企业官网建设流程全解析

• 人工智能
• 深度学习
• 计算机视觉
• 图像处理
• 视频处理

导读

本文以 DeepMosaics 项目仓库中 docs/exe_help.md 官方说明文档为主体，系统讲解DeepMosaics.exe（Windows 图形界面版本）的下载安装、界面操作、预训练模型选型与高级参数配置。读完本文，你将能够在 Windows 上完成「图片/视频马赛克添加」「马赛克去除」「风格转换」三类任务，并能通过--option参数对马赛克尺寸、识别阈值、去码算法等细节进行精确控制，同时理解这些参数在 入口脚本 与 参数解析模块 中的底层生效逻辑。

一、DeepMosaics.exe 是什么

DeepMosaics.exe 是 DeepMosaics 项目编译打包的Windows 图形界面（GUI）可执行版本，基于同一套核心代码（见 deepmosaic.py 中的add/clean/style三种模式分发逻辑）封装而成，让不熟悉命令行与 Python 环境的用户也能直接上手。其核心能力包括：

• 添加马赛克（Add Mosaic）：自动识别图片/视频中的人脸等 ROI 区域并打码；
• 去除马赛克（Clean Mosaic）：自动定位马赛克区域并借助深度学习模型还原，或使用传统图像处理方法；
• 风格转换（Style Transfer）：将图片/视频转换为名画风格（莫奈、梵高、浮世绘等）。

需要注意，GUI 版本存在以下使用前提（官方原文注意事项）：

• 需要64 位 Windows操作系统，Windows 10 为最佳运行环境；
• 不同预训练模型适用于不同效果，应根据任务选择对应模型；
• 运行耗时取决于电脑性能，处理视频时建议使用 GPU；
• 若输出视频无法播放，可尝试使用PotPlayer播放器打开；
• GUI 版本的更新节奏慢于源码版本，追求最新功能请直接运行源码。

二、环境要求与安装步骤

2.1 CPU 版本

CPU 版本仅需安装 Microsoft Visual C++ 运行库（vc_redist.x64.exe，可在微软官网的 VS 16 release 页面获取），安装后即可运行 DeepMosaic.exe。

2.2 GPU 版本

GPU 版本要求NVIDIA 显卡（GTX 1060 及以上），并满足以下三点：

1. 安装 Microsoft Visual C++ 运行库（同上）；
2. 将显卡驱动升级到460 及以上版本（NVIDIA 官网 GeForce 驱动下载页获取）；
3. 安装CUDA 11.0（注意只能是 11.0 版本，从 CUDA Toolkit 归档页面下载）。

以上所有安装文件（程序本体、预训练模型、VC++ 运行库、驱动、CUDA 等）均可从官方提供的 Google Drive 或百度网盘（提取码1x0a）一次性下载。

版本限制提醒：按官方文档说明，当前 GUI 版本本身不支持 GPU 加速（GUI 中标注 4 已注明“当前版本不支持 GPU”），需要 GPU 请运行源码版本。源码版本的 GPU 使用由 cores/options.py 中的--gpu_id参数控制，其内部会通过os.environ["CUDA_VISIBLE_DEVICES"]指定可见 GPU，并在torch.cuda.is_available()返回 False 时自动回退到-1（CPU）。

2.3 获取程序与模型

运行程序前，请下载 DeepMosaics.exe 本体以及所需的预训练模型（*.pth文件）。模型文件也可在仓库的 pretrained_models 目录下按需放置，源码版本默认从./pretrained_models/下加载。

三、四步快速上手：如何使用

官方给出的 GUI 使用流程极为简洁，共四步：

1. Step 1：选择需要处理的图片或视频；
2. Step 2：选择预训练模型（不同模型效果不同，详见下一节选型表）；
3. Step 3：点击运行并等待处理完成；
4. Step 4：到./result目录查看输出结果。

在源码层面，这四步对应 deepmosaic.py 主函数中对opt.mode的分发：add模式加载 BiSeNet ROI 分割网络后调用add.addmosaic_img/addmosaic_video，clean模式加载马赛克定位网络与生成网络后调用clean.cleanmosaic_img/cleanmosaic_video_byframe/cleanmosaic_video_fusion，style模式加载风格迁移网络后调用style.styletransfer_img/styletransfer_video。GUI 只是把下图所示的操作封装成了可视化界面。

四、GUI 界面逐项注释（对应上图标注）

上图出自仓库 imgs/GUI_Instructions.jpg，是官方文档对界面的标准注释，各标注含义如下：

关于标注 3 的auto模式，其推断逻辑实现在 cores/options.py 中：根据model_path的文件名判断——文件名含clean或指定了--traditional则切到clean；含add切到add；含style或edges切到style；否则报错提示检查model_path。

五、预训练模型选型指南

官方将预训练模型分为「马赛克（Mosaic）」与「风格转换（Style Transfer）」两大类，选错模型会直接影响处理效果，务必按需选择。

5.1 马赛克类模型

从源码看，模型名中的关键信息会被 cores/options.py 解析以决定网络结构：netG为auto且模式为clean时，模型名含unet_128选用 UNet-128，含resnet_9blocks选用 ResNet-9Blocks，含HD且不含video选用 HD（pix2pixHD），含video则选用视频融合模型（models/loadmodel.py 中分别对应pix2pix_G、pix2pixHD_G与video_G）。同时ex_mult（马赛克区域外扩系数）也会自动区分：模型名含face时为1.1，否则为1.5。

5.2 风格转换类模型

风格转换类模型均基于 ResNet-9Blocks 生成器（models/loadmodel.py 的style()函数），若模型或预处理中包含edges（边缘图）输入，则生成器输入通道自动改为 1 通道。

