xsl/change_hair_3090
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

完善部署脚本兼容性并生成详细部署手册

Browse Source 
- setup.sh: 自动检测 CONDA_BASE（conda info --base），移除 set -e 改为
  错误收集，新增第8步验证 kohya 训练环境（测试 torch/accelerate 加载）
- start_all_services.sh: 自动检测 CONDA_BASE，新增端口冲突检测和
  WebUI 就绪等待（最多60秒轮询）
- stop_all_services.sh: 新增停止脚本，按端口停止三个服务
- py310.yml: 移除硬编码 prefix 路径，避免跨机器部署问题
- DEPLOY.md: 详细部署操作手册，覆盖从 clone 到验证三大功能的全流程
- 已验证: kohya.tar.gz 解压→conda-unpack→PYTHONPATH 加载全部通过
This commit is contained in:
colomi
2026-07-11 19:11:36 +08:00
parent 4b959b3a98
commit 42622e8e1e
5 changed files with 806 additions and 31 deletions
Download Patch File Download Diff File Expand all files Collapse all files
DEPLOY.md
+644
View File
@@ -0,0 +1,644 @@
# 换发型项目部署操作手册
本手册详细描述在全新的 Ubuntu 22.04 + NVIDIA 3090 机器上，从零开始部署并运行换发型、换发色、训练模型三大功能的完整步骤。
---
## 目录
1. [环境前提](#1-环境前提)
2. [安装系统依赖](#2-安装系统依赖)
3. [Clone 代码](#3-clone-代码)
4. [下载网盘文件](#4-下载网盘文件)
5. [运行部署脚本](#5-运行部署脚本)
6. [启动服务](#6-启动服务)
7. [验证功能](#7-验证功能)
8. [API 接口参考](#8-api-接口参考)
9. [停止与重启服务](#9-停止与重启服务)
10. [常见问题排查](#10-常见问题排查)
11. [架构说明](#11-架构说明)
---
## 1. 环境前提
| 项目 | 要求 |
|------|------|
| 操作系统 | Ubuntu 22.04 LTS |
| GPU | NVIDIA RTX 3090（或其他 10GB+ 显存的 NVIDIA GPU） |
| NVIDIA 驱动 | ≥ 525.x（支持 CUDA 11.8） |
| 磁盘空间 | ≥ 90GB（代码 + 模型 + 环境） |
| 网络 | 需要访问 PyPI（创建 py310 环境时下载 pip 包） |
| Python | 不需要预装（通过 conda 管理） |
验证 GPU 和驱动：
```bash
nvidia-smi
# 应显示 GPU 信息和 CUDA 版本（≥ 11.8）
```
---
## 2. 安装系统依赖
### 2.1 安装基础工具
```bash
sudo apt update
sudo apt install -y git curl wget lsof
```
### 2.2 安装 Miniconda（如未安装）
```bash
# 下载并安装 Miniconda
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh -b -p $HOME/miniconda3
# 初始化 conda
$HOME/miniconda3/bin/conda init bash
source ~/.bashrc
# 验证
conda --version
```
### 2.3 配置 conda 镜像（国内可选，加速 py310 创建）
```bash
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
conda config --set show_channel_urls yes
```
---
## 3. Clone 代码
```bash
cd ~
git clone <仓库地址> change_hair_3090
cd change_hair_3090
```
Clone 后的目录结构（仅代码，不含模型/环境）：
```
change_hair_3090/
├── hair_service_sd/ # 换发算法服务代码
├── photo_service/ # 训练调度服务代码
├── stable-diffusion-webui/ # SD WebUI 代码（不含 models/）
├── kohya_ss_home/ # kohya_ss 训练代码（不含 .local/）
├── conda_envs/
│ └── py310.yml # py310 环境定义文件
├── setup.sh # 部署脚本
├── start_all_services.sh # 启动脚本
├── stop_all_services.sh # 停止脚本
└── README.md
```
---
## 4. 下载网盘文件
将网盘上的以下文件/目录下载到项目根目录（与代码合并）。**所有路径必须与下表一致**。
### 4.1 网盘文件清单
| 路径 | 大小 | 说明 |
|------|------|------|
| `hair_service_sd/weights/` | 9.9G | 换发算法模型（matting、分割等） |
| `stable-diffusion-webui/models/` | 41G | SD 模型 + 228 个 LoRA + 辅助模型 |
