facefusion服务化改造_facefusion 修改端口.docx

facefusion服务化改造

facefusion服务化改造

代码：\h/hzlxf/facefusion-http-api

facefusion有两种使用方式，一种是官方文档上面写的，安装好后直接运行pythonrun.py，这会提供一个web的交互界面，相当友好。另一种是在这基础上，添加--headless的参数，同时，指定如source,input,output等其它一大堆参数，命令行运行。参数表可以--help显示，也可以阅读facefusion/core.py中的cli()函数查阅。

但是如果我们要把它作为我们的服务，对外提供接口，就都不太合适了。首先headless的方式是肯定不行的，每次运行都要加载模型，多耗时啊。

而web的方式呢？通过F12查看其接口，发现其\h请求体、接口十分不规则，不符合常见的http接口的形式，很难推断出接口参数是什么。（除了upload，就全TM是/run/predict这个接口）

针对性的研究facefusion关于代码逻辑后发现，这是由于facefusion的前端并不是通过常见的前端框架开发的，而是通过一个叫gradio的库。这个库是专门给研究员们进行算法可视化，展示demo用的。（看了一下文档，还确实挺方便的，前后端都不用写，声明一下就行了。专属算法人员的“低代码”框架无疑了）

不得已，简单的研究一下源码，看它是怎么调用算法的，然后我们自己用fastapi手撸一个服务接口得了。

首先还是在入口函数，facefusion/core.py这里。cli()这个函数是命令行的入口。在这里定义了所有的参数，也设了默认值。

defcli()-None:

signal.signal(signal.SIGINT,lambdasignal_number,frame:destroy())

program=ArgumentParser(formatter_class=lambdaprog:HelpFormatter(prog,max_help_position=130),add_help=False)

#general

program.add_argument(-s,--source,help=wording.get(help.source),action=append,dest=source_paths,default=c

program.add_argument(-t,--target,help=wording.get(help.target),dest=target_path,default=config.get_str_value(

program.add_argument(-o,--output,help=wording.get(help.output),dest=output_path,default=config.get_str_value(

program.add_argument(-v,--version,version=metadata.get(name)++metadata.get(version),action=version)

9

10 #省略若干行

11

12 run(program)

最后一个run的函数，就是执行算法的真正入口了。跟踪进去看看。

defrun(program:ArgumentParser)-None:

apply_args(program)

logger.init(facefusion.globals.log_level)

iffacefusion.globals.system_memory_limit0:

limit_system_memory(facefusion.globals.system_memory_limit)

ifnotpre_check()ornotcontent_analyser.pre_check()ornotface_analyser.pre_check()ornotface_masker.pre_check():

return

forframe_processor_moduleinget_frame_processors_modules(facefusion.globals.frame_processors):

ifnotframe_processor_module.pre_check():

return

iffacefusion.globals.headless:

conditional_process