尧图网站建设 
Deep-Live-Cam 深度解析与实战从 3 次点击实时换脸到批量视频输出的完整路径【免费下载链接】Deep-Live-Camreal time face swap and one-click video deepfake with only a single image项目地址: https://gitcode.com/GitHub_Trending/de/Deep-Live-Cam录好的课程已经过审客户却突然要求把出镜讲师换掉——重录不行逐帧重剪要一周。我需要的是一张照片就能生效、成片里实时换脸、嘴型还跟着原片动的工具且别让我装一套重型软件。Deep-Live-Cam 就是干这个的开源的实时 AI 换脸工具单图输入摄像头和成品视频都支持选脸、选摄像头、按 Live三步上播。如何认识 Deep-Live-Cam单图换脸能做什么、谁该用它的本体很小一个换脸模型 inswapper_128输入固定 128x128 的人脸图 512 维特征向量一个可选的 GFPGAN/GPEN 增强模型外加一个把它们串起来的推理循环。GUI 基于 PySide6走 CLI 传-s参数就直接 headless不弹窗口。适合这几类人主播和视频通话玩家摄像头模式按 Live把换脸后的窗口投给 OBS 推流批量处理成片的人课程、影视二创、meme 素材走命令行一把梭想读源码的工程师代码全在modules/下无混淆模型接口清晰改起来有明确落点Deep-Live-Cam 安装步骤从克隆到首次运行的最短路径先备好四个前提Python 3.11–3.14官方推荐 3.14、pip、git、以及能进 PATH 的 ffmpeg——启动前的pre_check会直接which(ffmpeg)查不到就拒绝开工所以别跳这步。git clone --depth 1 https://gitcode.com/GitHub_Trending/de/Deep-Live-Cam cd Deep-Live-Cam python -m venv venv source venv/bin/activate pip install -r requirements.txt依赖是写死的版本opencv 4.14、onnxruntime 1.28、insightface 0.7.3重装环境不会漂移。Windows 把 activate 那行换成venv\Scripts\activate即可。模型文件放models/目录换脸模型首次运行会自动下载约 300MB增强模型要手动放。放好后直接跑python run.py没 GPU 时这条命令直接走 CPU能出画面、能出片只是慢。GUI 里选源照片和目标视频、点 Start输出落在与目标视频同名的目录里。有 GPU 的读者装完别急着用先看下一节确认自己该走哪条加速路线。一帧画面如何完成实时换脸拆解 5 个工位的工作方式帧进来后不经过黑箱。从进来到出去它跑 5 个工位每个工位都有明确的源码落点工位 1 进料解码或采集。视频走 FFmpeg 双管道一路解码成原始 bgr24 直接进内存另一路把处理完的帧编码写回——中间不再像老版本那样逐帧写 PNG 到磁盘这是它和旧实现最大的速度差距。摄像头则由modules/video_capture.py负责Windows 下默认 DirectShow MJPG、960x54060fps注释里写得很直白USB 带宽喂不动未压缩 1080p只有约 5fps所以 MJPG 压缩是唯一解。工位 2 人脸分析先找到人再谈换。modules/face_analyser.py用 insightface 的 buffalo_l 套件检测输入固定 640x640每帧跑检测 512 维识别向量106 点关键点模型只在开启嘴部保留或增强时才跑不开就省掉约 1ms/脸。这里有个接力设计处理第 N 帧时后台线程已经在检测第 N1 帧的脸两次推理落在不同硬件单元上重叠执行。工位 3 换脸本体全链路唯一的重模型。modules/processors/frame/face_swapper.py调 inswapper_128。NVIDIA 上会额外录一份 CUDA graph 再回放把 CPU 端的 kernel 启动开销压掉Turing 及以后的卡自动选 fp16 模型。贴回也自己重写羽化椭圆蒙版预计算并缓存只对人脸 ROI 做融合不碰整帧。工位 4 后处理让它不像 AI 的工序。嘴部保留按 106 点关键点从原帧抠出嘴部再贴回换脸结果口型同步感全靠它LAB 空间颜色迁移把换上去脸的亮度/白平衡拉向原帧Poisson seamlessClone 修接缝默认关GFPGAN/GPEN 增强face_enhancer*系列模块也默认关——它是全链路里最贵的工位开它之前先掂量帧率。工位 5 出料编码写出。modules/processors/frame/core.py按硬件挑编码器检测到 CUDA 自动切 h264_nvencpreset p4、tune hqDirectML 切 h264_amf硬件编码器失败会回退 libx264 软编重试一次音频最后单独用 ffmpeg 贴回。