DeOldify构建AI编程工具链：自动化代码生成辅助图像处理项目

DeOldify构建AI编程工具链自动化代码生成辅助图像处理项目最近在做一个老照片修复的项目核心用的是DeOldify这个效果很棒的着色模型。但在实际开发中我发现一个挺有意思的问题围绕DeOldify的集成和前后处理其实有很多重复性的编码工作。比如批量预处理图片、把模型调用封装成易用的API、把修复结果做成可视化报告等等。这些代码写起来不算难但挺耗时间的。我就想既然DeOldify本身是AI那我能不能用另一个AI——也就是现在很火的AI编程助手——来帮我写这些“辅助性”的代码呢这不就成了“用AI服务靠AI编程”的组合拳了吗说干就干。这篇文章我就来分享一下如何利用基于大语言模型的AI编程助手来构建一个围绕DeOldify的自动化代码生成工具链。目标很简单把开发者从那些繁琐、模板化的编码工作中解放出来让我们能更专注于核心的业务逻辑和创新。1. 场景与痛点DeOldify项目中的重复编码在真正开始让AI写代码之前我们得先搞清楚一个典型的DeOldify图像处理项目里哪些环节是“重复且适合自动化”的。1.1 一个典型的DeOldify工作流假设我们要开发一个老照片修复的小应用流程大概是这样的输入准备用户上传一张或多张老照片。这些照片可能是各种格式、大小、颜色模式。预处理我们需要写脚本自动把这些图片调整到DeOldify模型期望的输入尺寸比如缩放统一格式如转为RGB可能还需要做一些基础的增强如调整对比度。模型调用将预处理后的图片送入DeOldify模型进行着色修复。后处理与输出拿到着色后的图片我们可能想批量保存或者生成一个对比图修复前 vs 修复后甚至做一个简单的PDF报告。服务封装如果我们想提供Web API或集成到其他系统还需要把上面的流程封装成类或函数。1.2 开发者的效率瓶颈对于有经验的开发者上面每一步的代码都能写。但问题在于启动成本每次新开一个类似项目都要重新写或复制粘贴一遍预处理、后处理的脚本。细节繁琐处理图片路径、异常捕获如图片损坏、批量操作的进度条、结果目录的组织……这些代码很琐碎容易出错。接口封装为了团队协作或产品化封装一个健壮、易用的API类需要考虑初始化、配置加载、错误处理、日志记录等这又是一件耗时的事。迭代调整当预处理逻辑或输出格式需要微调时需要手动修改多处代码。这些工作并不需要高深的算法知识更多是工程上的“体力活”。而这正是AI编程助手大显身手的地方。2. AI编程助手你的自动化代码生成伙伴AI编程助手简单理解就是一个经过大量代码训练的大语言模型。你用人话描述你想要的功能它就能生成相应的代码片段支持Python、JavaScript等多种语言。2.1 为什么它能帮上忙精通模板代码它“学习”过海量的开源代码对于文件操作、图像处理使用PIL/Pillow, OpenCV、API封装使用Flask, FastAPI、数据可视化使用matplotlib等常见任务的代码模式非常熟悉。理解自然语言指令你不需要记忆精确的函数名或库的导入方式。你可以说“写一个函数用Pillow把文件夹里所有图片缩放到512像素宽并保存到新文件夹”它就能生成大致可用的代码。快速迭代生成的代码如果不完全符合要求你可以继续用自然语言让它修改比如“加上进度条显示”或“如果图片不是RGB模式先转换一下”。这比手动修改更快。2.2 核心使用思路分而治之我们不会让AI一次性生成整个项目。而是将DeOldify项目拆解成多个独立的、功能明确的子任务然后针对每个子任务向AI编程助手提出清晰的请求。这就像把一个大项目分解成许多个小需求逐个实现。3. 实战构建DeOldify的AI编程工具链下面我将以几个具体任务为例展示如何与AI编程助手协作。我会给出我使用的“提示词”即给AI的指令和它生成的核心代码示例。你可以用任何你喜欢的AI编程工具如Cursor、GitHub Copilot、通义灵码等来实践。3.1 任务一自动生成图片批量预处理脚本我的需求我需要一个脚本能遍历指定输入文件夹中的所有图片支持jpg, png将它们统一缩放到长边为512像素保持宽高比并转换为RGB模式然后保存到输出文件夹。我给AI的提示词 “用Python写一个脚本。功能是遍历input_images文件夹里的所有jpg和png图片用PIL库将每张图片等比例缩放使得长边宽度或高度中较大的那个恰好为512像素短边按比例计算。同时确保图片模式是RGB。处理后的图片保存到output_images文件夹保持原文件名。请添加简单的命令行参数解析允许用户指定输入和输出文件夹路径。处理时显示一个进度条。”AI生成的代码核心部分import os from PIL import Image from tqdm import tqdm import argparse def resize_image(image_path, output_path, max_size512): try: with Image.open(image_path) as img: # 转换为RGB if img.mode ! RGB: img img.convert(RGB) # 计算等比例缩放后的新尺寸 width, height img.size if width height: new_width max_size new_height int(height * (max_size / width)) else: new_height max_size new_width int(width * (max_size / height)) # 缩放图像 img_resized img.resize((new_width, new_height), Image.Resampling.LANCZOS) # 保存图像 img_resized.save(output_path) return True except