Restauration de visage GFPGAN

Restaurer et améliorer les visages dans les photos en utilisant GFPGAN sur Clore.ai

Restaurer et améliorer les visages sur les photos avec GFPGAN.

Tous les exemples peuvent être exécutés sur des serveurs GPU loués via CLORE.AI Marketplace.

Location sur CLORE.AI

1. Visitez CLORE.AI Marketplace

2. Filtrer par type de GPU, VRAM et prix

3. Choisir À la demande (tarif fixe) ou Spot (prix d'enchère)

4. Configurez votre commande :

   • Sélectionnez l'image Docker

   • Définissez les ports (TCP pour SSH, HTTP pour les interfaces web)

   • Ajoutez des variables d'environnement si nécessaire

   • Entrez la commande de démarrage

5. Sélectionnez le paiement : CLORE, BTC, ou USDT/USDC

6. Créez la commande et attendez le déploiement

Accédez à votre serveur

• Trouvez les détails de connexion dans Mes commandes

• Interfaces Web : utilisez l'URL du port HTTP

• SSH : ssh -p <port> root@<adresse-proxy>

Qu'est-ce que GFPGAN ?

GFPGAN (Generative Facial Prior GAN) est spécialisé dans :

• Restaurer les photos anciennes/endommagées

• Améliorer les visages flous

• Améliorer les visages générés par l'IA

• Corriger les portraits en basse résolution

Déploiement rapide

Image Docker :

pytorch/pytorch:2.5.1-cuda12.4-cudnn9-runtime

Ports :

22/tcp
7860/http

Commande :

pip install gfpgan gradio && \
python -c "
import gradio as gr
from gfpgan import GFPGANer
import cv2
import numpy as np

restorer = GFPGANer(
    model_path='https://github.com/TencentARC/GFPGAN/releases/download/v1.3.4/GFPGANv1.4.pth',
    upscale=2,
    arch='clean',
    channel_multiplier=2,
    bg_upsampler=None
)

def restore(image):
    img = np.array(image)
    img = cv2.cvtColor(img, cv2.COLOR_RGB2BGR)
    _, _, output = restorer.enhance(img, has_aligned=False, only_center_face=False, paste_back=True)
    output = cv2.cvtColor(output, cv2.COLOR_BGR2RGB)
    return output

demo = gr.Interface(fn=restore, inputs=gr.Image(), outputs=gr.Image(), title='GFPGAN Face Restorer')
demo.launch(server_name='0.0.0.0', server_port=7860)
"

Accéder à votre service

Après le déploiement, trouvez votre http_pub URL dans Mes commandes:

1. Aller à la Mes commandes page

2. Cliquez sur votre commande

3. Trouvez l' http_pub URL (par ex., abc123.clorecloud.net)

Utilisez https://VOTRE_HTTP_PUB_URL au lieu de localhost dans les exemples ci-dessous.

Utilisation en ligne de commande (CLI)

Installation

pip install gfpgan

Télécharger des modèles

# Télécharger le modèle de restauration de visages
wget https://github.com/TencentARC/GFPGAN/releases/download/v1.3.4/GFPGANv1.4.pth -P ./models

# Télécharger le modèle de détection
wget https://github.com/TencentARC/GFPGAN/releases/download/v1.3.0/detection_Resnet50_Final.pth -P ./models

# Télécharger le modèle de parsing
wget https://github.com/TencentARC/GFPGAN/releases/download/v1.3.0/parsing_parsenet.pth -P ./models

Utilisation de base

# Restaurer une image unique
python inference_gfpgan.py -i input.jpg -o results -v 1.4 -s 2

# Restaurer un dossier
python inference_gfpgan.py -i ./inputs -o ./results -v 1.4 -s 2

Options

python inference_gfpgan.py \
    -i input.jpg \      # Image/dossier d'entrée
    -o results \        # Dossier de sortie
    -v 1.4 \            # Version de GFPGAN (1.2, 1.3, 1.4)
    -s 2 \              # Facteur d'agrandissement
    --bg_upsampler realesrgan \  # Sur-échantillonneur d'arrière-plan
    --only_center_face  # Restaurer uniquement le visage central