Deep-Live-Cam 硬件怎么选CUDA、CoreML、DirectML 方案对比默认选择顺序写在代码里cuda rocm coreml openvino dml cpu线程数也按方案给默认值CUDA 2、DirectML 和 OpenVINO 1、CPU 是核心数减 2 且封顶 16不传参也能合理起跑。平台加速方案入门门槛体验适合谁NVIDIA 独显CUDACUDA 12.8 工具包 cuDNN 8.9再换一个 pip 包1080p 实时从容fp16 和 CUDA graph 叠加直播、批量成片Apple SiliconCoreML官方 onnxruntime 自带 EP零额外安装检测经图优化后 M3 上约 4msANE 与 GPU 并行M 系笔记本AMD 独显DirectML只装一个 pip 包1080p 实时可过略逊 CUDA游戏本直播Intel 核显OpenVINO运行库和 openvino 版本要成对装720p 够用办公机、演示纯 CPUCPU装完即用480p–720p 低帧率验证流程两个平台各给一条启动命令。NVIDIA 走 CUDA直播主力路线pip uninstall onnxruntime onnxruntime-gpu pip install onnxruntime-gpu1.21.0 python run.py --execution-provider cuda --execution-threads 2Apple Silicon 走 CoreML。注意先卸掉那个已停止维护的onnxruntime-silicon分支它会遮蔽真正的 onnxruntimepip uninstall onnxruntime-silicon pip install -r requirements.txt python3.14 run.py --execution-provider coreml倾向很明确直播选 CUDA验证效果选 CPU 就够——画质差距不大速度差距才是真的。实时换脸实战场景直播、批量成片的命令与避坑提示直播把换好的脸推给 OBSpython run.py --live-mirror --live-resizableGUI 里选源脸、按 Live等 10–30 秒预览出来用 OBS 屏幕采集这个窗口开播想中途换人直接换一张源图。⚠️ 避坑直播别开面部增强那一个工位能吃掉整帧预算直播只组合换脸 嘴部保留。批量成片CLI 一把梭传-s就进 headless 模式GUI 完全不出现在流程里。课程类成片的典型配置python run.py -s 讲师.png -t 课程.mp4 -o 成片/ \ --mouth-mask --keep-fps --keep-audio \ --video-encoder libx265 --video-quality 23--video-quality本质是 CRF越小越清晰但文件越大默认 18成片用 23 是体积和观感的平衡点--keep-audio在参数表里默认就是开着的显式写上是为了防误删。⚠️ 避坑不加--keep-fps时输出固定 30fps原片不是 30fps 的话音画会漂移——批量脚本里这个参数不能省。多人脸映射一人一图角色不串--many-faces把画面里所有脸都换成同一张源图适合整组换同一人要A 永远用 A 的照片就上--map-faces程序先通刷全片用识别向量把不同人物的脸聚成簇再把源图逐一映射到每个簇。避坑map-faces 模式强制走磁盘取帧路径速度明显低于内存直连长片别用它。Deep-Live-Cam 调优与排障质量-性能平衡表和高频问题先给平衡表。增强档位是主要成本项按它定档档位分辨率目标帧率推荐开关适配硬件流畅640x48015–30fps仅换脸CPU / 核显平衡1280x72030fps换脸 嘴部保留AMD / NVIDIA 中端 / M 系高质量1920x108030fps平衡档 增强NVIDIA 8GB 显存起影视4K24–30fps全开低 CRF 慢渲染CUDA 工作站高频问题按现象 → 排查 → 解决三段走帧率上不去。排查看日志里实际生效的执行提供者是不是你以为的那个nvidia-smi看显存是否打满。解决先关增强DirectML/OpenVINO 用--execution-threads 1仍不够就降分辨率别在 1080p 硬扛。启动直接报 ffmpeg is not installed。排查这是硬性门槛pre_check查不到 ffmpeg 就退出。解决装 ffmpeg 并确认which ffmpeg有输出。脸在抖、边缘有缝。排查抖动多为检测不稳定目标动作过快或光源乱接缝多为源图与目标光照差距大。解决前者开嘴部保留、放慢动作或换检测更稳的短片段后者开 Poisson blend或干脆换一张光线接近的源图。长片处理到一半内存爆。排查--max-memory默认 16GBmacOS 4GB磁盘路径的临时帧 PNG 还会堆在 temp 目录。解决--max-memory调小 把长片切段处理顺手检查磁盘剩余空间。