Exception as e: print(f处理图片 {image_path} 时出错: {e}) return False def batch_process(input_dir, output_dir, max_size512): os.makedirs(output_dir, exist_okTrue) # 获取所有图片文件 image_extensions (.jpg, .jpeg, .png, .bmp, .tiff) image_files [f for f in os.listdir(input_dir) if f.lower().endswith(image_extensions)] print(f找到 {len(image_files)} 张待处理图片。) # 使用tqdm添加进度条 for filename in tqdm(image_files, desc处理图片): input_path os.path.join(input_dir, filename) output_path os.path.join(output_dir, filename) resize_image(input_path, output_path, max_size) print(批量处理完成) if __name__ __main__: parser argparse.ArgumentParser(description批量等比例缩放图片至长边为指定像素。) parser.add_argument(--input, typestr, defaultinput_images, help输入图片文件夹路径) parser.add_argument(--output, typestr, defaultoutput_images, help输出图片文件夹路径) parser.add_argument(--size, typeint, default512, help目标长边像素大小) args parser.parse_args() batch_process(args.input, args.output, args.size)我的工作检查生成的代码运行测试一下。可能根据我的具体环境微调比如Image.Resampling.LANCZOS在某些Pillow版本中的写法。整个过程我从零到获得一个可用的脚本只花了几分钟。3.2 任务二自动生成DeOldify模型调用封装类我的需求DeOldify的原始代码可能比较分散。我想封装一个简单的类DeOldifyProcessor它负责初始化模型、加载图片、执行着色、返回结果。这个类应该易于集成并且处理好常见的错误。我给AI的提示词 “假设我已经安装了deoldify库。请帮我写一个Python类DeOldifyProcessor。这个类在初始化时加载‘artistic’模型。它有一个主要方法colorize(image_path, render_factor35)接受图片路径和渲染因子参数调用DeOldify模型进行着色并返回着色后的PIL Image对象。请在类中做好异常处理比如图片路径不存在、模型加载失败等情况并打印友好的错误信息。另外写一个简单的使用示例。”AI生成的代码核心部分import warnings warnings.filterwarnings(ignore) from deoldify import device from deoldify.device_id import DeviceId from deoldify.visualize import * import torch from PIL import Image import os class DeOldifyProcessor: def __init__(self, model_typeartistic, render_factor35): 初始化DeOldify处理器 Args: model_type: 模型类型如 artistic render_factor: 默认渲染因子 self.model_type model_type self.default_render_factor render_factor self.colorizer None self._setup_device() self._load_model() def _setup_device(self): 设置计算设备优先GPU try: device.set(deviceDeviceId.GPU0) # 尝试使用GPU print(使用GPU进行加速。) except: device.set(deviceDeviceId.CPU) print(未检测到GPU使用CPU速度会较慢。) def _load_model(self): 加载指定的DeOldify模型 try: if self.model_type artistic: self.colorizer get_image_colorizer(artisticTrue) else: # 可以扩展其他模型 self.colorizer get_image_colorizer(artisticFalse) print(f{self.model_type} 模型加载成功。) except Exception as e: print(f模型加载失败: {e}) self.colorizer None def colorize(self, image_path, render_factorNone): 对指定图片进行着色处理 Args: image_path: 输入图片路径 render_factor: 渲染因子控制着色效果强度默认使用初始化时的值 Returns: PIL.Image 对象如果处理失败则返回None if self.colorizer