| `stable-diffusion-webui/extensions/sd-webui-controlnet/` | 4.4G | ControlNet 扩展 |
| `stable-diffusion-webui/repositories/` | 225M | SD 依赖仓库（k-diffusion 等） |
| `kohya_ss_home/.local/` | 7.6G | 训练 pip 包（torch、accelerate、diffusers 等） |
| `kohya_ss_home/.cache/` | 3.3M | CLIP tokenizer 缓存 |
| `kohya_ss_home/kohya_ss/` | 439M | kohya_ss 训练代码 |
| `data/` | 4.9G | 业务数据（参考发型图等） |
| `conda_envs/my_hair.tar.gz` | 4.2G | conda 环境（换发算法服务用） |
| `conda_envs/sdwebui.tar.gz` | 3.6G | conda 环境（SD WebUI 用） |
| `conda_envs/kohya.tar.gz` | 84M | conda 环境（LoRA 训练用，仅含 Python+numpy） |
**合计约 76G**
### 4.2 下载后验证
```bash
cd ~/change_hair_3090
# 检查关键文件是否存在
ls -lh conda_envs/*.tar.gz
ls -d hair_service_sd/weights/
ls -d kohya_ss_home/.local/
ls -d stable-diffusion-webui/models/Stable-diffusion/v1-5-pruned-emaonly.safetensors
```
期望输出：
```
-rw------- ... 84M ... conda_envs/kohya.tar.gz
-rw------- ... 4.2G ... conda_envs/my_hair.tar.gz
-rw------- ... 3.6G ... conda_envs/sdwebui.tar.gz
hair_service_sd/weights/
kohya_ss_home/.local/
stable-diffusion-webui/models/Stable-diffusion/v1-5-pruned-emaonly.safetensors
```
### 4.3 关于 kohya 训练环境的架构说明
LoRA 训练环境由两部分组成，缺一不可：
```
conda_envs/kohya.tar.gz (84M) kohya_ss_home/.local/ (7.6G)
┌─────────────────────────┐ ┌──────────────────────────────────┐
│ Python 3.10 解释器 │ │ torch 2.0.1+cu118 │
│ numpy 1.24.4 │ +PYTHONPATH→ │ accelerate 0.23.0 │
│ tqdm │ │ bitsandbytes 0.41.1 │
│ setuptools 69.5.1 │ │ diffusers 0.21.4 │
│ (conda-pack 打包) │ │ transformers 4.30.2 │
│ │ │ xformers 0.0.21 │
│ │ │ safetensors, pytorch_lightning │
│ │ │ (从 Docker 容器复制的 pip 包) │
└─────────────────────────┘ └──────────────────────────────────┘
```
`kohya.tar.gz` 仅包含 Python 解释器和 numpy（解决版本兼容性），通过 `PYTHONPATH` 环境变量指向 `.local/` 目录来加载 torch 等大包。这样避免重新下载 7.6G 的训练依赖。
---
## 5. 运行部署脚本
```bash
cd ~/change_hair_3090
chmod +x setup.sh start_all_services.sh stop_all_services.sh
./setup.sh
```
### 5.1 setup.sh 执行的 8 个步骤
| 步骤 | 说明 |
|------|------|
| 1/8 | 检查前提条件（git、conda、NVIDIA 驱动） |
| 2/8 | 生成 `configure.ini`（自动替换 `__BASE_DIR__` 为实际路径） |
| 3/8 | 从 conda-pack 恢复 my_hair、sdwebui、kohya 三个 conda 环境 |
| 4/8 | 从 `py310.yml` 创建 py310 环境（需联网下载 pip 包） |
| 5/8 | 检查模型和数据目录完整性 |
| 6/8 | 检查训练底模 `v1-5-pruned-emaonly.safetensors` |
| 7/8 | 创建运行时目录（logs、data/tmp 等） |
| 8/8 | 验证 kohya 训练环境（测试 torch/accelerate 能否加载） |
### 5.2 成功输出
```
=== 换发型项目部署脚本 ===
BASE_DIR: /home/xxx/change_hair_3090
CONDA_BASE: /home/xxx/miniconda3
[1/8] 检查前提条件...
✓ 前提条件满足
[2/8] 生成 configure.ini...
✓ configure.ini 已生成
[3/8] 恢复 conda 环境（my_hair, sdwebui, kohya）...
✓ my_hair 已恢复
✓ sdwebui 已恢复
✓ kohya 已恢复
[4/8] 创建 py310 环境（从 yml）...
✓ py310 已创建
[5/8] 检查模型和数据目录...
