AI直播换脸——DeepFaceLab 3.0模型训练与微调

前言

DeepFaceLab是一种基于深度学习的人脸合成和转换工具。它使用了深度神经网络来分析和修改图像中的人脸部分，可以实现将一个人的脸部特征应用到另一个人的照片上，或者进行面部表情、年龄、性别等特征的变换。
DeepFaceLab具备一系列核心功能，包括人脸检测、关键点定位、面部表情识别和特征提取。这些功能为其提供了生成高质量合成人脸的能力，并支持多种输入和输出格式。用户可以根据自身需求对其可配置的参数进行调整，以定制模型的训练和处理流程。此外，DeepFaceLab还充分支持GPU加速，从而显著提升处理速度。

然而，需要特别留意的是，DeepFaceLab等工具也存在被滥用的风险，用以制作虚假的图片和视频。因此，在使用这类工具时，必须严格遵守法律法规，同时秉持高度的道德准则。这类技术的滥用可能会引发伦理和法律问题，因此用户在使用时应谨慎考虑，深入了解相关法律规定，并严守道德操守。

一、DeepFaceLab安装

可以从官方网站得软件下载地址，找到对应自己GPU的版本就可以了,GPU不是RTX30头的选RTX2080Ti版本,RTX30xx以上选RTX3000这个版本。

下载之后直接解压到使用目录就可以了，解压完成之后像下面这样，不过有几个中文是我后加的。

二、数据准备

1.源视频

源视频就是用来训练模型的视频，源视频选择合适的素材是关键。要确保素材清晰、高质量，以获得最佳效果。可以使用高分辨率的相机来拍摄或选择高质量的库存视频。

• 不同角度：拍摄素材时，考虑使用不同的角度，如近景、远景、正脸和侧脸，以提供多样性和视觉吸引力。
• 不同视角：例如低视角或仰视角。
• 不同光线：根据需要选择适当的时间和光线条件，以便拍摄白天和黑夜的素材。
• 不同表情：使用面部表情、姿势和背景来传达喜怒哀乐，选择不同的情感表达。
• 时长：源视频的时长越长越好，最短也要几分钟以上。

2.目标视频

目标视频就是最终要进行换脸的视频，⽬标视频处理⽐较简单些，正常的视角就可以了，但为了换脸丝滑，源视频和目标视频尽可能选择脸型、表情、⾓度、光源接近的。

3.数据重命名

把源视频和目标视频放到项目workspace下，源视频重新命名成data_src,目标视频重新命名成data_dst,如下图结果：

三、模型训练

1.源视频拆分

运行 2) extract images from video data_src.bat文件，对源视频进行拆帧：

一秒保存多少帧：

Enter FPS 一秒保存多少帧，一般保存10到15帧

保存图像的格式：

Output image format
图像格式选择：
PNG：PNG格式提供无损图像质量，适合保持图像的清晰度和细节，但文件大小较大。如果您需要高质量的图像，可以选择PNG格式
JPG：JPG格式文件大小较小，适合处理不需要极高图像质量的任务。如果对图像质量要求不高，可以选择JPG格式，以便减小文件大小。

2.目标视频切图

对目标视频进行拆分，运行 3) extract images from video data_dst FULL FPS.bat，选择跟源视频一样。拆分完成之后在工作目录就多了两个拆分成图像的目录。

3.源视频切脸

点击运⾏ 4) data_src faceset extract.bat 会有参数需要设置，如图：

1. 选择脸型：
   有三个选项可供选择：全脸(f)、整脸(wf)和头(head)。根据您的需求，一般情况下选择默认的wf即可，因为它覆盖的面积更大，包括额头和胡子。如果只需要替换脸部到眉毛上方一点点的区域，您可以选择f。

2. 设置最多识别的人数：
   如果视频大部分时间只有一个人，选择1；如果视频中有两个人同时出现，而且都需要处理，选择2。

3. 设置图像大小：
   一般情况下，选择256足够了。较高的分辨率会提高图像质量，但也会增加计算资源的消耗。如果原始视频质量不高，即使选择512也不会有很大帮助。

4. 图像质量：
   默认的图像质量设置为90，通常足够了。根据需要，您可以微调这个设置。

5. 调试图像：
   如果出现错误或不满意的结果，可以随时删除不符合要求的图像。

6.运行脚本：
完成设置后，运行脚本。根据您的硬件，3080显卡切脸速度大概为2张/秒。

5.源视频人脸整理

运行 4.2)data_src sort.bat 脚本以对源图像进行排序。需要对源图像进行排序、筛选和处理，以获得高质量的训练素材。

1. 源头像排序：
   选择 “5-颜色直方图排序” 以帮助识别相似的图像。

2. 筛选图像：

   • 删除模糊的图像，这些通常不适合用于训练。
   • 删除因旋转而变形的图像，因为它们通常是由于识别失败导致的。
   • 删除残缺的图像，如部分遮挡或损坏的图像。
   • 删除有遮挡或黑边裁切的图像。
   • 删除刘海太大或与人物无关的图像。
   • 删除光照差异较大的图像，因为这些图像可能对训练产生不良影响。
   • 如果某些图像是常见的遮挡物，但资源稀缺，可以保留它们用于遮罩训练。

3. 手动修复识别不准确的图像：

   • 如果某些图像非常宝贵，并且识别不准确，您可以手动删除 “debug” 目录中相应的错误图像，并运行 “data_src faceset extract MANUAL.bat” 脚本再次提取素材。

