换脸软件DFL2.0官方使用手册详解

• 前景提要
• • 2.0主要新增功能
  • 硬件要求
  • 文件目录
  • 术语解释
• 具体过程
• • 1，工作区清理
  • 2，从src视频中提取画面 (data_src.mp4)
  • 3，视频切割 （可选环节）
  • 4，从目标视频中提取画面(data_dst.mp4)
  • 5，提取Data_src中的人脸
  • 6，Data_src 整理
  • 7，Data_dst 数据准备
  • • 7.1 手动人脸提取的操作说明
    • 7.2 Data_dst 数据整理
    • 7.3 XSeg model 的训练和使用（画遮罩）
  • 8，训练
  • • 8.1 参数配置与说明
    • 8.2 Merging合成
    • 8.3 把转化好的帧合成为视频
  • 9，附录：
  • 10，常见问题和回答(来自于网络)
  • 11，笔记（持续更新）

前景提要

2.0主要新增功能

• 2个模型大类: SAEHD 和 Quick 96

• 支持多GPU

• 比DFL 1.0 更快的提脸、训练、合成速度

• 提供人脸素材加强脚本

• 训练支持GAN（一种AI技术），以还原更多细节

• 新增TrueFace参数 – (只支持 DF 模型架构) – 让SRC和DST表情更相似，减少死鱼脸

• 合成阶段附带输出遮罩图片， 方便后期导入其他软件编辑

• 带交互界面的合成脚本（1.0的合成需要手动填参数，非常反人类，这个2.0做的很人性化）

• 提脸使用s3fd算法，并支持手动模式

• 模型分辨率可选择为任意16或32倍数

• 多种模型架构 (两种核心框架DF, LIAE,以及 -U, -D ,-UD 三种附加后缀，这个下文详细展开)

• 使用Xseg遮罩模型，提供自带画遮罩的工具

硬件要求

dfl2.0最新版已经支持英伟达显卡和AMD显卡，但AMD显卡效率不行，买电脑还是推荐英伟达显卡，英伟达GPU 10gb显存以上，CPU i7以上。win10系统，安装英伟达最新驱动程序，cuda11开发工具。

文件目录

• DeepFaceLab 2.0由几个.bat文件组成，这些文件用于执行创建deepfake的各种任务/步骤，它们与两个子文件夹一起位于主文件夹中：

• _internal – 相关源代码

• workspace – 放置你的模型、视频、人脸数据的地方

术语解释

Dataset (faceset) – 是一组从图片帧（从视频中提取）或照片已提取的图像。
DFL 2.0中使用了两个数据集，分别是data_dst和data_src：

• src顾名思义是就是源source, dst就是目标destination。假设我想要把张三的脸放到李四的头上，换一种表述就是我想给李四换张脸。
• “data_dst” “ data_dst”是一个文件夹，其中包含从data_dst.mp4文件提取的帧-这是我们要换脸的目标视频。 它还包含2个文件夹，这些文件夹是在从提取的帧中提取人脸后创建的：“aligned”包含人脸图像（内嵌了人脸特征点数据，用于生成原始遮罩）
  “aligned_debug”包含原始帧，这些帧画出了人脸特征点，用于标识检验人脸提取是否正确（并且不参与训练或合成过程）。清理完数据集后，可以将其删除以节省空间。
• “data_src” 是一个文件夹，用于保存从data_src.mp4文件提取的帧（可以是采访，电影，预告片等），也可以在其中放散装图片-就是您要在换到视频上的人。
• “aligned”包含人脸图像（内嵌了人脸特征点数据，用于生成原始遮罩）
• “aligned_debug”包含原始帧，这些帧画出了人脸特征点，用于标识检验人脸提取是否正确（并且不参与训练或合成过程）。清理完数据集后，可以将其删除以节省空间。
  举个例子：我要做一个马保国替换你自己的人脸的换脸视频。 那么马保国视频就是data_src，你自己视频data_dst，但是在提取脸部之前，必须先从以下对象中提取脸部：
• 对于data_dst，您应该准备目标（目标）视频并将其命名为data_dst.mp4
• 对于data_src，您应该准备源视频（如上例所示）并将其命名为data_src.mp4，或者准备jpg或png格式的图像。从视频中提取帧的过程也称为提取，因此在本指南的其余部分中，我将这两个过程都称为“面部提取”和“帧提取”。
• 如开头所述，所有这些数据都存储在“ workspace”文件夹中。
• data_dst.mp4和data_src.mp4放在workspace文件夹目录；
• data_src文件夹和data_dst文件夹用于放置分解视频得到的原始画面帧或散装图片。运行面部提取后，会在其中自动生成存储人脸的“ aligned”文件夹