✓ hair_service_sd/weights
✓ stable-diffusion-webui/models/Lora
...（全部 ✓）
[6/8] 检查训练底模 v1-5-pruned-emaonly...
✓ v1-5-pruned-emaonly.safetensors 已存在
[7/8] 创建运行时目录...
✓ 运行时目录已创建
[8/8] 验证 kohya 训练环境...
测试 torch/accelerate 加载...
torch=2.0.1+cu118 cuda=True
accelerate=0.23.0
✓ 训练环境验证通过
=== 部署结果 ===
✓ 所有检查通过，部署完成！
```
### 5.3 如果 CONDA_BASE 不在默认路径
```bash
# 方法1：设置环境变量
export CONDA_BASE=/your/conda/path
./setup.sh
# 方法2：脚本会自动通过 `conda info --base` 检测
# 只要 conda 在 PATH 中即可自动找到
```
---
## 6. 启动服务
```bash
./start_all_services.sh
```
### 6.1 启动的三个服务
| 服务 | 端口 | conda 环境 | 功能 |
|------|------|-----------|------|
| hair_service_sd | 8801 | my_hair | 换发型/换发色核心算法 |
| stable-diffusion-webui | 57860 | sdwebui | SD 图生图推理 |
| photo_service | 32678 | py310 | LoRA 训练调度（训练子进程使用 kohya 环境） |
### 6.2 成功输出
```
=== 启动换发型服务 ===
[1/3] 启动 hair_service_sd (端口 8801)...
hair_service_sd 已启动 (PID: xxxx, 端口 8801)
[2/3] 启动 stable-diffusion-webui (端口 57860)...
stable-diffusion-webui 已启动 (PID: xxxx, 端口 57860)
ℹ WebUI 首次启动需加载模型（约 30-60 秒），请耐心等待
[3/3] 启动 photo_service (端口 32678)...
photo_service 已启动 (PID: xxxx, 端口 32678)
=== 所有服务已启动 ===
等待 WebUI 就绪（检查端口 57860）...
✓ WebUI 已就绪
```
### 6.3 查看日志
```bash
# 换发型/换发色服务日志
tail -f logs/hair_service.log
# SD WebUI 日志
tail -f logs/webui.log
# 训练服务日志
tail -f logs/photo_service.log
```
---
## 7. 验证功能
### 7.1 验证服务状态
```bash
# 检查三个端口是否在监听
curl -s http://127.0.0.1:8801/ | head -5
curl -s http://127.0.0.1:57860/sdapi/v1/options | head -5
curl -s http://127.0.0.1:32678/ | head -5
```
### 7.2 验证换发色功能
```bash
# 准备一张人像照片（base64 编码）
IMG_B64=$(base64 -w0 test_photo.jpg)
curl -X POST http://127.0.0.1:8801/hairColor/v2 \
-H "Content-Type: application/json" \
-d "{
\"img\": \"data:image/jpeg;base64,${IMG_B64}\",
\"userId\": \"test_user\",
\"rgb\": \"120,60,30\"
}"
```
参数说明：
- `img`：用户照片，支持 base64（`data:image/jpeg;base64,...`）或 URL
- `userId`：用户标识
- `rgb`：目标发色 RGB 值（如 `120,60,30` 表示棕色）
### 7.3 验证换发型功能
```bash
curl -X POST http://127.0.0.1:8801/api/swapHair/v1 \
-H "Content-Type: application/json" \
-d "{
\"hair_id\": \"<发型ID>\",
\"task_id\": \"test_001\",
\"is_hr\": \"false\",
\"user_img_path\": \"data:image/jpeg;base64,${IMG_B64}\"
}"
```
参数说明：
- `hair_id`：发型 ID（对应 `data/ref_hairstyle/` 目录下的发型）
- `task_id`：任务唯一标识
- `is_hr`：是否高清模式（`"true"` 或 `"false"`）
- `user_img_path`：用户照片，支持 base64 或 URL
### 7.4 验证训练功能
训练需要准备训练素材（10+ 张同一发型的照片），组织成指定目录结构：
```
hair_material_dir/
├── images/
│ └── 1_hairstyle/ # 数字开头的文件夹
│ ├── 001.png # 训练图片（≥10张）
│ ├── 001.txt # 标签文件（自动生成）
│ ├── 002.png
│ ├── 002.txt
│ └── ...
