企业官网建设流程全解析

DeOldify 权重配置完整指南：从零跑通老照片着色

【免费下载链接】DeOldifyA Deep Learning based project for colorizing and restoring old images (and video!)项目地址: https://gitcode.com/gh_mirrors/de/DeOldify

DeOldify 是基于深度学习的老照片、老视频智能着色与修复项目，能自动推断黑白影像中人物、服饰、景物的合理色彩。这篇教程带你完成 DeOldify 环境搭建、预训练权重下载与放置、Artistic / Stable / Video 三种模型的选择，以及首次运行演示和 DeOldify CUDA 报错等高频问题，目标是让第一张上色照片尽快出现在你的屏幕上。

从一张抽屉里的老照片说起

从故纸堆里翻出一张 1980 年代的黑白家庭合影，人物和场景都清晰，唯独少了颜色。DeOldify 做的事，就是用训练好的生成器网络为这类黑白图像（乃至视频）推断出贴近真实质感的色彩，输出图保持与输入相同的分辨率，人物皮肤、旧时服饰、天空与建筑都会被赋上合理的颜色。它基于 NoGAN 训练方式，生成质量明显好于早期版本。

下面是配置环节。先确认系统环境：官方只支持 Linux，着色推理对显卡要求不高，约 4GB 显存即可，没有独立显卡的机器用 CPU 也能跑，只是会慢一个量级。

30 分钟搭好环境并放好权重

整条链路四步：克隆仓库、建环境、建目录、下权重。

Step 1：克隆仓库

git clone https://gitcode.com/gh_mirrors/de/DeOldify cd DeOldify

Step 2：用 conda 创建并激活运行环境

环境定义写在 environment.yml，包含 Python 3.10、PyTorch 1.11、fastai 1.0.60 和 Jupyter Lab，一键装齐：

conda env create -f environment.yml conda activate deoldify

Step 3：准备权重目录

仓库自带models/文件夹（当前是空的），预训练权重就放这里：

ls models

Step 4：下载权重放进 models/

各权重的下载地址以仓库 README.md 的 "Pretrained Weights" 一节为准。只做推理，下载"Completed Generator Weights"（生成器权重）就够了；要微调或继续训练，才需要对应的评论器权重（crit）文件。文件名和模型对应关系如下：

放好后，项目结构应该是这样：

DeOldify/ ├── models/ │ ├── ColorizeArtistic_gen.pth │ ├── ColorizeStable_gen.pth │ └── ColorizeVideo_gen.pth ├── deoldify/ └── test_images/

三种模型怎么选

代码里通过权重文件区分三种模型（见 deoldify/visualize.py），横向对比如下：

结论很短：拿不准就先跑 Stable，人像和风景出片最稳；想要更浓烈的色彩再切 Artistic，注意它要配合 render_factor 调参；只要是视频，就用 Video 模型。

跑通你的第一张图

这一步只改 notebook 里现成的变量，不写新代码。

jupyter lab

打开 ImageColorizer.ipynb（同一份 notebook 兼顾两种图像模型，视频用 VideoColorizer.ipynb）。按顺序运行各单元格：第一格指定设备，有显卡填DeviceId.GPU0，没有就填CPU0；然后调用get_image_colorizer(artistic=True)初始化着色器，artistic参数决定用哪个模型。

输入来源二选一：在source_url里填一个直链图片地址，或者把它设为None，在 Jupyter 里把一张黑白照片上传到test_images/目录，再让source_path指向它。render_factor保持默认 35 即可。

跑完后 notebook 会在下方并排显示原图和着色图，成品存进result_images/文件夹。GPU 上一般几秒到十几秒出一张；色调上，Artistic 偏浓郁、细节多，Stable 更保守自然。如果某张图渲出来不对劲，第一反应不是换模型，而是先调render_factor。

按报错症状排查

现象一：提示找不到权重文件。定位：报错信息里带ColorizeArtistic_gen之类的权重名，说明它按"项目根目录下的models/+ 默认文件名"去找文件。修复：确认.pth文件就在DeOldify/models/里，不是多套了一层子目录，文件名和上表完全一致（大小写敏感）。

现象二：CUDA out of memory。定位：显存溢出发生在色彩渲染阶段，render_factor直接决定渲染分辨率（16 × render_factor 的正方形）。修复：图像任务把render_factor从默认 35 降到 15~20，视频从 21 降到 10 附近再重试；11GB 显卡图像上限约 45，再往上必爆。连续多次运行后报错，先重启 kernel 释放显存。

现象三：输出偏色、脏污或整片发黑。定位：多半是render_factor与这张图的质量不匹配——旧照片和扫描模糊图偏高会脏，高清图偏低会糊。修复：用 notebook 底部"See how well render_factor values perform"单元格的现成循环，批量试 10~45 的不同取值，选观感最好的一档；若同一档位下仍有大块错位色块，把artistic改为False切 Stable 模型重出一版。

现象四：跑得极慢但没有报错。定位：代码实际跑在 CPU 上（设备选成了CPU0，或 GPU 版 PyTorch 没装成功）。修复：确认设备单元格填的是GPU0且能识别到显卡；纯 CPU 环境下建议同时把render_factor调低，缩短等待时间。

参数调优速查

同一张图换不同render_factor的观感差异比换设备更大，拿不准时就用现成的对比单元格扫一遍数值。

收个尾

权重放对位置、环境装好之后，剩下的只是选模型和调render_factor：Artistic 负责好看，Stable 负责稳，Video 负责不闪。找两三张不同年代的照片，把三种模型各跑一遍对比出片，你会很快知道哪种风格适合自己那叠老照片。

【免费下载链接】DeOldifyA Deep Learning based project for colorizing and restoring old images (and video!)项目地址: https://gitcode.com/gh_mirrors/de/DeOldify