API Python

Restauration de visage basique

from gfpgan import GFPGANer
import cv2

# Initialiser
restorer = GFPGANer(
    model_path='GFPGANv1.4.pth',
    upscale=2,
    arch='clean',
    channel_multiplier=2,
    bg_upsampler=None
)

# Charger l'image
img = cv2.imread('photo.jpg')

# Restaurer les visages
cropped_faces, restored_faces, restored_img = restorer.enhance(
    img,
    has_aligned=False,
    only_center_face=False,
    paste_back=True
)

# Enregistrer le résultat
cv2.imwrite('restored.jpg', restored_img)

Avec amélioration de l'arrière-plan

from gfpgan import GFPGANer
from realesrgan import RealESRGANer
from basicsr.archs.rrdbnet_arch import RRDBNet
import cv2

# Configurer le sur-échantillonneur d'arrière-plan
bg_model = RRDBNet(num_in_ch=3, num_out_ch=3, num_feat=64, num_block=23, num_grow_ch=32, scale=2)
bg_upsampler = RealESRGANer(
    scale=2,
    model_path='RealESRGAN_x2plus.pth',
    model=bg_model,
    half=True
)

# Configurer le restaurateur de visages avec amélioration de l'arrière-plan
restorer = GFPGANer(
    model_path='GFPGANv1.4.pth',
    upscale=2,
    arch='clean',
    channel_multiplier=2,
    bg_upsampler=bg_upsampler
)

# Traitement
img = cv2.imread('old_photo.jpg')
_, _, output = restorer.enhance(img, has_aligned=False, only_center_face=False, paste_back=True)
cv2.imwrite('enhanced.jpg', output)

Traiter uniquement les visages (sans recoller)

# Obtenir les visages restaurés individuellement
cropped_faces, restored_faces, _ = restorer.enhance(
    img,
    has_aligned=False,
    only_center_face=False,
    paste_back=False
)

# Enregistrer chaque visage séparément
for i, face in enumerate(restored_faces):
    cv2.imwrite(f'face_{i}.jpg', face)

Traitement par lots

import os
from gfpgan import GFPGANer
import cv2
from tqdm import tqdm

restorer = GFPGANer(
    model_path='GFPGANv1.4.pth',
    upscale=2,
    arch='clean',
    channel_multiplier=2
)

input_dir = './old_photos'
output_dir = './restored'
os.makedirs(output_dir, exist_ok=True)

for filename in tqdm(os.listdir(input_dir)):
    if filename.lower().endswith(('.png', '.jpg', '.jpeg')):
        img = cv2.imread(os.path.join(input_dir, filename))

        try:
            _, _, output = restorer.enhance(
                img,
                has_aligned=False,
                only_center_face=False,
                paste_back=True
            )
            cv2.imwrite(os.path.join(output_dir, filename), output)
        except Exception as e:
            print(f"Failed: {filename} - {e}")

CodeFormer (Alternative)

CodeFormer est un autre excellent restaurateur de visages :

# Installation
pip install codeformer-pip

# Utilisation
from codeformer import CodeFormer
import cv2

restorer = CodeFormer()
img = cv2.imread('blurry_face.jpg')
result = restorer.restore(img)
cv2.imwrite('restored.jpg', result)

Restauration de visages vidéo

import cv2
from gfpgan import GFPGANer
from tqdm import tqdm

restorer = GFPGANer(
    model_path='GFPGANv1.4.pth',
    upscale=1,  # Conserver la taille d'origine pour la vidéo
    arch='clean',
    channel_multiplier=2
)

cap = cv2.VideoCapture('video.mp4')
fps = cap.get(cv2.CAP_PROP_FPS)
width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
total = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))

out = cv2.VideoWriter('restored_video.mp4', cv2.VideoWriter_fourcc(*'mp4v'), fps, (width, height))

for _ in tqdm(range(total)):
    ret, frame = cap.read()
    if not ret:
        break

    try:
        _, _, restored = restorer.enhance(frame, paste_back=True)
        out.write(restored)
    except:
        out.write(frame)  # Conserver l'original si la restauration échoue

cap.release()
out.release()