└── model/ # 训练输出目录（需提前创建）
```
发起训练请求：
```bash
curl -X POST http://127.0.0.1:32678/api/hair/train \
-H "Content-Type: application/json" \
-d "{
\"task_id\": \"train_001\",
\"hair_id\": \"test_hair\",
\"hair_material_dir\": \"/home/xxx/change_hair_3090/data/tmp/test_material\"
}"
```
训练日志查看：
```bash
tail -f logs/photo_service.log
# 训练开始后会看到 cmd_train 输出
# 训练完成后会在 hair_material_dir/model/ 下生成 hairstyle_hd_lora.safetensors
```
训练参数（已在代码中固定）：
- 底模：`v1-5-pruned-emaonly.safetensors`
- 训练步数：1500 步
- 分辨率：2000x2000
- LoRA dim：128，alpha：64
- 优化器：AdamW8bit
- 精度：fp16
---
## 8. API 接口参考
### 8.1 换发色 API
| 项目 | 值 |
|------|-----|
| URL | `POST http://<IP>:8801/hairColor/v2` |
| 参数 | `img`（base64或URL）, `userId`, `rgb`（如`"120,60,30"`） |
| 返回 | JSON，含换色后的图片 URL 或 base64 |
### 8.2 换发型 API
| 项目 | 值 |
|------|-----|
| URL | `POST http://<IP>:8801/api/swapHair/v1` |
| 参数 | `hair_id`, `task_id`, `is_hr`, `user_img_path`（base64或URL）, `output_format`（可选） |
| 返回 | JSON，含换发后的图片 URL 或 base64 |
### 8.3 训练 API
| 项目 | 值 |
|------|-----|
| URL | `POST http://<IP>:32678/api/hair/train` |
| 参数 | `task_id`, `hair_id`, `hair_material_dir`（训练素材目录绝对路径） |
| 返回 | `{"state": 0, "msg": "头发lora训练开始", "task_id": "..."}` |
| 训练回调 | 训练完成/失败后 POST 到 `http://127.0.0.1:8801/api/hair/trainCallBack` |
### 8.4 推理 API
| 项目 | 值 |
|------|-----|
| URL | `POST http://<IP>:32678/api/hair/inference` |
| 参数 | `hair_id`, `inference_port`, `hair_material_dir`, `request_json`（SD WebUI img2img 请求体） |
---
## 9. 停止与重启服务
### 9.1 停止所有服务
```bash
./stop_all_services.sh
```
输出：
```
=== 停止换发型服务 ===
✓ 已停止 hair_service_sd (端口 8801, PID xxxx)
✓ 已停止 webui (端口 57860, PID xxxx)
✓ 已停止 photo_service (端口 32678, PID xxxx)
```
### 9.2 重启服务
```bash
./stop_all_services.sh
./start_all_services.sh
```
### 9.3 手动停止单个服务
```bash
kill $(lsof -t -i:8801) # 停止换发服务
kill $(lsof -t -i:57860) # 停止 WebUI
kill $(lsof -t -i:32678) # 停止训练服务
```
---
## 10. 常见问题排查
### 10.1 setup.sh 报错 "conda 未安装"
```bash
# 确认 conda 已安装
which conda
# 如果没有，参考第2.2节安装 Miniconda
```
### 10.2 setup.sh 报错 "CONDA_BASE 不正确"
```bash
# 查找 conda 安装路径
which conda
# 或
conda info --base
# 设置后重新运行
export CONDA_BASE=$(conda info --base)
./setup.sh
```
### 10.3 py310 环境创建失败（网络问题）
py310 环境需要从 PyPI 下载 pip 包（flask、gevent、opencv-python 等）。如果网络不通：
```bash
# 使用国内 PyPI 镜像
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
