文章目录
（一）关于DeepFaceLab
（二）必要的信息
（三）下载安装
预编译好的Windows版本
MegaDownloader下载
拉取git最新版本源码
目录结构
（四）使用软件
放置素材文件
预处理视频生成帧图片
生成脸部数据
开始训练吧
合成训练结果（到图片）
生成视频
（五）不同的模型与参数（补充）
训练模型
训练参数
转换参数
本篇：《简单介绍DeepFaceLab（DeepFake）的使用以及容易被忽略的事项》
下一篇：《继续聊聊DeepFaceLab（DeepFake）的不断演进和变化》
（一）关于DeepFaceLab
DeepFaceLab 是一个应用机器学习进行视频中人物换脸的工具
曾经在Reddit上一个很火的开源项目Deepfake。
随着大家的惊呼，神奇女侠的换脸视频出现，然后这个项目就被各大网站给禁了。
沉寂了一段时间后来国内朱茵换杨幂，加上徐锦江的海王雷神视频一出，
国内社会新闻进行了报道，个人感觉一下子在国内就火了。
除了DeepFaceLab，相关的项目还有FaceSwap，OpenFaceSwap等其它作者的工具软件。
（二）必要的信息
DeepFaceLab网站：https://deepfakes.club
实际指向github的：https://github.com/iperov/DeepFaceLab （作者iperov）
git地址：https://github.com/iperov/DeepFaceLab.git
中文网站：https://deepfakescn.com （已获得作者授权）新的内容在这。
过期的中文网站：https://deepfakes.com.cn/
（三）下载安装
具体的下载安装各方面的文章请参考上面的网站，下面主要介绍几个问题。
预编译好的Windows版本
原作者提供了预编译好的Windows版本，并且告诉我们依赖库都有了，只需要自己去安装nVidia的驱动。
并且还贴心的准备了使用GPU和CPU版本, 可以从MEGA下载：
https://mega.nz/#F!b9MzCK4B!zEAG9txu7uaRUjXz9PtBqg
编译的版本大概分这几类：
DeepFaceLabCUDA9.2SSE - NVIDIA显卡最高支持到GTX1080和任何64位CPU
DeepFaceLabCUDA10.1AVX - NVIDIA显卡最高支持到RTX和支持AVX指令集的CPU
DeepFaceLabOpenCLSSE - AMD/IntelHD显卡和任何64位CPU
重点是：
不需要微软Visual Studio 2015，老中文网写的，毕竟怎么说也只需要SDK不可能需要IDE啊。
Mega地址可以用MegaDownloader v1.7下载，不需要翻墙或者找百度盘上的旧版本。
真的得用GPU不要勉强用CPU，我们难以接受机器不眠不休处理一个月才有结果吧？
MegaDownloader下载
拉取git最新版本源码
因为是Python程序，所以下载了预编译好的Windows版本后，除了检查作者是否有更新。
还可以直接git拉取作者的最新版本程序到：
%你安装的DeepFaceLab目录%_internal\DeepFaceLab
1
目录结构
下载了预编译的Windows版本后，解压目录结构如下：
除了两个目录，就是一堆批处理（可以跟随中文网站的步骤做，但还是建议自己仔细阅读批处理文件名，以及最后的pdf手册）。
%你安装的DeepFaceLab目录%
_internal #内部目录，源代码，库，软件。
workspace #工作目录，放原始视频和目标视频
- clear workspace.bat
- extract images from video data_src.bat
3.1) cut video (drop video on me).bat
3.2) extract images from video data_dst FULL FPS.bat
3.other) denoise extracted data_dst.bat - data_src extract faces MANUAL.bat
- data_src extract faces MT all GPU debug.bat
- data_src extract faces MT all GPU.bat
- data_src extract faces MT best GPU.bat
- data_src extract faces S3FD all GPU debug.bat
- data_src extract faces S3FD all GPU.bat
- data_src extract faces S3FD best GPU.bat
4.1) data_src check result.bat
4.2.1) data_src sort by blur.bat
4.2.2) data_src sort by similar histogram.bat
4.2.4) data_src sort by dissimilar face.bat
4.2.4) data_src sort by dissimilar histogram.bat
4.2.5) data_src sort by face pitch.bat
4.2.5) data_src sort by face yaw.bat
4.2.6) data_src sort by final.bat
4.2.other) data_src sort by black.bat
4.2.other) data_src sort by brightness.bat
4.2.other) data_src sort by hue.bat
4.2.other) data_src sort by one face in image.bat
4.2.other) data_src sort by original filename.bat
4.2.other) data_src util add landmarks debug images.bat
4.2.other) data_src util recover original filename.bat - data_dst extract faces MANUAL RE-EXTRACT DELETED RESULTS DEBUG.bat
- data_dst extract faces MANUAL.bat
- data_dst extract faces MT all GPU .bat
- data_dst extract faces MT all GPU + manual fix.bat
- data_dst extract faces MT best GPU.bat
- data_dst extract faces S3FD all GPU + manual fix.bat
- data_dst extract faces S3FD all GPU.bat
- data_dst extract faces S3FD best GPU + manual fix.bat
- data_dst extract faces S3FD best GPU.bat
