企业官网建设流程全解析

两张图丢进去，一次拿回四张试穿候选：用 OOTDiffusion 做虚拟试穿

【免费下载链接】OOTDiffusion[AAAI 2025] Official implementation of "OOTDiffusion: Outfitting Fusion based Latent Diffusion for Controllable Virtual Try-on"项目地址: https://gitcode.com/GitHub_Trending/oo/OOTDiffusion

打开 OOTDiffusion 自带的 Gradio 界面，左边放一张模特图，右边放一张服装平铺图，点下 Run，几轮采样后右侧画廊里就出现四张虚拟试穿候选。这是 Xiao-i Research 出品、被 AAAI 2025 接收的潜扩散虚拟试穿模型：模特不用换，只换服装图，人保持原样。想预览上身效果、想批量出试穿图，都直接能用。

它能替你做这几件事（功能场景）

最基础的是半身上装试穿。你只需要两张图：模特照，和你想换的上装平铺照，脚本会把它们统一缩放到 768×1024。模特可以用真人照，也可以用仓库自带的示例图。跑起来后，它先对模特做 OpenPose 姿态估计和 18 类人体解析，自动圈出上装位置并生成遮罩，不用自己抠图或画掩膜。服装图再送入潜扩散模型，出来的就是四张半身试穿候选，原姿势、脸和背景都保留，只重画上装区域。这套 hd 权重在 VITON-HD 数据集上训练，只支持上装，喂裤子或裙子进去会直接报错拦下来。

想换裤子或连衣裙，就换全身那套。

全身模型在 Dress Code 数据集上训练，支持上装、下装、连衣裙三个类别。输入还是两张图，加上在界面里选一个类别，类别一定要和真实服装对上，否则遮罩会跑偏。流程同样是解析和姿态先定位区域，再由扩散生成补全细节。因为模特是全身的，下装和连衣裙的试穿效果会更完整，全身那套默认同样出四张候选。

出一版不满意，还有参数可调。

一次默认跑出四张候选，采样步数默认 20，引导系数默认 2.0。在 OOTDiffusion 的虚拟试穿 Gradio 界面上，候选数可以在 1 到 4 之间调，步数在 20 到 40 之间调，引导系数在 1.0 到 5.0 之间调，也可以固定种子复现同一张结果。命令行版会把产物存进images_output目录，文件名按out_hd_0到out_hd_3排开，掩膜mask.jpg也一起存好，方便回头检查。

装起来 & 连上模型（集成配置）

环境只有一套 conda 环境加四套权重，官方只在 Ubuntu 22.04 上测过，需要 NVIDIA CUDA 显卡。

安装与启动

1. git clone https://gitcode.com/GitHub_Trending/oo/OOTDiffusion
2. 建一个 Python 3.10 的 conda 环境，装 torch 2.0.1 和 torchvision 0.15.2
3. pip install -r requirements.txt
4. 网页版跑python run/gradio_ootd.py，监听 7865 端口，会把两套模型分别挂到两块显卡上；只有一块卡就用命令行版python run/run_ootd.py --model_path <模特图> --cloth_path <服装图>

接入你的模型（虚拟试穿预训练权重下到 checkpoints 目录）

1. ootd：试穿主模型，含半身 hd 和全身 dc 两套权重
2. humanparsing：人体解析权重
3. openpose：姿态估计权重
4. clip-vit-large-patch14：CLIP 视觉编码器

权重放哪些的完整清单见 checkpoints/README.txt。下好后，可以先拿仓库run/examples里的示例模特图和服装图跑一遍，验证环境是否就绪。

用起来什么感觉（轻量实证）

算下来它的价值在自动化：不写一行代码、不手动抠遮罩，一次运行自动完成 18 类人体解析和 OpenPose 姿态估计，再输出四张 768×1024 的候选。比起"手动抠服装、手动画遮罩、再拼合"的做法，这里最费工的两步都自动了。要是效果不对，先打开images_output里存的mask.jpg看遮罩圈得准不准，它正是扩散模型拿到的直接输入。想复现某一张结果，固定种子就行；想快速看效果，把候选数降到 1 再点运行。

OOTDiffusion 是一个把解析、姿态、遮罩这些预处理都自动做好的虚拟试穿工具，你只管丢两张图、拿回候选。去项目里打开run/run_ootd.py，三十秒内就能把model_path、cloth_path、scale、sample这几个参数看一遍，知道各管什么。

【免费下载链接】OOTDiffusion[AAAI 2025] Official implementation of "OOTDiffusion: Outfitting Fusion based Latent Diffusion for Controllable Virtual Try-on"项目地址: https://gitcode.com/GitHub_Trending/oo/OOTDiffusion