# 手动创建
conda create -n py310 python=3.10 -y
conda activate py310
pip install flask==3.0.3 gevent==24.2.1 opencv-python==4.10.0.84 numpy==2.0.0 scipy==1.14.0 scikit-image==0.24.0 pillow==10.4.0 requests==2.32.3
```
### 10.4 start_all_services.sh 报 "端口已被占用"
```bash
# 先停止已有服务
./stop_all_services.sh
# 确认端口已释放
lsof -i :8801
lsof -i :57860
lsof -i :32678
# 重新启动
./start_all_services.sh
```
### 10.5 WebUI 启动失败
```bash
# 查看详细日志
tail -100 logs/webui.log
# 常见原因：
# 1. 模型文件缺失 → 检查 stable-diffusion-webui/models/Stable-diffusion/
# 2. 显存不足 → 检查 nvidia-smi
# 3. xformers 兼容性 → 尝试去掉 --xformers 参数
```
### 10.6 训练失败
```bash
# 查看训练日志
tail -100 logs/photo_service.log
# 常见原因：
# 1. 训练素材目录结构不对 → 参考 7.4 节
# 2. 底模缺失 → 检查 v1-5-pruned-emaonly.safetensors
# 3. .local 包损坏 → 重新从网盘下载 kohya_ss_home/.local/
# 4. kohya 环境问题 → 重新运行 setup.sh
```
### 10.7 GPU 不可用（CUDA error）
```bash
# 检查驱动
nvidia-smi
# 检查 CUDA
nvcc --version
# 测试 torch CUDA
CONDA_BASE=$(conda info --base)
PYTHONPATH=$PWD/kohya_ss_home/.local/lib/python3.10/site-packages \
$CONDA_BASE/envs/kohya/bin/python -c "import torch; print(torch.cuda.is_available())"
# 应输出 True
```
### 10.8 内存不足（OOM）
3090 有 24GB 显存。如果同时运行三个服务出现 OOM：
```bash
# 先停止不需要的服务
./stop_all_services.sh
# 只启动需要的服务（如只换发型）
$CONDA_BASE/envs/my_hair/bin/python hair_service_sd/run_copy_cost_colorb64.py &
$CONDA_BASE/envs/sdwebui/bin/python stable-diffusion-webui/webui.py --api --listen --xformers --port 57860 &
```
---
## 11. 架构说明
### 11.1 系统架构
```
用户请求
│
┌─────────────┼─────────────┐
│ │ │
▼ ▼ ▼
┌──────────┐ ┌──────────┐ ┌──────────────┐
│hair_service│ │photo_service│ │stable-diffusion│
│ _sd │ │ │ │ -webui │
│ (8801) │ │ (32678) │ │ (57860) │
└────┬─────┘ └─────┬─────┘ └───────┬────────┘
│ │ │
│ 训练子进程 │
│ │ │
│ ┌────────┴────────┐ │
│ │ kohya conda env │ │
│ │ + .local/ 包 │ │
│ │ accelerate │ │
│ │ train_network │ │
│ └─────────────────┘ │
│ │
▼ ▼
weights/ models/Stable-diffusion/
(换发模型) v1-5-pruned-emaonly.safetensors
models/Lora/ (228个LoRA)
```
### 11.2 数据流
**换发型/换发色**：
```
用户图片 → hair_service_sd(8801) → 调用 WebUI(57860) img2img → 返回结果
```
**训练 LoRA**：
```
训练素材 → photo_service(32678) → kohya环境+accelerate → train_network.py → 生成 LoRA
```
**训练后推理**：
```
用户图片 + LoRA → photo_service(32678) → 复制LoRA到webui/models/Lora/ → WebUI img2img → 返回