六、进阶参数详解：用--option精确控制效果

若默认效果不满足需求，可在 GUI 标注 7 的命令预览区（或源码命令行）中按--option your-parameters的格式追加参数。以下参数均定义于 cores/options.py，并附带源码中的默认值与取值范围。

6.1 基本参数（Base）

说明：--media_path支持指向目录。入口脚本 deepmosaic.py 会先os.path.isdir()判断，目录则通过util.Traversal()遍历其中全部媒体文件逐个处理。

6.2 添加马赛克参数（AddMosaic）

这些参数在 util/mosaic.py 中有完整实现细节：

• squa_avg：对掩码覆盖的每个n×n块取像素均值填充（经典马赛克）；
• squa_random：每个块随机采样块内像素填充；
• squa_avg_circle_edge：全图均值块化后再用圆形掩码与原始图像混合，形成圆润边缘；
• rect_avg：以rect_rat≈1.6的宽高比生成矩形马赛克块；
• random：自动随机组合马赛克类型、尺寸与羽化参数，模拟真实马赛克分布；
• mosaic_size=0时调用get_autosize()，根据掩码面积与图像分辨率（以 512 为基准）按分段函数自动推算块尺寸；
• 羽化（feather）默认自动以块尺寸n作为模糊核，将马赛克区域与原图平滑过渡。

6.3 去除马赛克参数（CleanMosaic）

另有一些未列入 GUI 文档但源码支持的进阶去码参数：

从 models/runmodel.py 可以看到传统方法traditional_cleaner()的实现：先cv2.blur模糊（--tr_blur），再按--tr_down步长下采样，最后INTER_LANCZOS4放大回原尺寸——通过"模糊+降采样+放大"来抹平马赛克块状纹理。而深度学习路径则先由 BiSeNet 定位马赛克位置（get_mosaic_position），裁剪马赛克区域交给生成网络重建，再用replace_mosaic做边缘融合。视频去码时，cores/clean.py 还会用--medfilt_num对连续帧的马赛克中心坐标做中值滤波，抑制抖动。若模型名含video，则走cleanmosaic_video_fusion帧融合路线，把前后帧的上下文一起送入网络（N=2、T=5、S=3 的时空采样结构），画面更稳定。

6.4 风格转换参数（Style Transfer）

注意：源码中该参数默认值为0，但在 GUI 说明文档中写作512——这是因为 cores/options.py 在test_flag模式下检测到output_size == 0且模式为style时，会自动将output_size设为512（ResNet-9Blocks 风格迁移网络惯用的处理分辨率），所以 GUI/测试场景实际等效默认 512。

风格转换还支持以下扩展参数（源码定义）：

• --preprocess：加载时的预处理方式，可选resize/resize_scale_width/edges/gray，可用逗号组合；
• --edges：以 Canny 边缘图作为输入生成图片（输入通道变为 1）；
• --canny：Canny 阈值（默认150，源码会按该值自动生成上下阈值区间）；
• --only_edges：直接输出边缘图而不做风格迁移。

七、从源码理解整体处理流水线

为了让读者更清楚地把握 GUI 背后的执行脉络，这里结合仓库源码给出各模式的核心调用链：

• 添加马赛克：cores/add.py 的addmosaic_img依次执行「BiSeNet 分割 ROI 掩码（runmodel.get_ROI_position）→util/mosaic.py的addmosaic()打码 → 输出到result_dir下*_add.jpg」；视频版则先拆帧、逐帧定位并打码，最后用 ffmpeg 以--fps指定的帧率合成为*_add.mp4。
• 去除马赛克：cores/clean.py 先由马赛克定位网络（mosaic_position.pth）逐帧找出马赛克位置与掩码，再对每个马赛克区域执行run_pix2pix()重建（或traditional_cleaner()传统处理），最后replace_mosaic无缝贴回原图，输出*_clean.jpg/*_clean.mp4。
• 风格转换：cores/style.py 将每帧送入run_styletransfer()（含--output_size缩放、Canny 边缘预处理等），输出文件名自动带模型名后缀，如*_vangogh.jpg/*_monet.mp4。

三种模式的视频处理都会在temp_dir中暂存拆帧图片与音频，结束后由 deepmosaic.py 调用util.clean_tempfiles()自动清理临时文件；处理中途如果程序异常，main()外层还会打印 DeepMosaics 版本（0.5.1）、Python / PyTorch / OpenCV 版本与平台信息，方便排查环境问题。

八、常见问题速查

• 输出视频无法播放：换用 PotPlayer 等播放器尝试（视频编码兼容性问题）；
• 想用 GPU 加速：GUI 版本暂不支持 GPU，请改用源码版本运行，并通过--gpu_id指定显卡；GPU 环境需满足驱动 ≥ 460 且安装 CUDA 11.0；
• 处理效果不理想：优先核对是否选对模型——去码请用clean_*系列、打码请用add_*系列、视频去码优先clean_youknow_video.pth，人脸任务注意clean_face_HD.pth需要大于 8GB 内存；
• 马赛克识别过松/过紧：调整--mask_threshold（0~255，越小越容易判为马赛克区域）与--mask_extend（扩展马赛克覆盖范围）；
• 找不到马赛克位置模型：源码要求--mosaic_position_model_path指向的mosaic_position.pth必须与去码模型存放在同一目录，否则程序会提示检查该路径并退出。

以上全部参数、默认值与调用逻辑均可在仓库的 参数定义文件、入口脚本 及 官方参数说明文档 中进一步核对，实操时建议先在单张图片上测试参数组合，再批量处理视频，以兼顾效果与运行时间。

• 人工智能
• 深度学习
• 计算机视觉
• 图像处理
• 视频处理