is None: print(错误模型未成功加载。) return None if not os.path.exists(image_path): print(f错误图片路径不存在 - {image_path}) return None try: if render_factor is None: render_factor self.default_render_factor # 调用DeOldify着色 result_image self.colorizer.get_transformed_image( pathimage_path, render_factorrender_factor, watermarkedFalse ) if result_image is not None: # 将结果转换为PIL Image (DeOldify返回的可能是) if not isinstance(result_image, Image.Image): result_image Image.fromarray(result_image) return result_image else: print(f着色失败未得到有效结果。) return None except Exception as e: print(f处理图片 {image_path} 时发生错误: {e}) return None # 使用示例 if __name__ __main__: # 初始化处理器 processor DeOldifyProcessor(model_typeartistic) # 处理单张图片 input_image old_photo.jpg if os.path.exists(input_image): colored_img processor.colorize(input_image, render_factor35) if colored_img: colored_img.save(colorized_result.jpg) print(图片处理并保存成功) else: print(示例图片不存在请准备一张测试图片。)我的工作这段代码提供了一个很好的起点。我需要根据我实际安装的DeOldify版本确认get_image_colorizer等函数的准确导入路径和参数。AI帮我搭建了类的骨架、错误处理流程和标准的使用模式我只需做“连接”和“验证”的工作。3.3 任务三自动生成结果可视化与报告代码我的需求处理完一批照片后我想自动生成一个HTML报告里面以表格形式展示每张照片修复前后的对比图并附上文件名。我给AI的提示词 “写一个Python函数generate_comparison_html(input_dir, output_dir, html_path)。它扫描input_dir原图目录和output_dirDeOldify处理后目录中同名的图片。为每一对图片在HTML报告中生成一行包含两列一列显示原图缩略图一列显示修复后的图缩略图下方显示文件名。使用简单的内联CSS让表格美观一些。最后将生成的HTML保存到html_path。”AI生成的代码核心部分import os import base64 from io import BytesIO from PIL import Image def image_to_base64(img_path, thumbnail_size(300, 300)): 将图片转换为base64编码的缩略图字符串用于HTML内嵌显示 try: with Image.open(img_path) as img: img.thumbnail(thumbnail_size) buffered BytesIO() # 统一保存为JPEG格式以减小HTML体积 if img.mode ! RGB: img img.convert(RGB) img.save(buffered, formatJPEG) img_str base64.b64encode(buffered.getvalue()).decode() return fdata:image/jpeg;base64,{img_str} except Exception as e: print(f无法读取或转换图片 {img_path}: {e}) return def generate_comparison_html(input_dir, output_dir, html_pathcomparison_report.html): 生成修复前后图片对比的HTML报告 # 获取两个目录中同名的图片文件假设扩展名可能不同这里取名前缀匹配 input_files {os.path.splitext(f)[0]: f for f in os.listdir(input_dir) if f.lower().endswith((.png, .jpg, .jpeg))} output_files {os.path.splitext(f)[0]: f for f in os.listdir(output_dir) if f.lower().endswith((.png, .jpg, .jpeg))} common_names set(input_files.keys()) set(output_files.keys()) if not common_names: print(未在输入和输出目录中找到同名的图片对。) return rows_html for name in sorted(common_names): input_path os.path.join(input_dir, input_files[name]) output_path os.path.join(output_dir, output_files[name]) input_b64 