前言
前面一文，初步完成了一下 “AI 换脸” 视频处理程序。完成了视频拆帧，拆帧图片人脸融合，已经音频提取和最后的人脸融合图片的整合（也就是将图片和音频组成视频）。但是在人脸融合部分由于是单线程，处理起来非常耗时，所以这里就对那部分进行优化。
优化前情况
"敏捷开发，快速迭代"，好像这种思维从多年前就埋在了脑子里 （借口）。所以前文算是个初版 demo，并且在环境中运行只是用 cmd 来完成，没有使用专门 Python 的 IDE。也很有可能是这个原因，在执行代码里，只要是关于获取当前目录的地方都不起效果，这是一点另一点就是上面重点要解决的，提升人脸替换的处理速度，这里要用到多线程。
编码
\1. 人脸替换部分
用法就不多讲了，Py 相关的文档有讲，以下只是代码片段，可以用这个替换前面文章代码里的 face_replace 函数。经过测试，相同的张数的图片 (这里只有 403 张)，处理时间比前者缩短了半小时。
def face_replace(user_path=""): import threading from pathlib import Path
import cv2 from modelscope.outputs import OutputKeys from modelscope.pipelines import pipeline from modelscope.utils.constant import Tasks import os os.environ['KMP_DUPLICATE_LIB_OK'] = 'True'
max_workers = 2 semaphore = threading.Semaphore(max_workers)
def my_function(img_path):
with semaphore: print(f"{img_path} 开始") image_face_fusion = pipeline(Tasks.image_face_fusion, model='damo/cv_unet-image-face-fusion_damo') template_path = img_path filename = os.path.splitext(os.path.basename(img_path))[0]
result = image_face_fusion(dict(template=template_path, user=user_path)) cv2.imwrite(f'video_imgout/{filename}.jpg', result[OutputKeys.OUTPUT_IMG]) print(f"{filename}.png ok")
threads = [] BASE_PATH = os.path.dirname(__file__) for dirpath, dirnames, filenames in os.walk(BASE_PATH + "/video_img"): for filename in filenames: print(filename) if filename.endswith('.jpg'): file_path = Path(os.path.join(dirpath, filename)) t = threading.Thread(target=my_function, args=(str(file_path),)).start() threads.append(t)
复制代码
pycharm 部分
由于也有一些没有接触过 python 的小伙伴留言，这里就再介绍一下 IDE 的运行，也为了解决在 cmd 中运行出现获取当前路径问题。前面也有文章介绍关于 Python 虚拟环境的创建，这里就跳过了，直接演示在 IDE 中配置虚拟环境和运行代码。
\1. 查看当前环境下的环境列表。
\2. 打开 IDE 创建项目后进入。
\3. 选择 Project，选择已经创建好的虚拟环境。
\4. 查看当前项目是否在该环境下
\5. 最后就可以直接用于代码了。
评论