4. 可选的模糊程度排序：

   • 可以运行排序脚本，将图像按照模糊程度进行排序。然后，您可以删除模糊度过高的图像。不过，有些人认为适度模糊的图像也可以用于训练，这取决于您的需求。

5. 处理多个人脸：

   • 如果 “aligned” 目录中包含多个人脸，建议使用颜色直方图排序，然后将不同的人脸归类到不同的文件夹中以备用。或者，删除不需要进行人脸替换的人脸。您还可以使用人脸筛选工具来帮助进行分类和处理。

这些步骤有助于准备高质量的训练素材，提高DeepFaceLab的换脸效果。请根据您的具体需求和素材情况进行适当的筛选和整理。

6.目标视频切脸

运⾏ 5) data_dst faceset extract.bat 对目标视频进行切脸，参数与源视频切脸差不多。

7.目标视频图像整理

执行 5.2) data_dst sort 脚本对目标视频头像进行整理

1. 推荐使用颜色直方图排序：

   • 在提取素材时，建议选择 “5-颜色直方图排序” 以帮助识别相似的图像。这有助于归类不同的人脸到不同的文件夹，或删除您不想进行人脸替换的图像，特别是模糊或无法清晰辨认的图像。

2. 处理难以识别的图像：

   • 如果源图像包含极端仰脸、侧脸或其他难以识别的情况，可以考虑删除这些图像。您还可以复制一份到 “src” 的 “aligned” 目录，用于个人训练或尝试补充极端角度的素材。

3. 处理有遮挡的图像：

   • 对于有遮挡的图像，不要立即删除它们，因为它们可能需要用于人脸替换。这些图像可以用于训练模型以处理遮挡情况。

4. 修复脸部轮廓识别错误的图像：

   • 如果某些图像的脸部轮廓识别错误，您可以手动进行修复。首先，在 “Debug” 目录中删除相应的图像，然后运行 “data_dst extract faces MANUAL RE-EXTRACT DELETED RESULTS DEBUG.bat” 脚本。此脚本会提示进行区域调整，以修复脸部识别错误的问题。

5. 注意关于"aligned"目录的重要性：

   • 请记住，“aligned” 目录下的所有人脸最终都将用于替换 “src” 目录中的人脸。如果您保留了多个人脸，可能会导致生成多胞胎效果。

三、模型训练

1. 快速训练

初学者或配置有限，可以使用轻量级训练脚本 “train Quick96.bat”。这个脚本通常不需要进行复杂的参数设置。以这个脚本通常使用默认的训练参数，适合初学者或那些希望快速进行训练的人。
如果希望进行更高级的训练，需要进行更多的参数设置和调整。对于初学者，使用 “train Quick96.bat” 是一个不错的起点，可以帮助快速了解DeepFaceLab的工作流程，但在更高级的项目中可能需要更多的自定义设置和调整。

但train Quick96.bat训练出来的模型不能导出模型应用到Deepfacelive直播换脸上。

2. SAEHD和AMP

这两种训练方式需要设置的参数很多，训练过程很缓慢，但效果是最好的。

3.迁移学习

但通常的做法是，找一个效果不错的预训练模型进行训练，以减少训练的时间与更快更好的获取训练效果，但预训练模型的缺点是不能更改分辨率。

1. 预训练模型：

   • 初始阶段，建议使用预训练模型，以减少训练时间并提高效果。

2. batch_size：

   • batch_size 参数控制每个训练批次的图像数量。可以根据硬件性能和需求来调整它，例如从默认值4更改为16。

3. 模型架构选择：

   • 可以选择不同的模型架构，如DF（DeepFace）五官结构、LIAE（Light Image Augmentation Enhancement）等。每个架构有其特点，可以根据需要选择适合的。

4. 输入的宽度：

   • 可以配置不同层的宽度，例如设置中间瓶颈层为256、编码解码层为64。遮罩层的宽度通常是解码层宽度的三分之一。

5. Eyes and mouth priority：

   • 如果有闭眼或张嘴的素材，可以启用 “Eyes and mouth priority” 以提高生成的准确性。

6. 学习率丢弃：

   • 在训练停滞时，可以开启 “Use learning rate dropout” 以帮助模型再次学习。

7. Enable random warp of samples：

   • 在训练的早期阶段，可以启用 “Enable random warp of samples” 以增加训练的难度，后期可以关闭。

8. GAN设置：

   • 可以调整配置参数，如 “GAN power” 和 “GAN dimensions” 来控制生成器对抗网络的性能。

9. 颜色处理：

   • 使用 “color transfer” 来改善光影变化不足。您还可以考虑收集更多具有不同光影下的SRC素材。

10. 梯度裁剪：

    • 必须开启 “Enable gradient clipping” 以防止梯度爆炸问题。

11. Loss参数：

    • 调整 “src/dst loss” 参数以控制损失的权重。预览图中的蓝色和黄色分别代表SRC和DST。

12. Masked training：

    • “masked_training” 设置为 True 意味着只学习蒙板内的区域。

这些设置将影响训练的结果和速度，可以根据您的具体需求进行调整。
当设置完成之后，下面开始跑出时间，就代表已在训练了：

在训练过程中，会显示训练的结果，按P键可以看到下一迭代的效果。