IOPaint 命令行批处理指南：一条 run 命令跑通千张图片修复

IOPaint 命令行批处理指南一条 run 命令跑通千张图片修复【免费下载链接】IOPaintImage inpainting tool powered by SOTA AI Model. Remove any unwanted object, defect, people from your pictures or erase and replace(powered by stable diffusion) any thing on your pictures.项目地址: https://gitcode.com/GitHub_Trending/io/IOPaintIOPaint 是一个基于 SOTA AI 模型的图像修复inpainting工具支持移除图片中不需要的物体、人物、水印等元素也可通过 Stable Diffusion 擦除并替换图中任意内容。本文聚焦它的命令行批量处理能力从环境安装到目录级批处理帮你把一张张手动修变成一条命令全搞定。5分钟装好环境跑通第一张图开始之前确认两件事系统已安装 Python 3.8 或更高版本终端可以正常执行 pip 安装命令git clone https://gitcode.com/GitHub_Trending/io/IOPaint cd IOPaint pip install -r requirements.txt这三行完成仓库克隆与依赖安装。依赖清单见 requirements.txt核心包含 torch、diffusers、opencv-python 等。安装完成后python -m iopaint即可调用所有子命令。最简命令image、mask、output 三件套批量修复的最小可运行命令只有三对路径参数python -m iopaint run --model lama --device cpu \ --image assets/watermark.jpg --mask assets/unwant_text.jpg \ --output results/watermark_removed.jpg各参数职责--image输入图片可以是单个文件也可以是目录--mask掩码图片标记需要修复的区域白色修复区黑色保留区--output结果保存路径文件或目录执行后终端会显示带百分比的进度条处理完成时在 output 指定位置生成一张 PNG 格式的结果图。⚠️ 常见坑如果--image传的是目录--output也必须是目录不能写成文件路径否则程序会直接报错退出校验逻辑在 batch_processing.py 开头几行。目录批量处理命名即匹配把--image和--mask都指向文件夹时程序按文件主名不含扩展名自动配对无需手动对应python -m iopaint run --model zits --device cuda \ --image ./photos/ --mask ./masks/ --output ./clean_photos/匹配规则实现在glob_images函数中扫描目录下所有.png/.jpg/.jpeg文件以文件主名为 key 建立映射photos/cat.jpg自动匹配masks/cat.png找不到对应掩码的图片会被跳过并记录日志不会中断整批任务掩码尺寸与原图不一致时程序自动用最近邻插值缩放到原图尺寸无需手动对齐。三个修复模型各有所长--model参数决定底层用哪个网络做修复常见选择模型擅长场景源码位置lama大面积缺失快速填充水印去除首选lama.pyzits细节纹理还原更精细适合移除人物后保留背景zits.pybrushnet纹理保持能力强复杂背景修复brushnet/首次运行某个模型时CLI 自动检测本地缓存默认~/.cache不存在则触发下载无需手动操作。用配置文件固化参数告别重复敲命令参数组合一旦调好反复手敲容易出错。IOPaint 支持把参数存到 JSON 文件python -m iopaint dump-config config.json生成的config.json包含InpaintRequest的全部默认字段步数、采样器、高清策略等你只需修改关心的几项。之后每次运行python -m iopaint run --config config.json \ --image ./input/ --mask ./masks/ --output ./output/模型名、设备、高清裁剪阈值等参数全部从配置文件读取命令行只需给出路径团队协作时传一份 config 就能复现结果。显存不够两个优化开关处理高分辨率图片或跑扩散类模型时显存吃紧是常态。两个常用参数--low_mem开启 attention slicing 和 VAE tiling以少量速度换内存--cpu_offload把模型权重卸载到 CPU 内存显著降低显存占用这两个开关定义在 cli.py 中适用于启动 Web 服务或调用扩散模型时。批量run命令本身只暴露--model、--device、--concat等核心选项内存调优主要服务于更重的推理场景。两个典型场景对比场景 A批量去水印原始图片右下角有水印文字对应掩码白色区域标记待修复范围执行命令python -m iopaint run --model lama --device cpu \ --image assets/watermark.jpg --mask assets/unwant_text.jpg \ --output results/watermark_removed.jpg --concat True--concat True会把原图、掩码、修复结果横向拼成一张图方便肉眼对比效果场景 B批量移除多余人物使用 zits 模型处理整目录后背景纹理保留完整人物区域被自然填充跑完之后两步走向全自动化掩码生成自动化启用 interactive_seg.py 交互式分割插件用 Segment Anything 模型快速圈出待修复区域省去手动画掩码的步骤实现标注→处理一条链路。定时任务接入把python -m iopaint run写进 crontab 或 shell 脚本监听特定文件夹新图片落地即自动修复搭出丢进去就出结果的流水线。【免费下载链接】IOPaintImage inpainting tool powered by SOTA AI Model. Remove any unwanted object, defect, people from your pictures or erase and replace(powered by stable diffusion) any thing on your pictures.项目地址: https://gitcode.com/GitHub_Trending/io/IOPaint创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考