具体过程

1，工作区清理

Clear Workspace -删除workspace下所有内容。别手贱点他

2，从src视频中提取画面 (data_src.mp4)

Extract images from video data_src – 从data_src.mp4视频中提取帧并将其放入自动创建的“ data_src”文件夹中，可用选项：-FPS-跳过视频的默认帧速率，输入其他帧速率的数值（例如，输入5将仅以每秒5帧的速度呈现视频，这意味着将提取较少的帧）
–JPG / PNG-选择提取帧的格式，jpg较小，通常质量足够好，因此建议使用，png较大，不能提供明显更高的质量，但是可以选择。

3，视频切割 （可选环节）

cut video (drop video on me) – 通过将视频拖放到该.bat文件中，可以快速将视频剪切为所需的长度。 如果您没有视频编辑软件并且想快速剪切视频，则很有用，可以选择以下选项：

• 从时间开始-视频开始
• 结束时间-视频结束
• 音轨-保留默认设置
• 比特率-让我们更改视频的比特率（质量）-最好保留默认设置

4，从目标视频中提取画面(data_dst.mp4)

extract images from video data_dst FULL FPS – 从data_dst.mp4视频文件中提取帧并将其放入自动创建的“ data_dst”文件夹中，可用选项：JPG/PNG – 同2)

5，提取Data_src中的人脸

准备源数据集的第一步是对齐人脸（把人脸都摆正了），并从位于“ data_src”文件夹中的提取帧中生成512×512面部图像。
有2个选项：

1. data_src faceset extract MANUAL – 手动提取器
2. data_src faceset extract – 使用S3FD算法的自动提取

S3FD和MANUAL提取器的可用选项包括：

• 根据要训练的模型的面部类型选择提取的覆盖区域：
  a) full face (简称F脸，额头部分有些许被裁到)
  b) whole face (简称WF脸，范围更大，整个额头都取了，兼容WF和F脸模型)
  c) head (不常用，给高玩做avatar用，萌新用不到)
• 选择用于面部提取/对齐过程的GPU（或cpu）
• 选择是否生成“ aligned_debug”文件夹

6，Data_src 整理

完成此操作后，下一步是清理错误faceset /数据集/不正确对齐的faces，把不清楚的脸部图片删除掉即可。

data_src view aligned result – 不常用
data_src sort – 给图片排序，方便你筛选错误图片
[0] blur 模糊程度
[1] face yaw direction 俯仰角度
[2] face pitch direction 左右角度
[3] face rect size in source image 人脸在原图中的大小
[4] histogram similarity 颜色直方图相似度
[5] histogram dissimilarity 颜色直方图不相似度
[6] brightness 亮度
[7] hue 颜色色相
[8] amount of black pixels 黑色像素的数量（常用于筛选异常人脸提取结果）
[9] original filename 源文件名字
[10] one face in image 是否是画面中唯一人脸
[11] absolute pixel difference 绝对的像素差异
[12] best faces 筛选最佳的人脸
[13] best faces faster 更快的筛选最佳的人脸
data_src util add landmarks debug images -重新生成debug文件夹