5.1) data_dst check results debug.bat
5.1) data_dst check results.bat
5.2) data_dst sort by similar histogram.bat
5.3) data_dst sort by blur.bat
5.3) data_dst sort by dissimilar histogram.bat
5.3) data_dst sort by face pitch.bat
5.3) data_dst sort by face yaw.bat
5.3.other) data_dst sort by final.bat
5.3.other) data_dst sort by original filename.bat
5.3.other) data_dst util recover original filename.bat
5.4) data_dst mask editor.bat - train DF.bat
- train H128.bat
- train H64.bat
- train LIAEF128.bat
- train SAE.bat
- convert DF debug.bat
- convert DF.bat
- convert H128 debug.bat
- convert H128.bat
- convert H64 debug.bat
- convert H64.bat
- convert LIAEF128 debug.bat
- convert LIAEF128.bat
- convert SAE debug.bat
- convert SAE.bat
- converted to avi.bat
- converted to mov(lossless+alpha).bat
- converted to mp4(lossless+alpha).bat
- converted to mp4.bat
- util convert aligned PNG to JPG (drop folder on me).bat
changelog_en.txt
manual_en.txt
manual_en_google_translated.pdf
manual_ru.pdf
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
（四）使用软件
放置素材文件
文件就这么放，名字也是固定的。
%你安装的DeepFaceLab目录%\workspace\data_src.mp4 #源视频，用它的脸。
%你安装的DeepFaceLab目录%\workspace\data_dst.mp4 #目标视频，替换到它身上。
1
2
预处理视频生成帧图片
- extract images from video data_src.bat #从源视频生成静态帧图片，可以选帧率（图片数）。
3.2) extract images from video data_dst FULL FPS.bat #从目标视频生成全部帧图片，可以先用3.1截取小段。
1
2
生成后的帧图片放置在如下目录：
%你安装的DeepFaceLab目录%\workspace\data_dst
%你安装的DeepFaceLab目录%\workspace\data_src
1
2
生成脸部数据
- data_src extract faces S3FD all GPU.bat #从源静态帧图片，生成源脸部。
- data_dst extract faces S3FD all GPU.bat #从目标静态帧图片，生成目标脸部。
1
2
生成后的脸部图片放置在如下目录：
%你安装的DeepFaceLab目录%\workspace\data_dst\aligned
%你安装的DeepFaceLab目录%\workspace\data_src\aligned
1
2
别急着下一步，这里需要对图片进行人工筛选。
去掉模糊的源脸部，去掉被遮挡的源脸部，等等。具体可参考英文文档或中文网站。
作者写道：
99.995% 的成功或失败率都是因为糟糕的目标/源的脸部数据
所以你99.995%的时间都应该用在保证你的脸部数据是精心的准备好的。
你不能把素材一股脑全扔进去，否者结果保证令你失望，进去的是垃圾，出来的也是垃圾。
开始训练吧
当你准备好的素材，去掉了糟糕或者识别失败的脸部，就可以训练了。
- train SAE.bat #不同的训练方式请参考文档，或者中文网站。
1
训练后生成的模型数据放在这个目录：
%你安装的DeepFaceLab目录%\workspace\model
1
训练时间可能会很长，训练的参数得自己去理解。。。
Running trainer.
Loading model...
Press enter in 2 seconds to override model settings.Using plaidml.keras.backend backend.
INFO:plaidml:Opening device "%这里应该显示找到的你的显卡或CPU%"
Loading: 100%|######################################################################| 323/323 [00:02<00:00, 147.40it/s]
Loading: 100%|######################################################################| 302/302 [00:02<00:00, 120.54it/s]
===== Model summary =====
== Model name: SAE
==
== Current iteration: 63060
==
== Model options:
== |== batch_size : 4
== |== sort_by_yaw : False
== |== random_flip : False
== |== resolution : 128
== |== face_type : f
== |== learn_mask : True
== |== optimizer_mode : 1
== |== archi : df
== |== ae_dims : 512
== |== e_ch_dims : 42
== |== d_ch_dims : 21
== |== multiscale_decoder : False
== |== ca_weights : True
== |== pixel_loss : True
== |== face_style_power : 0.0
== |== bg_style_power : 0.0
== |== remove_gray_border : False
== Running on:
== |== [0 : %这里应该显示找到的你的显卡和使用的SDK%]
=========================
Starting. Press "Enter" to stop training and save model.
