保姆式教学如何安装使用LivePortrait

LivePortrait是一个开源项目，通过深度学习技术将静态图像转换为动态视频，为用户提供逼真的面部表情和运动效果。在本教程中，我将详细介绍如何在本地环境中安装和配置LivePortrait，包括下载代码、安装依赖、配置预训练权重以及运行推理脚本。无论你是开发者还是对AI技术感兴趣的爱好者，这篇博客将帮助你快速上手LivePortrait，体验前沿的图像处理技术。准备好了吗？让我们开始吧！

1. 准备工作

本地下载代码并准备环境

运行命令前需安装git

git clone https://github.com/KwaiVGI/LivePortrait
cd LivePortrait
# create env using conda
conda create -n LivePortrait  python=3.9
conda activate LivePortrait
# install dependencies with pip
# for Linux and Windows users
pip install -r requirements.txt
# for macOS with Apple Silicon users
pip install -r requirements_macOS.txt

注意：确保您的系统已安装FFmpeg，包括ffmpeg和ffprobe！不会安装？看这个FFmpeg 【安装教程】。

2. 下载预训练权重

下载预训练权重的最简单方法是从 HuggingFace 下载：

# first, ensure git-lfs is installed, see: https://docs.github.com/en/repositories/working-with-files/managing-large-files/installing-git-large-file-storage
git lfs install
# clone and move the weights
git clone https://huggingface.co/KwaiVGI/LivePortrait temp_pretrained_weights
mv temp_pretrained_weights/* pretrained_weights/
rm -rf temp_pretrained_weights

非海外用户，没有外网环境的朋友，你可以从【Google Drive】或【百度云】网盘下载所有预训练权重。解压并将它们放在 ./pretrained_weights。

确保目录结构如下，或包含：

pretrained_weights
├── insightface
│   └── models
│       └── buffalo_l
│           ├── 2d106det.onnx
│           └── det_10g.onnx
└── liveportrait
    ├── base_models
    │   ├── appearance_feature_extractor.pth
    │   ├── motion_extractor.pth
    │   ├── spade_generator.pth
    │   └── warping_module.pth
    ├── landmark.onnx
    └── retargeting_models
        └── stitching_retargeting_module.pth

3. 推理使用

# For Linux and Windows
python inference.py
# For macOS with Apple Silicon, Intel not supported, this maybe 20x slower than RTX 4090
PYTORCH_ENABLE_MPS_FALLBACK=1 python inference.py

如果脚本成功运行，你会得到一个名为 animations/s6--d0_concat.mp4 的输出mp4文件。此文件包含以下结果：驾驶视频，输入图像或视频，以及生成的结果。

或者您可以通过指定 -s 和 -d 参数来更改输入：

# source input is an image
python inference.py -s assets/examples/source/s9.jpg -d assets/examples/driving/d0.mp4
# source input is a video ✨
python inference.py -s assets/examples/source/s13.mp4 -d assets/examples/driving/d0.mp4
# more options to see
python inference.py -h

4. 参照视频自动裁剪 ???

要使用您自己的参照视频，我们建议：

• 将其裁剪为1:1 的宽高比（例如 512×512 或 256×256 像素），或通过启用自动裁剪 --flag_crop_driving_video。


• 重点关注头部区域，与示例视频类似。


• 尽量减少肩部运动。


• 确保参照视频的第一帧是正面且表情中性。

以下是自动裁剪的案例 --flag_crop_driving_video：

python inference.py -s assets/examples/source/s9.jpg -d assets/examples/driving/d13.mp4 --flag_crop_driving_video

如果觉得自动裁剪的效果不好，您可以修改 --scale_crop_driving_video、--vy_ratio_crop_driving_video 选项来调整比例和偏移量，或者手动进行调整。

5. 动作模板制作

您还可以使用自动生成的以 .pkl 结尾的运动模板文件来加速推理，并保护隐私，例如：

python inference.py -s assets/examples/source/s9.jpg -d assets/examples/driving/d5.pkl # portrait animation
python inference.py -s assets/examples/source/s13.mp4 -d assets/examples/driving/d5.pkl # portrait video editing

6. Gradio 可视化界面操作

在Gradio的可视化界面下可以获得更好的体验，适合新手使用，只需运行下面安装代码即可：

# For Linux and Windows users (and macOS with Intel??)
python app.py
# For macOS with Apple Silicon users, Intel not supported, this maybe 20x slower than RTX 4090
PYTORCH_ENABLE_MPS_FALLBACK=1  python app.py

您可以指定 --server_port、--share 参数、--server_name 来满足您的需求！

? 它们还提供了加速选项 --flag_do_torch_compile。首次推理会触发优化过程（约一分钟），使后续推理速度提高 20-30%。性能提升可能因 CUDA 版本的不同而有所差异。

# enable torch.compile for faster inference
python app.py --flag_do_torch_compile

注意：Windows 和 macOS 不支持此方法。或者，在HuggingFace上轻松尝试一下?

7. 推理速度评估

下方提供了一个脚本来评估每个模块的推理速度：

# For NVIDIA GPU
python speed.py

注意：拼接和重定向模块的值代表三个连续 MLP 网络的组合参数数量和总推理时间。

如果你没有一张好的显卡，无法本地运行，可以在 Hugging Face 上免费体验。

如果这篇文章对你有用，请帮忙点个关注、点赞、收藏，谢谢~