```
### 11.3 conda 环境说明
| 环境 | 用途 | 包含内容 | 大小 |
|------|------|---------|------|
| my_hair | 换发算法服务 | torch, cv2, flask, 换发依赖 | 4.2G |
| sdwebui | SD WebUI | torch, xformers, webui 依赖 | 3.6G |
| py310 | 训练调度服务 | flask, gevent, cv2, numpy 2.0 | ~500M |
| kohya | LoRA 训练 | Python 3.10, numpy 1.24 | 84M |
| .local/ | 训练大包（非conda） | torch 2.0.1, accelerate, diffusers | 7.6G |
kohya 环境通过 `PYTHONPATH` 指向 `.local/` 目录来复用训练大包，避免重复下载。
---
## 附录：完整部署速查
```bash
# 1. 安装 conda（如未安装）
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh -b -p $HOME/miniconda3
source ~/.bashrc
# 2. Clone 代码
cd ~
git clone <仓库地址> change_hair_3090
cd change_hair_3090
# 3. 下载网盘文件（合并到项目根目录）
# ... 手动下载 ...
# 4. 部署
chmod +x setup.sh start_all_services.sh stop_all_services.sh
./setup.sh
# 5. 启动
./start_all_services.sh
# 6. 验证
curl http://127.0.0.1:8801/
curl http://127.0.0.1:57860/sdapi/v1/options
curl http://127.0.0.1:32678/
# 7. 停止
./stop_all_services.sh
```
conda_envs/py310.yml
-1
View File
@@ -52,4 +52,3 @@ dependencies:
- werkzeug==3.0.3
- zope-event==5.0
- zope-interface==6.4.post2
prefix: /home/szlc/miniconda3/envs/py310
setup.sh
+69 -19
View File
@@ -1,8 +1,14 @@
#!/bin/bash
set -e
BASE_DIR="$(cd "$(dirname "$0")" && pwd)"
CONDA_BASE="${CONDA_BASE:-/home/szlc/miniconda3}"
# 自动检测 conda 安装路径（优先用环境变量，其次用 conda info --base）
if [ -z "$CONDA_BASE" ]; then
if command -v conda >/dev/null 2>&1; then
CONDA_BASE="$(conda info --base 2>/dev/null)"
fi
fi
CONDA_BASE="${CONDA_BASE:-$HOME/miniconda3}"
# 初始化 conda（脚本中需要 source 才能用 conda activate）
if [ -f "$CONDA_BASE/etc/profile.d/conda.sh" ]; then
@@ -13,68 +19,112 @@ fi
echo "=== 换发型项目部署脚本 ==="
echo "BASE_DIR: $BASE_DIR"
echo "CONDA_BASE: $CONDA_BASE"
echo ""
ERRORS=()
# 1. 检查前提条件
echo "[1/7] 检查前提条件..."
command -v git >/dev/null || { echo "ERROR: git 未安装"; exit 1; }
command -v conda >/dev/null || { echo "ERROR: conda 未安装"; exit 1; }
nvidia-smi >/dev/null 2>&1 || { echo "ERROR: NVIDIA 驱动未安装"; exit 1; }
echo "[1/8] 检查前提条件..."
command -v git >/dev/null || { echo " ✗ git 未安装"; ERRORS+=("git"); }
command -v conda >/dev/null || { echo " ✗ conda 未安装"; ERRORS+=("conda"); }
nvidia-smi >/dev/null 2>&1 || { echo " ✗ NVIDIA 驱动未安装"; ERRORS+=("nvidia-smi"); }
if [ ${#ERRORS[@]} -eq 0 ]; then
echo " ✓ 前提条件满足"
fi
# 2. 生成 configure.ini
echo "[2/7] 生成 configure.ini..."
echo "[2/8] 生成 configure.ini..."
sed "s|__BASE_DIR__|$BASE_DIR|g" "$BASE_DIR/hair_service_sd/config/configure.ini.template" > "$BASE_DIR/hair_service_sd/config/configure.ini"
echo " configure.ini 已生成"
echo " ✓ configure.ini 已生成"
# 3. 恢复 conda 环境（conda-pack）
echo "[3/7] 恢复 conda 环境..."
echo "[3/8] 恢复 conda 环境（my_hair, sdwebui, kohya）..."
for env_name in my_hair sdwebui kohya; do
if [ -f "$BASE_DIR/conda_envs/${env_name}.tar.gz" ]; then
echo " 恢复 $env_name ..."
rm -rf "$CONDA_BASE/envs/$env_name"
mkdir -p "$CONDA_BASE/envs/$env_name"
tar -xzf "$BASE_DIR/conda_envs/${env_name}.tar.gz" -C "$CONDA_BASE/envs/$env_name"
conda activate "$env_name"
conda-unpack # 修复打包后的硬编码路径
conda deactivate
conda activate "$env_name" 2>/dev/null
conda-unpack 2>/dev/null # 修复打包后的硬编码路径
conda deactivate 2>/dev/null
echo " ✓ $env_name 已恢复"
else
echo " ✗ conda_envs/${env_name}.tar.gz 不存在，请从网盘下载"
ERRORS+=("conda_envs/${env_name}.tar.gz")
fi
done
# 4. 创建 py310 环境（从 yml）
echo "[4/7] 创建 py310 环境..."
echo "[4/8] 创建 py310 环境（从 yml）..."
if [ -f "$BASE_DIR/conda_envs/py310.yml" ]; then
conda env create -f "$BASE_DIR/conda_envs/py310.yml" -n py310 2>/dev/null || echo " py310 环境已存在，跳过"
echo " ✓ py310 已就绪"
conda env create -f "$BASE_DIR/conda_envs/py310.yml" -n py310 2>/dev/null && echo " ✓ py310 已创建" || echo " ℹ py310 环境已存在，跳过"
else
echo " ✗ conda_envs/py310.yml 不存在"
ERRORS+=("conda_envs/py310.yml")
fi
# 5. 检查模型/数据目录
echo "[5/7] 检查模型和数据目录..."