进阶指路改这 3 个文件就能定制换脸效果modules/processors/frame/face_swapper.py最值得精读。贴回融合、蒙版羽化、Poisson 开关、CUDA graph 初始化都在这一处想改脸怎么贴上去就从它下手。modules/face_analyser.py检测输入尺寸640x640、跑哪些子模型检测/识别/106 点关键点都在这里改小检测尺寸能提速但小脸会漏检。modules/processors/frame/core.pyFFmpeg 管道和编码器选择表想加 QSV、VideoToolbox 之类的硬件编码就补在这里的分支里。根目录还有个benchmark_pipeline.py改完代码跑一遍就能拿到本机帧耗时基线对比一目了然。Deep-Live-Cam 使用边界与伦理红线内置 NSFW 过滤--nsfw-filter基于 opennsfw2README 明确禁止处理不当内容——过滤是下限不是建议。底层 insightface 模型授权为非商业研究用途做 SaaS 或对外分发前这是许可证问题不是技术问题。换真人必须拿到本人同意公开传播标注AI 生成不用于冒充、欺诈或伪造发言。临时帧默认在处理完清理确需留存才加--keep-frames别让原片帧大批量留在磁盘上。行动清单拿到 Deep-Live-Cam 后的 5 件事CPU 模式跑通流程挑 10 秒素材走一遍不追帧率先确认 ffmpeg、模型、输出目录三件事正常。按硬件表装对应 onnxruntime 包并强制--execution-provider日志里核对 provider 名称再谈优化。用嘴部保留 --keep-fps批量跑一条 720p 成片建立自己对 CRF 和编码器的体感。读一遍swap_face函数搞清楚贴回蒙版的来源再决定要不要动它。跑一次benchmark_pipeline.py记录基线数字之后任何改动导致的退化都无处可藏。工具的上限看硬件效果的上限看源图而用法的上限看你自己划的那条线。【免费下载链接】Deep-Live-Camreal time face swap and one-click video deepfake with only a single image项目地址: https://gitcode.com/GitHub_Trending/de/Deep-Live-Cam创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Deep-Live-Cam 深度解析与实战：从 3 次点击实时换脸到批量视频输出的完整路径
Deep-Live-Cam 深度解析与实战从 3 次点击实时换脸到批量视频输出的完整路径【免费下载链接】Deep-Live-Camreal time face swap and one-click video deepfake with only a single image项目地址: https://gitcode.com/GitHub_Trending/de/Deep-Live-Cam录好的课程已经过审客户却突然要求把出镜讲师换掉——重录不行逐帧重剪要一周。我需要的是一张照片就能生效、成片里实时换脸、嘴型还跟着原片动的工具且别让我装一套重型软件。Deep-Live-Cam 就是干这个的开源的实时 AI 换脸工具单图输入摄像头和成品视频都支持选脸、选摄像头、按 Live三步上播。如何认识 Deep-Live-Cam单图换脸能做什么、谁该用它的本体很小一个换脸模型 inswapper_128输入固定 128x128 的人脸图 512 维特征向量一个可选的 GFPGAN/GPEN 增强模型外加一个把它们串起来的推理循环。GUI 基于 PySide6走 CLI 传-s参数就直接 headless不弹窗口。适合这几类人主播和视频通话玩家摄像头模式按 Live把换脸后的窗口投给 OBS 推流批量处理成片的人课程、影视二创、meme 素材走命令行一把梭想读源码的工程师代码全在modules/下无混淆模型接口清晰改起来有明确落点Deep-Live-Cam 安装步骤从克隆到首次运行的最短路径先备好四个前提Python 3.11–3.14官方推荐 3.14、pip、git、以及能进 PATH 的 ffmpeg——启动前的pre_check会直接which(ffmpeg)查不到就拒绝开工所以别跳这步。git clone --depth 1 https://gitcode.com/GitHub_Trending/de/Deep-Live-Cam cd Deep-Live-Cam python -m venv venv source venv/bin/activate pip install -r requirements.txt依赖是写死的版本opencv 4.14、onnxruntime 1.28、insightface 0.7.3重装环境不会漂移。Windows 把 activate 那行换成venv\Scripts\activate即可。模型文件放models/目录换脸模型首次运行会自动下载约 300MB增强模型要手动放。