data_src util faceset enhance – 用AI算法提升素材清晰度

data_src util faceset metadata restore and data_src util faceset metadata save – 让我们从源面集/数据集中保存和还原嵌入的对齐数据，以便在提取某些面部图像（例如将它们锐化，编辑眼镜，皮肤瑕疵，颜色校正）后可以对其进行编辑，而不会丢失对齐数据。如果不按此步骤编辑“已对齐”文件夹中的任何图像，则将不会再使用对齐数据和这些图片进行训练，因此，在保持名称相同的情况下，不允许翻转/旋转，仅是简单的编辑，例如彩色 。

data_src util faceset pack and data_src util faceset unpack – 将“aligned”文件夹中的所有面孔打包/解压缩到一个文件中。 主要用于准备自定义的预训练数据集或更易于共享为一个文件。

other) data_src util recover original filename – 将面部图像的名称恢复为原始顺序/文件名（排序后）。 可选，无论SRC face文件名如何，训练和合成都能正确运行

7，Data_dst 数据准备

这里的步骤与源数据集几乎相同，除了少数例外，让我们从面部提取/对齐过程开始。
我们仍然有Manual和S3FD提取方法，但是还有一种结合了这两种方法和一种特殊的手动提取模式，始终会生成“
aligned_debug”文件夹。

data_dst faceset extract MANUAL RE-EXTRACT DELETED ALIGNED_DEBUG – 从“ aligned_debug”文件夹中删除的帧进行手动重新提取。
data_dst faceset extract MANUAL – 纯手动模式
data_dst faceset extract manual fix – 半自动，机器识别不了的会切手动
data_dst faceset extract – 纯自动提取
选项和src的一样，不重复说了

7.1 手动人脸提取的操作说明

启动手动提取器或重新提取器后，将打开一个窗口，您可以在其中手动找到要提取/重新提取的脸部：

• 使用鼠标定位脸部
• 使用鼠标滚轮更改搜索区域的大小
• 确保所有或至少是大多数地标（在某些情况下，取决于角度，照明或当前障碍物，可能无法精确对齐所有地标，因此，请尝试找到一个最能覆盖所有可见位并且是“ t太不对准）落在重要的部位，例如眼睛，嘴巴，鼻子，眉毛上，并正确遵循面部形状，向上箭头指示您面部的“向上”或“顶部”在哪里
• 使用键A更改精度模式，现在地标不会对检测到的面部“粘”太多，但您可能能够更正确地定位地标
• 用户<和>键（或，和。）来回移动，以确认检测到鼠标左键单击并移至下一个或按Enter
• 鼠标右键，用于检测无法检测到的正面或非人脸（需要应用xseg进行正确的遮罩）
• q跳过剩余的面孔并退出提取器（到达最后一张面孔并确认时也会关闭）

7.2 Data_dst 数据整理

对齐data_dst面后，我们必须清理它们，类似于我们使用源faceset / dataset进行处理时，我们将选择一些排序方法，由于它们的工作方式与src完全相同，因此我将不作解释。
但是清理目标数据集与源数据集有所不同，因为我们要使所有存在的帧的所有面对齐（包括可以在XSeg编辑器中标记的受遮挡的面），然后训练XSeg模型以将其遮盖 -有效地使障碍物在学到的面孔上清晰可见，更多的是在下面的XSeg阶段。
这块做法和data_src类似，区别在于，最后合成时是根据dst中aligned文件数量来合成。删掉的dst人脸数据对应的画面就不会换脸

7.3 XSeg model 的训练和使用（画遮罩）

这章比较复杂，萌新先不要使用遮罩。不用遮罩正常也能训练的。

8，训练

有两种模式可以选择:

