DeOldify一键部署教程：基于Ubuntu 20.04的GPU环境快速搭建

DeOldify一键部署教程基于Ubuntu 20.04的GPU环境快速搭建你是不是也见过那些黑白老照片心里总想着要是能还原成彩色该多好以前这活儿得靠专业设计师花不少功夫现在有了AI这事儿就简单多了。DeOldify就是一个专门给黑白照片和视频上色的开源项目效果相当惊艳能让尘封的记忆重新焕发光彩。今天这篇教程就是带你从零开始在Ubuntu 20.04系统上特别是利用GPU来快速部署DeOldify。整个过程我尽量讲得简单点就算你之前没怎么接触过Linux或者AI模型部署跟着步骤走也能搞定。我们会从检查系统环境开始一步步装好驱动、配置环境直到最后成功运行模型。中间可能遇到的坑比如依赖包冲突、显存不够用这些常见问题我也会告诉你怎么办。好了咱们废话不多说直接开始动手。1. 动手前的准备工作在开始敲命令之前有几件事需要先确认好这能帮你避开很多不必要的麻烦。1.1 确认你的系统环境首先你得有一台运行Ubuntu 20.04的电脑或者服务器。打开终端输入下面的命令看看系统信息lsb_release -a输出里应该能看到Description: Ubuntu 20.04.x LTS这样的字样。如果不是20.04后面的步骤可能会因为软件包版本不同而出问题。接下来检查一下你的显卡。DeOldify用GPU跑起来会快很多尤其是处理视频的时候。输入lspci | grep -i nvidia如果能看到NVIDIA显卡的信息比如GeForce RTX 3080那就说明硬件是支持的。如果用的是云服务器比如CSDN星图镜像广场提供的GPU实例通常都已经配好了相应的显卡。1.2 了解一键部署的优势如果你是第一次在Ubuntu上配置AI环境可能会觉得装驱动、配CUDA这些步骤有点复杂。这里有个好消息现在很多云平台提供了预配置好的环境。比如你可以直接选择一个已经安装了NVIDIA驱动、CUDA和cuDNN的Ubuntu 20.04镜像。这就好比你去租房直接找了个精装修、家电齐全的房子拎包入住就行省去了自己买家具、装水电的麻烦。这种“一键部署”的方式能让你跳过最繁琐的基础环境搭建直接把精力集中在运行DeOldify本身上效率高多了。2. 搭建核心运行环境基础打牢后面才稳。这一步我们要把DeOldify赖以生存的“土壤”——GPU驱动和Python环境——给准备好。2.1 安装NVIDIA驱动和CUDA工具包如果你的系统还没装NVIDIA驱动可以这么装。首先更新软件包列表并安装一些必要的工具sudo apt update sudo apt install ubuntu-drivers-common然后查看推荐安装的驱动版本ubuntu-drivers devices它会列出可用的驱动通常选择推荐recommended的那个版本进行安装sudo apt install nvidia-driver-XXX # 把XXX换成具体的版本号例如525安装完成后一定要重启系统sudo reboot重启后在终端输入nvidia-smi。如果能看到显卡的详细信息表格包括驱动版本、CUDA版本和显存使用情况那就说明驱动安装成功了。接下来安装CUDA。DeOldify依赖PyTorch而PyTorch又需要CUDA。访问NVIDIA官网找到适合CUDA 11.3这是当前PyTorch稳定版兼容较好的一个版本的安装命令。对于Ubuntu 20.04大概长这样wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-ubuntu2004.pin sudo mv cuda-ubuntu2004.pin /etc/apt/preferences.d/cuda-repository-pin-600 sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/3bf863cc.pub sudo add-apt-repository deb https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/ / sudo apt update sudo apt install cuda-11-3安装完成后将CUDA添加到环境变量。编辑你的~/.bashrc文件nano ~/.bashrc在文件末尾添加export PATH/usr/local/cuda-11.3/bin${PATH::${PATH}} export LD_LIBRARY_PATH/usr/local/cuda-11.3/lib64${LD_LIBRARY_PATH::${LD_LIBRARY_PATH}}保存退出后执行source ~/.bashrc让配置生效。用nvcc --version命令验证CUDA是否安装成功。2.2 配置Python虚拟环境我强烈建议使用虚拟环境它能把你这个项目的依赖包和系统其他的Python包隔离开避免版本冲突。首先确保安装了Python3和pip。Ubuntu 20.04一般自带Python3.8。然后安装虚拟环境管理工具venvsudo apt install python3-pip python3-venv创建一个专门用于DeOldify的虚拟环境比如叫deoldify_envpython3 -m venv deoldify_env激活这个虚拟环境source deoldify_env/bin/activate激活后你的命令行提示符前面通常会显示(deoldify_env)表示你已经在这个独立的环境里了。接下来所有pip安装的包都只会装在这个环境里。3. 获取并安装DeOldify环境准备好了现在可以把“主角”请进来了。3.1 拉取源代码与安装依赖首先我们通过git把DeOldify的代码克隆到本地git clone https://github.com/jantic/DeOldify.git cd DeOldify项目根目录下会有一个requirements.txt文件里面列出了所有需要的Python库。我们直接用pip安装它们pip install -r requirements.txt这个过程可能会花点时间因为要装的东西比较多包括PyTorch、TorchVision、Jupyter Notebook等等。