放好后直接跑python run.py没 GPU 时这条命令直接走 CPU能出画面、能出片只是慢。GUI 里选源照片和目标视频、点 Start输出落在与目标视频同名的目录里。有 GPU 的读者装完别急着用先看下一节确认自己该走哪条加速路线。一帧画面如何完成实时换脸拆解 5 个工位的工作方式帧进来后不经过黑箱。从进来到出去它跑 5 个工位每个工位都有明确的源码落点工位 1 进料解码或采集。视频走 FFmpeg 双管道一路解码成原始 bgr24 直接进内存另一路把处理完的帧编码写回——中间不再像老版本那样逐帧写 PNG 到磁盘这是它和旧实现最大的速度差距。摄像头则由modules/video_capture.py负责Windows 下默认 DirectShow MJPG、960x54060fps注释里写得很直白USB 带宽喂不动未压缩 1080p只有约 5fps所以 MJPG 压缩是唯一解。工位 2 人脸分析先找到人再谈换。modules/face_analyser.py用 insightface 的 buffalo_l 套件检测输入固定 640x640每帧跑检测 512 维识别向量106 点关键点模型只在开启嘴部保留或增强时才跑不开就省掉约 1ms/脸。这里有个接力设计处理第 N 帧时后台线程已经在检测第 N1 帧的脸两次推理落在不同硬件单元上重叠执行。工位 3 换脸本体全链路唯一的重模型。modules/processors/frame/face_swapper.py调 inswapper_128。NVIDIA 上会额外录一份 CUDA graph 再回放把 CPU 端的 kernel 启动开销压掉Turing 及以后的卡自动选 fp16 模型。贴回也自己重写羽化椭圆蒙版预计算并缓存只对人脸 ROI 做融合不碰整帧。工位 4 后处理让它不像 AI 的工序。嘴部保留按 106 点关键点从原帧抠出嘴部再贴回换脸结果口型同步感全靠它LAB 空间颜色迁移把换上去脸的亮度/白平衡拉向原帧Poisson seamlessClone 修接缝默认关GFPGAN/GPEN 增强face_enhancer*系列模块也默认关——它是全链路里最贵的工位开它之前先掂量帧率。工位 5 出料编码写出。modules/processors/frame/core.py按硬件挑编码器检测到 CUDA 自动切 h264_nvencpreset p4、tune hqDirectML 切 h264_amf硬件编码器失败会回退 libx264 软编重试一次音频最后单独用 ffmpeg 贴回。Deep-Live-Cam 硬件怎么选CUDA、CoreML、DirectML 方案对比默认选择顺序写在代码里cuda rocm coreml openvino dml cpu线程数也按方案给默认值CUDA 2、DirectML 和 OpenVINO 1、CPU 是核心数减 2 且封顶 16不传参也能合理起跑。平台加速方案入门门槛体验适合谁NVIDIA 独显CUDACUDA 12.8 工具包 cuDNN 8.9再换一个 pip 包1080p 实时从容fp16 和 CUDA graph 叠加直播、批量成片Apple SiliconCoreML官方 onnxruntime 自带 EP零额外安装检测经图优化后 M3 上约 4msANE 与 GPU 并行M 系笔记本AMD 独显DirectML只装一个 pip 包1080p 实时可过略逊 CUDA游戏本直播Intel 核显OpenVINO运行库和 openvino 版本要成对装720p 够用办公机、演示纯 CPUCPU装完即用480p–720p 低帧率验证流程两个平台各给一条启动命令。NVIDIA 走 CUDA直播主力路线pip uninstall onnxruntime onnxruntime-gpu pip install onnxruntime-gpu1.21.0 python run.py --execution-provider cuda --execution-threads 2Apple Silicon 走 CoreML。注意先卸掉那个已停止维护的onnxruntime-silicon分支它会遮蔽真正的 onnxruntimepip uninstall onnxruntime-silicon pip install -r requirements.txt python3.14 run.py --execution-provider coreml倾向很明确直播选 CUDA验证效果选 CPU 就够——画质差距不大速度差距才是真的。实时换脸实战场景直播、批量成片的命令与避坑提示直播把换好的脸推给 OBSpython run.py --live-mirror --live-resizableGUI 里选源脸、按 Live等 10–30 秒预览出来用 OBS 屏幕采集这个窗口开播想中途换人直接换一张源图。⚠️ 避坑直播别开面部增强那一个工位能吃掉整帧预算直播只组合换脸 嘴部保留。