SAEHD (6GB ): 高质量模型，至少6GB显存
特点/设置

• 最高640×640分辨率，
• 可支持half face, mid-half face, full face, whole face and head face 5中人脸尺寸类型
• 8种模型结构: DF, LIAE, 每种4 个变种 – regular, -U, -D and -UD
• 可调节的批大小（batchsize）
• 可调节的模型各层维度大小
• Auto Backup feature 自动备份
• Preview History预览图存档
• Adjustable Target Iteration 目标迭代次数
• Random Flip (yaw) 随机水平翻转
• Uniform Yaw 按角度顺序来训练
• Eye Priority 眼神训练优先
• Masked Training 带遮罩训练
• GPU Optimizer 优化器放GPU上
• Learning Dropout 学习率自动下降
• Random Warp 随机扭曲
• GAN Training Power 使用GAN
• True Face Training Power 提高人脸相似度
• Face and Background Style Power 提高颜色相似度
• Color Transfer modes 变对素材变色
• Gradient Clipping 梯度裁剪
• Pretrain Mode 使用预训练模式

Quick96 (2-4GB): 低配电脑可用
特点:

• 96×96 分辨率
• 只支持Full Face
• Batch size 4
• 默认DF-UD结构

由于Quick96不可调节，因此您将看到命令窗口弹出并仅询问一个问题-CPU或GPU（如果您有更多问题，它将选择其中之一或同时进行训练）。
但是，SAEHD将为您提供更多调整选项。
在这两种情况下，首先都会出现一个命令行窗口，您可以在其中输入模型设置。 初次使用时，您将可以访问以下说明的所有设置，在使用已经受过训练的模型进行训练并在“模型”文件夹中显示该模型时，您还将收到提示，您可以在其中选择要训练的模型（ （如果您的“模型”文件夹中存在多个模型文件）。
您还将始终提示您选择要在其上运行培训器的GPU或CPU。
启动后将看到的第二件事是预览窗口，如下所示：

• model resolution 模型分辨率
• model architecture 模型结构
• models dimensions (dims settings) 模型维度参数
• face type 人脸类型

8.1 参数配置与说明

• 建议设置为1

• 自动备份频率，0不备份。输入2表示两个小时备份一次

• 建议设置n

• 每次迭代会保存当前训练效果图，你查看模型进步效果，来判断是否已经训练到顶峰了。图存在model内以history结尾的夹中。预览窗图就OK了。这个功能给做专业对试的/p>

• 默认无限制

• 设置一个整数，当迭代次数达到这个值就会自动停止训练，默认为无限制，直到你手动停止为止。

• 建议设置Y

• 当你人脸素材比较少的时候比较有用，通过这个参数将人脸图片垂直翻转，增加素材量。比如目标视频有右侧连，原视频只有左侧脸的时候。但是翻转后的样本和真是的情况可能会有一些误差。素材比较充分的情况下建议关闭，保证相似度，自然度。

• 默认无限制

• 批处理大小设置会影响每次迭代中相互比较的面孔数。 最低值是2，您可以提高到GPU允许的最大值，受GPU影响。 模型分辨率，尺寸越高，启用的功能越多，将需要更多的显存，因此可能需要较小的批处理大小。 建议不要使用低于4的值。批量越大，质量越好，但训练时间越长（迭代时间越长）。 对于初始阶段，可以将其设置为较低的值以加快初始训练的速度，然后将其升高。 最佳值为6-12 。 11gb显存设置为4,24gb显存可以尝试8~16

• 推荐设置256

• 这里你设置了你的模型分辨率，此选项不可重置。分辨率可以从64×64增加到640×640，增量为:16(对于常规和-U架构变体)，32(对于-D和-UD架构变体)。原则上来说分辨率越高，模型学习到的脸就越详细，最终清晰度越高，但是对配置的要求也会越来越高，使用的时间越来越多。

• 建议设置mf

• 这个选项可以指定人脸训练区域的大小，主要包括半脸，中脸，全脸，整脸，头。从左到有，区域越来越大。
  半脸h：主要包括眉毛到嘴巴的区域，眉毛可能会出现问题
  中脸mf：优化了眉毛的处理，面积提升30%，基本解决眉毛的问题。建议）
  全脸f：脸部区域大于中脸，贴合人脸边缘，不包含额头。推荐。
  整脸wf：全脸的基础上，可以解决额头的问题，需要配合遮罩处理（xseg）
  头h：包含整个头部，包括脸和头发，配合遮罩处理实现换头。

