# 大文件与模型权重说明

> 本仓库只托管代码和配置。模型权重、训练数据等大文件（共约 **200G**）已排除，需另行准备。
> 后续会上传网盘，地址见文末。

---

## 被排除的大目录清单

| 目录 | 大小 | 内容 | 如何恢复 |
|------|------|------|---------|
| `data/` | 123G | 341 个发型的训练素材 + LoRA 权重 | 网盘下载后放到 `data/train_material/` |
| `project/onediff/` | 52G | Stable Diffusion webui + SD模型 + 228个LoRA + ControlNet | 见下方「onediff 恢复」 |
| `project/kohya_ss_home/` | 13G | kohya_ss LoRA 训练框架（第三方） | 见下方「kohya 恢复」 |
| `project/hair_service_sd/weights/` | 9.9G | 人脸检测/关键点/抠图/分割等核心模型权重 | 网盘下载 |
| `project/data/` | 5.4G | 运行时材质数据（ref_hairstyle/hair_template_material 等） | 训练完成后自动生成 |
| `hair_type_images/` | 53M | 本次 30 张发型训练原图 | 网盘下载 |

---

## 1. `project/hair_service_sd/weights/` 核心模型（9.9G）

主服务推理必需。从网盘下载后解压到本目录。包含：

| 文件 | 大小 | 用途 |
|------|------|------|
| `Resnet50_Final.pth` | 109M | RetinaFace 人脸检测 |
| `face_alignment_1k.pth` | 49M | 1000点人脸关键点 |
| `deeplabv3_hair512_360_0520_wl.pth` | 233M | 头发分割 DeepLabV3+ (3分类) |
| `gca-dist-fg-0430-latest_model.pth` | 303M | GCA 头发抠图 |
| `20210927_01.pth` / `faceseg_20210927_01.pth` | 各229M | 人脸分割 U2NET |
| `master_hair_v8_onlyhair_nowarp_all_0709.pt` | 1.1G | SPADE 发型迁移（粗推理） |
| `hair_fusion_0427.pt` | 779M | 发型融合 |
| `ycj_hairstyle_gan_*.pt` / `ycj_haircolor_gan_*.pt` | 各~500M | 发型/发色 GAN |
| `gfpgan_hairline_512_inversion_ratio.pt` | 308M | 人脸增强 GFPGAN |
| `face_enhance_0630.pt` | 284M | 人脸增强 |
| `MMCVFaceRecognitionServer.pth` | 174M | 人脸识别 |
| `kpnts_detect_lyq_20200720.pth` | 255M | 关键点检测 |
| `human_seg_deeplabv3_288_384_sigmoid_msc.pth` | 134M | 人体分割 |
| `ori_hair_checkpoint_7660_0611.pt` | ~ | BaldSeg 光头分割 |
| `mediapipe/face_landmarker.task` | 3.6M | MediaPipe 478点关键点（发际线检测用） |
| 其余 `*.pth/*.pt` | — | 各功能模块权重 |

---

## 2. `project/onediff/` SD webui（52G，第三方）

换发型 SD 推理必需。这是 [AUTOMATIC1111/stable-diffusion-webui](https://github.com/AUTOMATIC1111/stable-diffusion-webui) 的部署。

**恢复方式（二选一）**：
- **A. 网盘下载**：直接下载整个 onediff 目录解压（最快）
- **B. 重新部署**：
  ```bash
  cd project
  git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git onediff/stable-diffusion-webui
  # 然后下载以下模型放到对应目录：
  # models/Stable-diffusion/v1-5-pruned-emaonly.safetensors (4G) — SD底模
  # models/Lora/*.safetensors — 各发型LoRA（由训练生成）
  # models/ControlNet/control_v11p_sd15_canny.pth — ControlNet（可选）
  ```

**关键配置**：
- SD 底模：`v1-5-pruned-emaonly.safetensors`（原项目用 majicmix，本机替换为 v1-5）
- LoRA：训练完成的发型会自动生成到 `models/Lora/`

---

## 3. `project/kohya_ss_home/` 训练框架（13G，第三方）

LoRA 训练用。[kohya-ss/sd-scripts](https://github.com/kohya-ss/sd-scripts) 的部署。

**恢复方式**：
```bash
cd project
git clone https://github.com/bmaltais/kohya_ss.git kohya_ss_home/kohya_ss
# 安装依赖（用 kohya conda 环境）
/home/xsl/miniconda3/envs/kohya/bin/pip install -r kohya_ss_home/kohya_ss/requirements.txt
```

训练入口：`kohya_ss_home/kohya_ss/train_network.py`

---

## 4. `data/train_material/` 训练数据（123G）

341 个发型的 LoRA 训练素材和权重。每个发型一个目录：
```
data/train_material/<hair_id>/
├── images/1_hairstyle/*.png  # 训练图（数据增强后约20张）
└── model/
    └── hairstyle_hd_lora.safetensors  # 训练产出的LoRA权重(~150M)
```

**恢复方式**：
- **网盘下载**：下载后解压到 `data/train_material/`
- **重新训练**：用 `batch_train_hairstyles.py` 重新训练需要的发型（每个约30分钟）

---

## 5. `project/data/` 运行时材质（5.4G）

换发型功能运行时需要的预生成材质。**训练完成发型后会自动生成**，无需手动准备：
- `ref_hairstyle/<hair_id>/` — 每个发型的参考材质（粗推理生成）
- `hair_template_material/<hair_id>/` — 模板材质（抠图+关键点）
- `upload_train_imgs/<hair_id>/` — 上传的训练原图

---

## 训练原图

`hair_type_images/`（30张发型原图，按 `<脸型>-<发型>.jpg` 命名）是本次新增发型的训练源。可从网盘下载，或自行准备同格式图片后用 `batch_train_hairstyles.py` 训练。

---

## 网盘地址

（待补充）—— 大文件上传网盘后，把分享链接填到这里。

---

## 快速检查清单（部署后）

部署完成后，确认以下文件存在：
- [ ] `project/hair_service_sd/weights/Resnet50_Final.pth`（人脸检测）
- [ ] `project/hair_service_sd/weights/face_alignment_1k.pth`（关键点）
- [ ] `project/hair_service_sd/weights/master_hair_v8_onlyhair_nowarp_all_0709.pt`（发型迁移）
- [ ] `project/onediff/stable-diffusion-webui/models/Stable-diffusion/v1-5-pruned-emaonly.safetensors`（SD底模）
- [ ] `data/train_material/<hair_id>/model/hairstyle_hd_lora.safetensors`（至少一个发型的LoRA）