批量成片CLI 一把梭传-s就进 headless 模式GUI 完全不出现在流程里。课程类成片的典型配置python run.py -s 讲师.png -t 课程.mp4 -o 成片/ \ --mouth-mask --keep-fps --keep-audio \ --video-encoder libx265 --video-quality 23--video-quality本质是 CRF越小越清晰但文件越大默认 18成片用 23 是体积和观感的平衡点--keep-audio在参数表里默认就是开着的显式写上是为了防误删。⚠️ 避坑不加--keep-fps时输出固定 30fps原片不是 30fps 的话音画会漂移——批量脚本里这个参数不能省。多人脸映射一人一图角色不串--many-faces把画面里所有脸都换成同一张源图适合整组换同一人要A 永远用 A 的照片就上--map-faces程序先通刷全片用识别向量把不同人物的脸聚成簇再把源图逐一映射到每个簇。避坑map-faces 模式强制走磁盘取帧路径速度明显低于内存直连长片别用它。Deep-Live-Cam 调优与排障质量-性能平衡表和高频问题先给平衡表。增强档位是主要成本项按它定档档位分辨率目标帧率推荐开关适配硬件流畅640x48015–30fps仅换脸CPU / 核显平衡1280x72030fps换脸 嘴部保留AMD / NVIDIA 中端 / M 系高质量1920x108030fps平衡档 增强NVIDIA 8GB 显存起影视4K24–30fps全开低 CRF 慢渲染CUDA 工作站高频问题按现象 → 排查 → 解决三段走帧率上不去。排查看日志里实际生效的执行提供者是不是你以为的那个nvidia-smi看显存是否打满。解决先关增强DirectML/OpenVINO 用--execution-threads 1仍不够就降分辨率别在 1080p 硬扛。启动直接报 ffmpeg is not installed。排查这是硬性门槛pre_check查不到 ffmpeg 就退出。解决装 ffmpeg 并确认which ffmpeg有输出。脸在抖、边缘有缝。排查抖动多为检测不稳定目标动作过快或光源乱接缝多为源图与目标光照差距大。解决前者开嘴部保留、放慢动作或换检测更稳的短片段后者开 Poisson blend或干脆换一张光线接近的源图。长片处理到一半内存爆。排查--max-memory默认 16GBmacOS 4GB磁盘路径的临时帧 PNG 还会堆在 temp 目录。解决--max-memory调小 把长片切段处理顺手检查磁盘剩余空间。进阶指路改这 3 个文件就能定制换脸效果modules/processors/frame/face_swapper.py最值得精读。贴回融合、蒙版羽化、Poisson 开关、CUDA graph 初始化都在这一处想改脸怎么贴上去就从它下手。modules/face_analyser.py检测输入尺寸640x640、跑哪些子模型检测/识别/106 点关键点都在这里改小检测尺寸能提速但小脸会漏检。modules/processors/frame/core.pyFFmpeg 管道和编码器选择表想加 QSV、VideoToolbox 之类的硬件编码就补在这里的分支里。根目录还有个benchmark_pipeline.py改完代码跑一遍就能拿到本机帧耗时基线对比一目了然。Deep-Live-Cam 使用边界与伦理红线内置 NSFW 过滤--nsfw-filter基于 opennsfw2README 明确禁止处理不当内容——过滤是下限不是建议。底层 insightface 模型授权为非商业研究用途做 SaaS 或对外分发前这是许可证问题不是技术问题。换真人必须拿到本人同意公开传播标注AI 生成不用于冒充、欺诈或伪造发言。临时帧默认在处理完清理确需留存才加--keep-frames别让原片帧大批量留在磁盘上。行动清单拿到 Deep-Live-Cam 后的 5 件事CPU 模式跑通流程挑 10 秒素材走一遍不追帧率先确认 ffmpeg、模型、输出目录三件事正常。按硬件表装对应 onnxruntime 包并强制--execution-provider日志里核对 provider 名称再谈优化。用嘴部保留 --keep-fps批量跑一条 720p 成片建立自己对 CRF 和编码器的体感。读一遍swap_face函数搞清楚贴回蒙版的来源再决定要不要动它。跑一次benchmark_pipeline.py记录基线数字之后任何改动导致的退化都无处可藏。工具的上限看硬件效果的上限看源图而用法的上限看你自己划的那条线。【免费下载链接】Deep-Live-Camreal time face swap and one-click video deepfake with only a single image项目地址: https://gitcode.com/GitHub_Trending/de/Deep-Live-Cam创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考