[11:35:27][#063063][1.304s][0.0123][0.0056] #时钟，迭代次数，每次用时，偏离度
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
同时会显示一个训练的预览窗口，可以看到图像的偏离度越来越低。
可以在上面按回车键停止训练。
合成训练结果（到图片）
选择怎么训练的，就选择对应的合成方式。
- convert SAE.bat #合成的参数得自己好好理解，多尝试组合。
1
合成的目标帧图片放在这个目录：
%你安装的DeepFaceLab目录%\workspace\data_dst\merged
1
生成视频
- converted to mp4.bat #合成的参数得自己好好理解，多尝试组合。
1
生成好的目标视频在这里：
%你安装的DeepFaceLab目录%\workspace\result.mp4
1
哈哈，结果不满意吧：）
请仔细阅读上面一大段黄色背景的文字，
请仔细阅读文档，重新准好你的素材吧：）
（五）不同的模型与参数（补充）
训练模型
H64 (2GB +)：分辨率为64的半脸模型，适合2-3GB显存，当然质量也较低。
H128 (3GB +)：分辨率为128的半脸模型，适合3-4GB显存，半脸模型某些光线条件下会很糟糕。
DF (5GB +)：分辨率为128的全脸模型，适合5GB以上显存，有条件就可以用这个。
LIAEF128 (5GB +)：和DF一样，只从源到目标变形，有些时候会很怪，那么还是选DF吧。
SAE (512MB +)：最新最好最弹性的模型，包括其它所有模型，512MB-24GB显存都可用，参数多。
训练参数
H64，H128 模型的参数：
Use lightweight autoencoder? (Y / n,:? Help skip: n):
选择一个简版的模型，如果你的显存小于4GB，这个选项就很必要。
H64, H128, DF, LIAEF128 模型的参数：
Use pixel loss? (Y / n,:? Help skip: n / default):
更容易提升细节质量和去除图像颤动，请在训练至少20000次以后再打开这个选项（有模型崩溃风险）。
SAE 模型的参数：
Resolution (64-256:? Help skip: 128):分辨率从64到256，16的倍数，愈大越清晰，训练也需要越长。
Half or Full face? (H / f,:? Help skip: f):半脸还是全脸。
Learn mask? (Y / n,:? Help skip: y):学习的遮罩，呃，懒得翻译了，用它就对了。
Optimizer mode? (1,2,3:? Help skip:% d):N卡的神经网络优化模式，越大需要内存越多，也会更慢。
AE architecture (df, liae, vg:? Help skip: df):神经网络结构，缺省df。
AutoEncoder dims (128-1024:? Help skip:% d):网络维度，越多越好（但是内存得够啊）。
Encoder dims per channel (21-85:? Help skip:% d):也是越多越好（但是内存得够啊）根据显卡配置吧。
Decoder dims per channel (11-85:? Help skip:% d):同上（decoder的维度）。
Remove gray border? (Y / n,:? Help skip: n):去掉灰边，我记得已经没有这个选项了啊？？？
Use CA weights? (Y / n,:? Help skip:% s):是否使用卷积感知权重，提高模型精度，初始化要点时间。
Use multiscale decoder? (Y / n,:? Help skip: n):是否使用多路转换decoder，获得更高精度。
Use pixel loss? (Y / n,:? Help skip: n / default):更容易提升细节质量和去除图像颤动，请在训练难以提升质量以后再打开这个选项（有模型崩溃风险）。
Face style power (0.0 … 100.0:? Help skip:% 1f.):脸部特征影响值，加速转换学习的脸部特征（有模型崩溃风险）。搞不懂先别开哦。
Background style power (0.0 … 100.0:? Help skip:% 1f.):背景特征影响值，加速转换学习的脸部特征（有模型崩溃风险）。搞不懂先别开哦。
Apply random color transfer to src faceset? (Y / n,:? Help skip:% s):源脸随机颜色转换，比上面两个更加精确。需要学习更多的源脸。
Pretrain the model? (Y / n,:? Help skip: n):预先训练模型（已经包含了的许多不同的人脸模型）
转换参数
通常不变的参数：
Choose mode: (4) seamless
Seamless hist match? : y
Hist match threshold: 255
Mask mode: (1) learned,
下面的参数就值得调整了：
Choose erode mask modifier [-200…200] (skip:0) :决定缩小多少目标遮罩（值<0则是扩展遮罩）
Choose blur mask modifier [-200…200] (skip:0) :决定平滑目标遮罩的值。
Choose output face scale modifier [-50…50] (skip:0) : 源脸放大还是缩小（先试试0，再根据实际情况）
Apply color transfer to predicted face? Choose mode ( rct/lct skip:None ) : 两种都试试吧。
Degrade color power of final image [0…100] (skip:0) : 降低源脸的色彩值，根据实际情况设置。
————————————————
版权声明：本文为CSDN博主「若苗瞬」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/ddrfan/java/article/details/89671745