• 默认值是0.0(禁用)

• 改选项取值范围为0.xx-1.0 , 使用目的是让合成的人更像src。和GAN强度一样，只有在训练充分并关闭了随机扭曲之后在考虑启用。启用之前，建议先备份。典型值是0.01 ,你可以尝试更低的值，比如0.001,切勿求高。这个参数对性能的影响很小，当然也有可能会导致OOM。

• 默认值是0.0(禁用)。

• 此设置控制图像的面部或背景部分的样式转移，能提升合成质量（说是这么说，但是大部分情况下会蹦）。启用后对性能有影响，可能需要降低bs或禁止GPU优化器，启用前记得备份，使用的数值不要太大。

• 默认使用None，如果后期发现合成效果不好，尝试换一种，只能试，没有标准答案

• 这个选项是用来匹配src和dst的颜色，有几个选项可供选择：
  – rct (reinhard color transfer): 基于 https://www.cs.tau.ac.il/~turkel/imagepa…ansfer.pdf
  – lct (linear color transfer): 使用线性变换将目标图像的颜色分布与源图像的颜色分布匹配。
  – mkl (Monge-Kantorovitch linear): 基于 http://www.mee.tcd.ie/~sigmedia/pmwiki/u…tie07b.pdf
  – idt (Iterative Distribution Transfer): 基于 http://citeseerx.ist.psu.edu/viewdoc/dow…1&type=pdf
  – sot (sliced optimal transfer): 基于 https://dcoeurjo.github.io/OTColorTransfer/

• 默认值为n（禁用）

• 梯度裁剪。实现此功能是为了防止在使用DFL 2.0的各种功能时可能发生的所谓的模型崩溃/损坏。 它对性能的影响很小，因此，如果您真的不想使用它，则必须启用自动备份，因为崩溃后的模型无法恢复，必须将其废弃，并且必须从头开始进行培训。 默认值为n（禁用），但是由于对性能的影响非常低，并且如果保持启用状态，可以防止模型崩溃而节省大量时间。 使用Style Powers时最容易发生模型崩溃，因此强烈建议您启用渐变裁剪或备份（也可以手动进行）。 这个功能最初引入是为了防止模型崩溃（后来好像没啥用了，不开也不太蹦）。 它对性能的影响很小，如果不想使用它，就自觉把自动备份打开，有备无患。

• 默认值为n（禁用）

• 启用预训练过程，该过程使用随机人脸数据集对模型进行初始训练，将其训练约200k-400k次迭代后，可以在开始使用要训练的实际data_src和data_dst进行训练时使用此类模型，因为您可以节省时间不必每次都从0开始全面训练（模型将“知道”面孔的外观，从而加快初始训练阶段）。可以随时启用pretrain选项，但建议在开始时仅对模型进行一次预训练。您还可以使用自己的自定义面集进行预训练，您要做的就是创建一个（可以是data_src或data_dst），然后使用4.2）data_src（或dst）util faceset pack .bat文件打包成一个文件，然后将其重命名为faceset.bak并替换（备份旧的）“ … _ internal pretrain_CelebA”文件夹中的文件。默认值为n（禁用）。但是，如果要节省一些时间，可以去论坛找别人训练好的模型。
  要使用共享的预训练模型，只需下载它，将所有文件直接放入模型文件夹中，开始训练，在选择要训练的模型（如果在模型文件夹中有更多内容）和用于训练的设备后2秒钟内按任意键 （GPU / CPU）来覆盖模型设置，并确保禁用预训练选项，以便您开始正确的训练；如果您启用了预训练选项，则模型将继续进行预训练。 请注意，该模型会将迭代计数恢复为0，这是预训练模型的正常行为。

