Restauration de visages GFPGAN

Restaurez et améliorez les visages sur les photos à l'aide de GFPGAN sur Clore.ai

Restaurez et améliorez les visages dans les photos avec GFPGAN.

Tous les exemples peuvent être exécutés sur des serveurs GPU loués via la place de marché CLORE.AI.

Louer sur CLORE.AI

1. Visitez la place de marché CLORE.AI

2. Filtrez par type de GPU, VRAM et prix

3. Choisissez 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@<proxy-address>

Qu’est-ce que GFPGAN ?

GFPGAN (Generative Facial Prior GAN) se spécialise dans :

• Restauration de photos anciennes/endommagées

• Amélioration des visages flous

• Amélioration des visages générés par l’IA

• Correction des portraits en basse résolution

Déploiement rapide

Image Docker :

pytorch/pytorch:2.11.0-cuda12.8-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='Restaurateur de visages GFPGAN')
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. Accédez à Mes commandes la page

2. Cliquez sur votre commande

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

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

Utilisation en ligne de commande

Installation

pip install gfpgan

Télécharger les modèles

# Télécharger le modèle de restauration de visage
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 d’analyse
wget https://github.com/TencentARC/GFPGAN/releases/download/v1.3.0/parsing_parsenet.pth -P ./models

Utilisation de base

# Restaurer une seule image
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 de mise à l’échelle
    --bg_upsampler realesrgan \\  # Améliorateur d’arrière-plan
    --only_center_face  # Restaurer uniquement le visage central

API Python

Restauration de visage de base

from gfpgan import GFPGANer
import cv2

# Initialisation
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 l’améliorateur 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 visage avec amélioration de l’arrière-plan
restorer = GFPGANer(
    model_path='GFPGANv1.4.pth',
    upscale=2,
    arch='clean',
    channel_multiplier=2,
    bg_upsampler=bg_upsampler
)

# Traiter
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 réinsertion)

# 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"Échec : {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 visage dans les vidéos

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")

# Exécuter : 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	Ancien

Cas d’usage

Restauration de vieilles photos

# Meilleurs réglages pour les vieilles photos
restorer = GFPGANer(
    model_path='GFPGANv1.4.pth',
    upscale=4,  # Mise à l’échelle plus élevée pour les vieilles photos basse résolution
    bg_upsampler=bg_upsampler
)

Amélioration d’art IA

# Pour les images générées par l’IA avec des artefacts de visage
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	~0,2 s
1024x1024	1	RTX 3090	~0.3s
1024x1024	5	RTX 3090	~0,8 s
2048x2048	1	RTX 4090	~0.3s

Dépannage

Aucun visage détecté

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

# Ou recadrer manuellement la zone du visage d’abord

Résultats trop lissés

• Utilisez CodeFormer avec un poids de fidélité plus faible

• Mélanger avec l’original à l’aide d’un compositing 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 (en 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 40 Go	~$0.17	~$4.00	~$0.70
A100 80 Go	~$0.25	~$6.00	~$1.00

Les prix varient selon le fournisseur et la demande. Vérifiez la place de marché CLORE.AI les tarifs actuels.

Économisez de l'argent :

• Utilisez le Spot marché pour les travaux interrompables — environ un tiers des serveurs ont un prix spot inférieur au tarif à la demande (médiane ~13 % de remise), les autres s'alignent dessus

• Payez avec CLORE jetons

• Comparez les prix entre différents fournisseurs

Étapes suivantes

• Mise à l’échelle Real-ESRGAN

• Interface web Stable Diffusion

• Génération vidéo par IA