change_hair/project/LARGE_FILES.md

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 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：

  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 的部署。

恢复方式：

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）