是 mp4，输出却写了 .jpg——两者扩展名必须一致。

多人群视频里替换错了人，问题出在选脸而非换脸：--face-selector-mode默认reference（facefusion/program.py 第 123 行），配合--reference-frame-number（默认第 0 帧）和--reference-face-position（默认第 0 号脸）锁定参考帧里的某张脸，后续帧按--reference-face-distance（默认 0.3）的距离跟随。换错人时先改--reference-frame-number指到一个目标人物正对镜头的帧。

检测不到的脸分两种：角度问题加--face-detector-angles（默认只处理 0° 正脸，可选 90/180/270，facefusion/choices.py 第 163 行）；小脸问题则是--face-detector-size——注意yolo_face和yunet只支持640x640，想用160x160~512x512的更多尺寸档要换scrfd或retinaface（第 9~14 行）。--face-tracker-score（默认 0.0，范围 0~0.5）控制跨帧跟踪的相似度门槛，调高可减少换脸在帧间“跳脸”。

要点清单

1. 默认组合hyperswap_1a_256 + 256x256 + weight 0.5直接出结果；要细节把--face-swapper-pixel-boost提到 512 或 1024，耗时按(boost/原生)²增长。
2. face_swapper_weight是源/目标身份嵌入的混合比（0.35 ↔ −0.35），不是强度旋钮；结果偏源照片就往 0.4 以下调，反之往 0.6 以上调。
3. 速度三件套：--execution-providers tensorrt cuda（引擎缓存在.caches/，二次运行起飞）、交付轮才动--output-video-quality、长视频保持--video-memory-strategy strict。
4. 多人群先修--reference-frame-number和--reference-face-position，再谈其他参数；检测不到脸先查--face-detector-angles和--face-detector-size。
5. 模型许可证写在face_swapper/core.py的__metadata__里：ghost_*为 Apache-2.0，inswapper_128/blendswap_256为 Non-Commercial，商用前逐一核对。

【免费下载链接】facefusionIndustry leading face manipulation platform项目地址: https://gitcode.com/GitHub_Trending/fa/facefusion