企业官网建设流程全解析

Deep-Live-Cam inswapper_128 ONNX 模型加载失败：5分钟定位与修复三类典型报错

【免费下载链接】Deep-Live-Camreal time face swap and one-click video deepfake with only a single image项目地址: https://gitcode.com/GitHub_Trending/de/Deep-Live-Cam

当你第一次运行 Deep-Live-Cam，看到CUDAExecutionProvider not found、状态栏提示Model not found in .../models，或者停在 Loading face swapper model 后进程直接退出时，你遇到的都是同一个问题：inswapper_128 这个 ONNX 模型（ONNX 是一种跨平台推理模型格式）没能在执行提供器上建起推理会话。本文覆盖这三类加载失败的排查与修复，不涉及换脸质量与编码参数。

症状识别与快速分流

模型加载失败的表现基本收敛为下面四种，先对照你实际看到的内容：

• 控制台报CUDAExecutionProvider not found，或加载阶段抛 CUDA 相关异常 → 跳到「提示 CUDAExecutionProvider not found：CUDA 运行库缺失」
• 状态栏提示Model not found in .../models，或Could not obtain the inswapper model→ 跳到「提示 Model not found：inswapper_128 模型文件缺失」
• Linux 终端打印Failed to load library libcudnn.so→ 跳到「Linux 报 Failed to load library libcudnn.so：cuDNN 未被预加载」
• 显示 Loading face swapper model 后无成功提示、帧处理直接跳过 → 依次排查上面三个分支，再看「环境基线核查」

四个症状都不命中时，直接进「环境基线核查」逐项过一遍。

分支诊断与修复

提示 CUDAExecutionProvider not found：CUDA 运行库缺失

现象：控制台报CUDAExecutionProvider not found，状态栏停在 Loading face swapper model，换脸帧被跳过。

根因：执行提供器（Execution Provider）是 ONNX Runtime（微软开源的推理引擎）里决定算子跑在哪块硬件上的后端。这个报错几乎都是 onnxruntime-gpu 缺少 CUDA 运行库组件——cuDNN（NVIDIA 深度学习加速库）没装或版本不匹配，导致 GPU 提供器注册失败，与模型文件本身无关。

修复：先不动任何文件，切到 CPU 提供器绕开 GPU 会话创建：

python run.py --execution-provider cpu

CPU 能加载说明模型文件完整，问题锁定到环境侧，之后单独重装 onnxruntime-gpu 或补装 cuDNN，不必怀疑模型。

验证：状态栏出现Face swapper model loaded successfully，实时帧率会降但管线跑通。

提示 Model not found：inswapper_128 模型文件缺失

现象：状态栏提示Model not found in .../models，或下载阶段打印Could not obtain the inswapper model。

根因：modules/processors/frame/face_swapper.py 的 pre_check 会自动下载inswapper_128.onnx或inswapper_128_fp16.onnx，网络不通时下载静默失败，models 目录保持为空；pre_start 检查发现两个文件都不存在，就抛出 Model not found。

修复：先确认目录内容：

ls -lh models/

目录为空或文件被截断（完整的inswapper_128.onnx应为 554253681 字节）时，按 models/instructions.txt 给出的下载地址手动取回文件放入models/，两者存其一即可。

验证：重新启动后状态栏出现Face swapper model loaded successfully，且加载日志指明实际使用的模型路径。

Linux 报 Failed to load library libcudnn.so：cuDNN 未被预加载

现象：终端打印Failed to load library libcudnn.so，CUDA 会话创建失败。这个坑我踩过，绝大多数是启动方式造成的。

根因：run.py 启动时内置了一段 Linux 预加载逻辑，用ctypes.CDLL把 venv 里nvidia/*/lib下的 cuDNN 等共享库提前加载进进程，onnxruntime 的 CUDA 提供器 dlopen 时才能找到。绕过它直接python -m modules.core启动，就会漏掉这一步。

修复：改回用入口脚本启动：

python run.py

无界面场景也可以固定回退链，把 modules/globals.py 中execution_providers一行的赋值改为：

execution_providers = ["CUDAExecutionProvider", "CPUExecutionProvider"]

ONNX Runtime 按列表顺序执行，第一个提供器跑不动的算子自动落到下一个，GPU 链路失效时模型依然能加载。

验证：加载不再失败；CUDA 确实不可用时所有子图落在 CPU 执行，性能等同纯 CPU。

环境基线核查

上面三个分支之外，还有几项读者自己不容易意识到的环境约束，逐项打勾：

• ✅ Python 版本 → 不低于 3.11，README 推荐 3.14；python --version检查 → 不满足时用匹配版本重建 venv
• ✅ onnxruntime 变体版本 → 非 macOS 锁定onnxruntime-gpu==1.26.0，macOS arm64 为onnxruntime==1.28.0，见 requirements.txt → 执行pip install -r requirements.txt
• ✅ CUDA 与驱动 →nvidia-smi可见显卡且为 CUDA 12.x → 改用 cpu 提供器或修复驱动
• ✅ models/ 目录权限 → 存在且可写（首次启动自动创建，无权限会打印Failed to create directory）→ 换有权限的用户运行
• ✅ insightface 检测包 →~/.insightface/models/buffalo_l/下 5 个 onnx 文件齐全，缺了会自动下载 → 网络不通时手动补齐
• ✅ 磁盘剩余空间 → models 目录所在分区 ≥5GB → 清理磁盘或换到空间充足的盘
• ✅ 可用执行提供器 →onnxruntime.get_available_providers()返回非空且包含想用的提供器 → 重装对应变体
• ✅ 显存与内存 →nvidia-smi/free -h有余量 → 关闭占用 GPU 的其他进程

跑通之后的调优与边界

能加载成功之后，下面几个点决定体验好坏。

FP16/FP32 自动选择。get_face_swapper() 在 torch 能感知 CUDA 且 fp16 文件存在时自动选 FP16（显存带宽减半），否则回退 FP32。注意 16xx 系显卡（GTX 1650/1660/1660 Ti 等）没有 Tensor Core，FP16 推理会出 NaN：把models/里的inswapper_128_fp16.onnx移走即可强制走 FP32。

批处理大小。modules/processors/frame/core.py 按帧数与线程数自动推导 batch_size，没有手工参数。视频处理内存吃紧时，调低--execution-threads与--max-memory就能间接缩小批次。

模型完整性校验。怀疑模型损坏或下载截断时，直接校验文件：

python -c "import onnx; onnx.checker.check_model(onnx.load('models/inswapper_128.onnx')); print('OK')"

日志级别。modules.globals.log_level 默认是 error，切到 debug 后处理帧时 ffmpeg 相关输出会变啰嗦，适合排查帧读取和编码环节的问题，排完记得切回去。

如果以上都没命中，把完整控制台输出和onnxruntime.get_available_providers()的返回值一起收集，去项目官方 issues 页找相同报错特征的先例。

【免费下载链接】Deep-Live-Camreal time face swap and one-click video deepfake with only a single image项目地址: https://gitcode.com/GitHub_Trending/de/Deep-Live-Cam