8.2 Merging合成

训练完模型后，该将学习的人脸合并到原始帧上以形成最终视频了（转换）。为此，我们有对应的转换脚本：

merge SAEHD

双击后，命令行窗口将出现，并带有多个提示。
第一个将询问您是否要使用带交互界面的转化器，默认值为y（启用），建议开启，边调参数边预览。

Use interactive merger( y/n ) :

第二个将询问您要使用哪种模型：
Choose one of saved models, or enter a name to create a new model.
[r] : rename
[d] : delete
[0] : new – latest

第3个会问您要在合并（转换）过程中使用哪个GPU / GPU：
Choose one or several GPU idxs (separated by comma).
[CPU] : CPU
[0] : GeForce GTX 2070 8GB
[0] Which GPU indexes to choose:
按Enter将使用默认值（0）。

完成之后，您将看到一个带有当前设置的命令行窗口以及一个预览窗口，其中显示了操作交互式转换器/合并程序所需的所有控件。

这是命令行窗口和转换器预览窗口的快速浏览：

Converter具有许多选项，可用于更改遮罩类型，大小，羽化/模糊，还可以添加其他颜色转移并进一步锐化/增强最终训练的脸部。

首先调整W/S，E/D快捷键：

这是解释的所有合并/转换器功能的列表：

1. Main overlay modes:

• original: 显示原始画面而没有换脸

• ：

• overlay: 简单地将学习到的脸覆盖在框架上 （推荐用这个，滚石注）

• hist-match: 根据直方图叠加学习的面部和试图以使其匹配（具有2种模式：正常模式和可通过Z切换的蒙版）

• seamless: 使用opencv泊松无缝克隆功能在原始帧的头部上方融合新学习的面部

• seamless hist match: 结合了直方图匹配和无缝匹配。

• raw-rgb: 覆盖原始学习过的脸部而没有任何遮罩

  注意：无缝模式可能导致闪烁。

2. Hist match threshold:在直方图匹配和无缝直方图覆盖模式下控制直方图匹配的强度。

3. Erode mask: 控制遮罩的大小。

4. Blur mask: 使遮罩边缘模糊/羽化，以实现更平滑的过渡。

5. Motion blur: 动态模糊。

• 输入初始参数（转换器模式，模型，GPU / CPU）后，合并将加载所有帧和data_dst对齐的数据，同时，它会计算用于创建此设置控制的运动模糊效果的运动矢量，让您 将其添加到人脸移动的地方，但是即使移动很小，高值也可能使人脸模糊。 该选项仅在“ data_dst / aligned”文件夹中存在一组面孔时才有效-如果在清理过程中某些面孔带有_1前缀（即使只有一个人的面孔），效果将不起作用，同样 如果有一个可以反射目标人员面部的镜子，在这种情况下，您将无法使用运动模糊，并且添加该模糊的唯一方法是分别训练每组面部。
  R – 增加motion blur
  F – 减少motion blur

6. Super resolution: 超分辨率使用与data_src数据集/面部设置增强器类似的算法，它可以为牙齿，眼睛等区域添加更多定义，并增强所学面部的细节/纹理。

7. Blur/sharpen: 使用方块或高斯方法模糊或锐化所学的面部。

8. Face scale: 缩放人脸。

9. Mask modes: 6种遮罩计算方式，效果自己试一遍就知道了

dst: uses masks derived from the shape of the landmarks generated during data_dst faceset/dataset extraction.
learned-prd: uses masks learned during training. Keep shape of SRC faces.
learned-dst: uses masks learned during training. Keep shape of DST faces.
learned-prd*dst: combines both masks, smaller size of both.
learned-prd dst: combines both masks, bigger size of both.
XSeg-prd: uses XSeg model to mask using data from source faces.
XSeg-dst: uses XSeg model to mask using data from destination faces.
XSeg-prddst: combines both masks, smaller size of both.
learned-prddstXSeg-dstprd: combines all 4 mask modes, smaller size of all.