echo "[5/8] 检查模型和数据目录..."
for dir in hair_service_sd/weights stable-diffusion-webui/models/Lora stable-diffusion-webui/models/Stable-diffusion stable-diffusion-webui/extensions/sd-webui-controlnet stable-diffusion-webui/repositories kohya_ss_home/.local kohya_ss_home/kohya_ss data/ref_hairstyle; do
if [ -d "$BASE_DIR/$dir" ]; then
echo " ✓ $dir"
else
echo " ✗ $dir 缺失，请从网盘下载"
ERRORS+=("$dir")
fi
done
# 6. 检查训练底模
echo "[6/7] 检查训练底模 v1-5-pruned-emaonly..."
echo "[6/8] 检查训练底模 v1-5-pruned-emaonly..."
if [ -f "$BASE_DIR/stable-diffusion-webui/models/Stable-diffusion/v1-5-pruned-emaonly.safetensors" ]; then
echo " ✓ v1-5-pruned-emaonly.safetensors 已存在"
else
echo " ✗ v1-5-pruned-emaonly.safetensors 缺失，请从网盘下载 models/ 目录"
ERRORS+=("v1-5-pruned-emaonly.safetensors")
fi
# 7. 创建运行时目录
echo "[7/7] 创建运行时目录..."
echo "[7/8] 创建运行时目录..."
mkdir -p "$BASE_DIR/logs"
mkdir -p "$BASE_DIR/data/tmp" "$BASE_DIR/data/res_dir" "$BASE_DIR/data/userImage" "$BASE_DIR/data/user_info"
mkdir -p "$BASE_DIR/kohya_ss_home/train_material"
echo " ✓ 运行时目录已创建"
# 8. 验证 kohya 训练环境
echo "[8/8] 验证 kohya 训练环境..."
KOHYA_PYTHON="$CONDA_BASE/envs/kohya/bin/python"
KOHYA_LOCAL="$BASE_DIR/kohya_ss_home/.local/lib/python3.10/site-packages"
if [ -f "$KOHYA_PYTHON" ] && [ -d "$KOHYA_LOCAL" ]; then
echo " 测试 torch/accelerate 加载..."
if PYTHONPATH="$KOHYA_LOCAL" "$KOHYA_PYTHON" -c "
import torch, accelerate, bitsandbytes, diffusers
print(f' torch={torch.__version__} cuda={torch.cuda.is_available()}')
print(f' accelerate={accelerate.__version__}')
print(' ✓ 训练环境验证通过')
" 2>/dev/null; then
true
else
echo " ✗ 训练环境验证失败，请检查 kohya 环境和 .local 目录"
ERRORS+=("kohya验证")
fi
else
echo " ✗ kohya Python 或 .local 目录不存在，跳过验证"
ERRORS+=("kohya环境")
fi
echo ""
echo "=== 部署完成 ==="
echo "=== 部署结果 ==="
if [ ${#ERRORS[@]} -eq 0 ]; then
echo "✓ 所有检查通过，部署完成！"
else
echo "⚠ 有 ${#ERRORS[@]} 个问题需要处理："
for err in "${ERRORS[@]}"; do
echo " - $err"
done
echo ""
echo "请从网盘下载缺失的文件后重新运行 ./setup.sh"
fi
echo ""
echo "启动服务: ./start_all_services.sh"
start_all_services.sh
+74 -11
View File
@@ -1,24 +1,87 @@
#!/bin/bash
BASE_DIR="$(cd "$(dirname "$0")" && pwd)"
CONDA_BASE="${CONDA_BASE:-/home/szlc/miniconda3}"
# 自动检测 conda 安装路径
if [ -z "$CONDA_BASE" ]; then
if command -v conda >/dev/null 2>&1; then
CONDA_BASE="$(conda info --base 2>/dev/null)"
fi
fi
CONDA_BASE="${CONDA_BASE:-$HOME/miniconda3}"
export CONDA_BASE
mkdir -p "$BASE_DIR/logs"
# 检查端口是否被占用，如占用则提示
check_port() {
local port=$1
local name=$2
if lsof -i :$port >/dev/null 2>&1; then
echo "⚠ 端口 $port ($name) 已被占用，可能服务已在运行"
echo " 如需重启，请先运行: ./stop_all_services.sh"
return 1
fi
return 0
}
echo "=== 启动换发型服务 ==="
echo "BASE_DIR: $BASE_DIR"
echo "CONDA_BASE: $CONDA_BASE"
echo ""
# 检查 conda 环境是否存在
for env_name in my_hair sdwebui py310; do
if [ ! -f "$CONDA_BASE/envs/$env_name/bin/python" ]; then
echo "✗ conda 环境 $env_name 不存在，请先运行 ./setup.sh"
exit 1
fi
done
# 1. hair_service_sd (端口 8801)
cd "$BASE_DIR/hair_service_sd"
nohup "$CONDA_BASE/envs/my_hair/bin/python" run_copy_cost_colorb64.py > "$BASE_DIR/logs/hair_service.log" 2>&1 &
echo "hair_service_sd 已启动 (PID: $!, 端口 8801)"
echo "[1/3] 启动 hair_service_sd (端口 8801)..."