Serveur API

from fastapi import FastAPI, UploadFile
from fastapi.responses import Response
from gfpgan import GFPGANer
import cv2
import numpy as np

app = FastAPI()

restorer = GFPGANer(
    model_path='GFPGANv1.4.pth',
    upscale=2,
    arch='clean',
    channel_multiplier=2
)

@app.post("/restore")
async def restore_face(file: UploadFile, upscale: int = 2):
    contents = await file.read()
    nparr = np.frombuffer(contents, np.uint8)
    img = cv2.imdecode(nparr, cv2.IMREAD_COLOR)

    _, _, output = restorer.enhance(img, paste_back=True)

    _, encoded = cv2.imencode('.jpg', output)
    return Response(content=encoded.tobytes(), media_type="image/jpeg")

# Lancer : uvicorn server:app --host 0.0.0.0 --port 8000

Versions du modèle

Version	Qualité	Vitesse	Remarques
v1.4	Meilleur	Moyen	Recommandé
v1.3	Excellent	Rapide	Bon équilibre
v1.2	Bon	Le plus rapide	Ancienne version

Cas d'utilisation

Restauration de vieilles photos

# Meilleurs réglages pour les vieilles photos
restorer = GFPGANer(
    model_path='GFPGANv1.4.pth',
    upscale=4,  # Agrandissement plus élevé pour les vieilles photos basse résolution
    bg_upsampler=bg_upsampler
)

Amélioration d'art IA

# Pour les images générées par IA avec artefacts faciaux
restorer = GFPGANer(
    model_path='GFPGANv1.4.pth',
    upscale=1,  # Conserver la taille d'origine
    only_center_face=True  # Se concentrer sur le visage principal
)

Photos de groupe

# Traiter tous les visages dans une photo de groupe
restorer = GFPGANer(
    model_path='GFPGANv1.4.pth',
    upscale=2,
    only_center_face=False  # Traiter TOUS les visages
)

Performances

Taille de l'image	Visages	GPU	Temps
512x512	1	RTX 3090	~0.2s
1024x1024	1	RTX 3090	~0.3s
1024x1024	5	RTX 3090	~0.8s
2048x2048	1	RTX 4090	~0.3s

Dépannage

Aucun visage détecté

# Abaisser le seuil de détection
from gfpgan.utils import GFPGANer

# Ou recadrer manuellement la zone du visage d'abord

Résultats trop lissés

• Utiliser CodeFormer avec un poids de fidélité plus faible

• Mélanger avec l'original en utilisant la composition alpha

Problèmes de VRAM

# Utiliser le CPU pour la détection des visages
import torch
torch.cuda.empty_cache()

# Traiter les visages un par un
only_center_face=True

Estimation des coûts

Tarifs typiques du marché CLORE.AI (à partir de 2024) :

GPU	Tarif horaire	Tarif journalier	Session de 4 heures
RTX 3060	~$0.03	~$0.70	~$0.12
RTX 3090	~$0.06	~$1.50	~$0.25
RTX 4090	~$0.10	~$2.30	~$0.40
A100 40GB	~$0.17	~$4.00	~$0.70
A100 80GB	~$0.25	~$6.00	~$1.00

Les prix varient selon le fournisseur et la demande. Vérifiez CLORE.AI Marketplace pour les tarifs actuels.

Économisez de l'argent :

• Utilisez Spot market pour les charges de travail flexibles (souvent 30-50 % moins cher)

• Payer avec CLORE jetons

• Comparer les prix entre différents fournisseurs

Prochaines étapes

• Upscaling Real-ESRGAN

• Stable Diffusion WebUI

• Génération vidéo IA