如果中间遇到某个包安装特别慢可以考虑临时切换一下pip的源到国内镜像比如清华源。这里有个常见坑点requirements.txt里指定的某些库版本可能已经过时与你刚安装的CUDA 11.3不兼容。最可能出问题的是torch和torchvision。如果安装后运行报错可以尝试手动安装指定版本的PyTorch。退出当前的虚拟环境deactivate删除它重新创建并激活然后执行pip install torch1.12.1cu113 torchvision0.13.1cu113 --extra-index-url https://download.pytorch.org/whl/cu113这个命令指定了适配CUDA 11.3的PyTorch版本。3.2 下载模型权重文件DeOldify的效果依赖于它预训练好的模型文件。官方提供了几个不同的模型适用于艺术化渲染或逼真渲染等不同风格。在项目根目录下创建一个文件夹来存放模型mkdir models cd models然后下载主要的模型权重文件。你可以直接使用wget命令下载wget https://data.deepai.org/deoldify/ColorizeArtistic_gen.pth wget https://data.deepai.org/deoldify/ColorizeStable_gen.pthColorizeArtistic_gen.pth倾向于产生更生动、有时带点艺术感的色彩ColorizeStable_gen.pth则更追求稳定和逼真的着色效果。你可以都下载下来后续根据需要选择使用。4. 快速上手让你的第一张照片焕彩东西都齐了是时候看看效果了。DeOldify提供了好几种使用方式我们挑最简单直接的Jupyter Notebook来试试。4.1 启动并熟悉Notebook确保你在项目根目录下并且虚拟环境已经激活。启动Jupyter Notebookjupyter notebook --ip0.0.0.0 --allow-root如果你的服务器没有图形界面这条命令会让Notebook在后台运行并允许远程访问。在本地浏览器中你应该可以通过服务器IP地址和端口通常是http://你的服务器IP:8888访问到Notebook界面。打开界面后找到并进入notebooks文件夹里面有几个示例Notebook文件。我们打开ImageColorizer.ipynb这个是专门用于图片上色的。4.2 运行第一个上色示例在Notebook里代码被分成一个个“单元格”。你不需要理解每一行代码只需要找到关键部分。通常前面几个单元格是导入模块和设置参数。你需要留意一个叫render_factor的参数它可以简单理解为渲染的“强度”或“细腻度”值越大比如35细节可能更丰富但速度慢值小比如15则速度快但可能忽略一些细节。第一次可以先用默认值。最关键的一步是指定你要上色的图片路径。在Notebook里你会看到类似这样的代码块colorizer.plot_transformed_image( path./test_images/your_old_photo.jpg, render_factor35, compareTrue )你需要把./test_images/your_old_photo.jpg换成你自己的图片路径。比如如果你把一张名为grandpa.jpg的老照片放在了项目根目录就改成path./grandpa.jpg。选中这个代码单元格然后点击工具栏的“运行”按钮或者按ShiftEnter。Notebook就会开始工作调用GPU进行渲染。稍等片刻它就会在同一单元格下方显示出三张图原图、上色后的图以及两者的对比图。看到黑白照片瞬间有了颜色是不是挺神奇的你可以多换几张照片试试感受一下不同render_factor值带来的效果差异。5. 可能会遇到的问题及解决办法第一次运行难免会遇到点小波折。这里我把几个常见问题及解决方法列出来你遇到时可以对照看看。问题一运行时报错提示缺少某个库或版本冲突。这多半是依赖问题。首先确保你是在虚拟环境里安装的requirements.txt。如果还不行可以尝试单独升级或降级出错的包比如pip install --upgrade 包名或pip install 包名特定版本。手动安装适配CUDA的PyTorch如3.2节所述也常常能解决核心冲突。问题二运行过程中程序崩溃提示“CUDA out of memory”。这是显存不够用了。处理高分辨率图片或视频时尤其容易发生。解决方法有几种降低render_factor的值。在代码中尝试减小处理图片的尺寸如果Notebook支持设置。如果你用的是云服务器考虑升级到显存更大的GPU实例。关闭其他占用显存的程序。问题三上色效果不理想颜色奇怪或溢出。DeOldify虽然是AI但也不是万能的。对于某些特定类型如严重泛黄、有大面积破损的老照片效果可能不佳。可以尝试换用另一个模型文件试试Artistic 和 Stable 风格不同。适当调整render_factor有时调低一点反而更自然。对原图进行一下简单的预处理比如用图像软件稍微调整一下对比度和亮度有时会有帮助。问题四想处理视频怎么办项目里同样有VideoColorizer.ipynb这个Notebook。用法类似但处理视频耗时很长对GPU显存要求也更高。建议先从很短的小视频片段开始尝试。6. 写在最后跟着上面这些步骤走一遍你应该已经在Ubuntu 20.04上成功让DeOldify跑起来了。整个过程最核心的其实就是把环境配好特别是GPU驱动和CUDA那一步一旦打通后面拉代码、装依赖都是比较标准的流程。用下来感觉DeOldify对于大多数普通的老照片上色需求效果已经相当够用了操作起来也不复杂。当然它也不是魔法对于保存状况极差或者本身就很特殊的图片可能需要多调整几次参数或者结合一些图像预处理技巧。如果你只是想快速体验不想在环境配置上花费时间那么选择那些提供了预装好所有驱动和框架的云服务器镜像确实是最省心的路子真正做到了一键部署开箱即用。接下来你可以多找些家人的老照片试试给记忆重新上色这本身就是件很有意义也很有趣的事。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。