if check_port 8801 "hair_service_sd"; then
cd "$BASE_DIR/hair_service_sd"
nohup "$CONDA_BASE/envs/my_hair/bin/python" run_copy_cost_colorb64.py > "$BASE_DIR/logs/hair_service.log" 2>&1 &
echo " hair_service_sd 已启动 (PID: $!, 端口 8801)"
fi
# 2. stable-diffusion-webui (端口 57860)
cd "$BASE_DIR/stable-diffusion-webui"
nohup "$CONDA_BASE/envs/sdwebui/bin/python" webui.py --api --listen --xformers --port 57860 > "$BASE_DIR/logs/webui.log" 2>&1 &
echo "stable-diffusion-webui 已启动 (PID: $!, 端口 57860)"
echo "[2/3] 启动 stable-diffusion-webui (端口 57860)..."
if check_port 57860 "webui"; then
cd "$BASE_DIR/stable-diffusion-webui"
nohup "$CONDA_BASE/envs/sdwebui/bin/python" webui.py --api --listen --xformers --port 57860 > "$BASE_DIR/logs/webui.log" 2>&1 &
echo " stable-diffusion-webui 已启动 (PID: $!, 端口 57860)"
echo " ℹ WebUI 首次启动需加载模型（约 30-60 秒），请耐心等待"
fi
# 3. photo_service (端口 32678)
cd "$BASE_DIR/photo_service"
nohup "$CONDA_BASE/envs/py310/bin/python" lora_train_service_1.py > "$BASE_DIR/logs/photo_service.log" 2>&1 &
echo "photo_service 已启动 (PID: $!, 端口 32678)"
echo "[3/3] 启动 photo_service (端口 32678)..."
if check_port 32678 "photo_service"; then
cd "$BASE_DIR/photo_service"
nohup "$CONDA_BASE/envs/py310/bin/python" lora_train_service_1.py > "$BASE_DIR/logs/photo_service.log" 2>&1 &
echo " photo_service 已启动 (PID: $!, 端口 32678)"
fi
echo ""
echo "所有服务已在后台启动，日志在 $BASE_DIR/logs/"
echo "=== 所有服务已启动 ==="
echo "日志目录: $BASE_DIR/logs/"
echo ""
echo "查看日志:"
echo " tail -f $BASE_DIR/logs/hair_service.log # 换发型/换发色"
echo " tail -f $BASE_DIR/logs/webui.log # SD WebUI"
echo " tail -f $BASE_DIR/logs/photo_service.log # 训练服务"
echo ""
echo "停止服务: ./stop_all_services.sh"
echo ""
echo "等待 WebUI 就绪（检查端口 57860）..."
for i in $(seq 1 60); do
if curl -s http://127.0.0.1:57860/sdapi/v1/options >/dev/null 2>&1; then
echo "✓ WebUI 已就绪"
break
fi
sleep 2
if [ $i -eq 60 ]; then
echo "⚠ WebUI 60 秒内未就绪，请检查日志: tail -f $BASE_DIR/logs/webui.log"
fi
done
stop_all_services.sh
Executable
+19
View File
@@ -0,0 +1,19 @@
#!/bin/bash
echo "=== 停止换发型服务 ==="
# 按端口停止服务
for port_info in "8801:hair_service_sd" "57860:webui" "32678:photo_service"; do
port="${port_info%%:*}"
name="${port_info##*:}"
if lsof -i :$port >/dev/null 2>&1; then
pid=$(lsof -t -i :$port)
kill $pid 2>/dev/null
echo " ✓ 已停止 $name (端口 $port, PID $pid)"
else
echo " ℹ $name 未在运行 (端口 $port)"
fi
done
echo ""
echo "=== 所有服务已停止 ==="