image_to_base64(input_path) output_b64 image_to_base64(output_path) row f tr td styletext-align: center; padding: 10px; border: 1px solid #ddd; img src{input_b64} alt原图-{name} stylemax-width: 300px; max-height: 300px;br/ small原图: {input_files[name]}/small /td td styletext-align: center; padding: 10px; border: 1px solid #ddd; img src{output_b64} alt修复后-{name} stylemax-width: 300px; max-height: 300px;br/ small修复后: {output_files[name]}/small /td /tr rows_html row html_template f !DOCTYPE html html head titleDeOldify 修复效果对比报告/title style body {{ font-family: Arial, sans-serif; margin: 40px; }} h1 {{ color: #333; }} table {{ border-collapse: collapse; width: 100%; margin-top: 20px; }} th {{ background-color: #f2f2f2; padding: 12px; text-align: center; }} img {{ box-shadow: 2px 2px 5px rgba(0,0,0,0.1); }} .filename {{ color: #666; margin-top: 5px; }} /style /head body h1DeOldify 老照片修复效果对比/h1 p共对比 {len(common_names)} 张图片。/p table border1 thead tr th修复前 (原图)/th th修复后 (DeOldify着色)/th /tr /thead tbody {rows_html} /tbody /table /body /html with open(html_path, w, encodingutf-8) as f: f.write(html_template) print(f对比报告已生成: {html_path}) print(f请在浏览器中打开该文件查看。) # 使用示例 if __name__ __main__: generate_comparison_html(input_images, colorized_output, my_deoldify_report.html)我的工作这个函数非常实用。我可能只需要调整一下缩略图的大小或者修改一下HTML的样式以符合我的审美。AI直接生成了从文件遍历、图片处理Base64编码到HTML构建的完整逻辑。4. 组合与升华从代码片段到工具链通过上面三个例子我们已经拥有了几个关键组件预处理脚本、模型封装类、可视化报告生成器。接下来我们可以让AI编程助手帮我们做更高级的集成。例如创建一个主流程脚本 我可以给AI这样的提示词“写一个main.py脚本它使用上面定义的DeOldifyProcessor类。首先调用预处理脚本处理raw_photos文件夹中的图片然后将处理后的图片用DeOldify着色最后调用报告生成函数创建一个包含所有图片修复前后对比的HTML报告。请组织好代码并添加必要的参数配置。”AI会根据它“看到”的上下文或者我粘贴进去的类定义尝试生成一个串联整个流程的脚本。这能极大地减少我手动编写胶水代码的时间。再比如生成Web API接口 “基于Flask框架写一个简单的Web API。提供一个/colorize的POST接口接收上传的图片文件使用DeOldifyProcessor进行处理然后将着色后的图片以字节流返回。请包含错误处理和基本的CORS支持。”5. 总结与展望通过这个项目实践我深刻感受到“AI服务 AI编程”这种模式的潜力。DeOldify作为AI服务提供了强大的图像修复能力而AI编程助手则成为了加速其工程化落地的“催化剂”。它带来的改变是显而易见的开发速度倍增过去需要搜索文档、回忆语法、调试边界条件才能写出来的脚本现在通过自然语言对话就能快速获得初版我只需要进行审查、测试和微调。专注核心价值我可以把更多精力花在如何设计更好的用户体验、如何优化DeOldify的参数以获得更佳效果、如何将整个服务部署上线等更有创造性的问题上而不是被困在文件路径处理和异常捕获的细节里。降低入门门槛对于刚接触图像处理或DeOldify的开发者AI编程助手能提供一个非常直观的“代码示例生成器”帮助他们快速理解项目结构和常用库的用法。当然这并不意味着开发者变成了“代码搬运工”。AI生成的代码并非总是完美可能存在逻辑漏洞、库版本不兼容、或者效率问题。开发者的核心价值在于提出精准的需求、设计合理的架构、审查和修正AI生成的代码、并将其集成为一个稳定可靠的系统。AI编程助手是一个强大的副驾驶但方向盘和目的地始终掌握在开发者手中。未来随着AI编程助手理解能力和代码生成质量的持续提升我们可以期待更复杂的自动化工具链出现。也许有一天我们只需要用语言描述一个完整的项目目标和架构AI就能生成出可运行的原型代码。但在那一天到来之前像今天这样人机协作让AI处理繁琐模式让人专注于创造与决策已经是提升开发效率非常有效的新范式了。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。