10. Color transfer modes: 与训练过程中的颜色转移类似，您可以使用此功能将学习到的脸部的肤色与原始帧更好地匹配，以实现更加无缝和逼真的脸部交换。 有8种不同的模式：

• RCT
• LCT
• MKL
• MKL-M
• IDT
• IDT-M
• SOT – M
• MIX-M

11. Image degrade modes: 您可以使用3种设置来影响原始帧的外观（不影响换面）：
Denoise – denoises image making it slightly blurry (I – increases effect, K – decrease effect)
Bicubic – blurs the image using bicubic method (O – increases effect, L – decrease effect)
Color – decreases color bit depth (P – increases effect, ; – decrease effect)

附加控件：:

TAB button – 在主预览窗口和帮助屏幕之间切换。
请记住，您只能在主预览窗口中更改参数，按帮助屏幕上的任何其他按钮都不会更改它们。
-/_ and =/ buttons are used to scale the preview window.
Use caps lock to change the increment from 1 to 10 (affects all numerical values).

要保存/覆盖当前一帧中所有下一帧的设置 shift /
要保存/覆盖当前一帧中所有先前帧的设置 shift M
要开始合并所有帧，请按 shift >
要返回第一帧，请按 shift <
要仅转换下一帧，请按 >
要返回上一帧，请按 <

8.3 把转化好的帧合成为视频

合并/转换所有面部之后，“ data_dst”文件夹中将有一个名为“ merged”的文件夹，其中包含构成视频的所有帧。
最后一步是将它们转换回视频，并与data_dst.mp4文件中的原始音轨合并。
为此，您将使用提供的4个.bat文件之一，这些文件将使用FFMPEG将所有帧组合成以下格式之一的视频-avi，mp4，lessless mp4或lossless mov：

• merged to avi
• merged to mov lossless 无损mov
• merged to mp4 lossless 无损MP4
• merged to mp4

9，附录：

src和dst视频素材，任何一个换人了都要重新训练model模型，始终保持一对一。
可以这样：假如src中的视频人物是钢铁侠，那么后面可以找很多钢铁侠的视频素材来充当src素材进行训练，也就是说src中的人物一样，但是具体视频可以多样，dst也如此。

10，常见问题和回答(来自于网络)

（10.1） 1.0和2.0有什么区别/strong>

2.0是经过改进和优化的版本，由于进行了优化，它提供了更好的性能，这意味着您可以训练更高分辨率的模型或更快地训练现有模型。 合并和提取也明显更快。 问题在于DFL 2.0不再支持AMD GPU / OpenCL，唯一的使用方法是与Nvidia
GPU（需要最少3.0 CUDA计算级别的GPU支持）或CPU一起使用。
请记住，在CPU上进行训练的速度要慢得多，其他所有步骤（例如提取和合并（以前称为转换））也要慢得多。
此外，新版本仅提供2种型号-SAEHD和Quick 96，没有H128 / H64 / DF / LIAEF / SAE型号。
同样，从1.0开始的所有训练/预训练模型（SAE / SAEHD）与2.0不兼容，因此您需要训练新模型。
在上面的主要指南中，您还可以了解其他一些更改。

（10.2） 做一次换脸需要多长时间/strong>

根据目标（DST）视频的时长，SRC数据集/面集的大小以及用于训练的硬件（GPU）的模型的类型。
如果您是从头开始训练模型或制作更长的deepfake，则在经过预训练的模型上进行简单，短暂的可能需要半天到5到7天的时间，特别是如果高分辨率全脸型需要额外的时间
培训XSeg模型，甚至在合并视频编辑软件后进行一些工作。 这也取决于您拥有的硬件，如果您的GPU的VRAM较少（4-6
GB），则需要花费更长的时间来训练具有更强大GPU（8-24GB）的模型。
它还取决于您的技能，查找SRC数据集/面容的原始资料的速度，可以找到合适的目标（DST）视频的速度以及为训练准备

来源：HUIM_Wang

声明：本站部分文章及图片转载于互联网，内容版权归原作者所有，如本站任何资料有侵权请您尽早请联系jinwei@zod.com.cn进行处理,非常感谢！