# 接口2 女性生发 — 耗时分析与优化方案

> 分析日期：2026-07-18
> 基准数据：19张图片 × 5种发际线 = 95次调用，平均 11.1s，最快 8.3s，最慢 14.0s

---

## 一、完整调用链与耗时拆解

以 `girl1.jpg` 单次调用（13.66s）为例，从 [hairline_grow.log](file:///home/ubuntu/hair/log/hairline_grow.log) 提取的精确时间：

```
接口2 generate_grow_results_swap()
│
├─ ① extract_context()                          ~1.8s
│   ├─ FaceLandmarker (MediaPipe) 检测           ~0.5s
│   ├─ FaceParser (SegFormer CPU) 头发分割       ~0.9s  ← 瓶颈③
│   └─ 3D提升 + 平滑                             ~0.4s
│
├─ ② generate_hairline_redraw()                  ~5.8s
│   ├─ detector.detect (MediaPipe)               ~0.01s
│   ├─ SegFormer CPU 头发分割                    ~0.9s  ← 瓶颈③（重复！）
│   ├─ 遮罩计算                                  ~0.08s
│   ├─ _call_swap → swapHair HTTP (:8801)        ~4.8s  ← 瓶颈①（35%）
│   │   └─ change_hair → webui SD1.5 img2img
│   └─ 接缝融合 + band_mask                      ~0.05s
│
└─ ③ _call_local_redraw → ComfyUI Flux-2        ~6.0s  ← 瓶颈②（44%）
    ├─ 上传图片 + 提交工作流                      ~0.3s
    ├─ Flux-2 推理 (steps=4)                     ~4.5s
    ├─ 轮询 /history (sleep=1.0s)                ~0.5s  ← 可优化
    └─ 下载结果图                                ~0.7s
```

### 耗时占比

| 步骤 | 耗时 | 占比 | 可优化 |
|------|------|------|--------|
| swapHair HTTP (webui SD推理) | 4.8s | 35% | ✅ |
| ComfyUI Flux-2 推理 | 6.0s | 44% | ✅ |
| SegFormer CPU × 2次 | 1.8s | 13% | ✅ |
| 其他(MediaPipe+3D+融合) | 1.0s | 8% | — |

---

## 二、优化方案（按收益排序）

### 优化1：ComfyUI 轮询间隔 1.0s → 0.2s（省 ~0.5-0.8s）

**问题**：[comfyui.py:148](file:///home/ubuntu/hair/hairline/comfyui.py#L148) `time.sleep(1.0)` — 每次轮询固定等1秒，Flux-2推理只需~4.5s，但轮询可能多等0.5-1s。

**改法**：
```python
# comfyui.py:148
time.sleep(1.0)  →  time.sleep(0.2)
```

**收益**：每次调用省 0.5-0.8s，95次省 ~60s。

---

### 优化2：避免重复 SegFormer 推理（省 ~0.9s）

**问题**：`extract_context()` 在 [service.py:128](file:///home/ubuntu/hair/hairline/service.py#L128) 跑了一次 SegFormer，`_grow_core()` 在 [hairline_grow.py:879](file:///home/ubuntu/hair/face_analysis/hairline_grow.py#L879) 又跑一次 SegFormer。同一张图做了两次相同的头发分割。

**改法**：让 `generate_hairline_redraw` 接受外部传入的 `parse_map`，跳过内部重复分割。

**收益**：每次调用省 ~0.9s，95次省 ~85s。

---

### 优化3：SegFormer 移到 GPU（省 ~0.9s，需换 torch cu128）

**问题**：[service.py:61](file:///home/ubuntu/hair/hairline/service.py#L61) 注释：
```
⚠️ 本 worker 是 RTX 5090(sm_120)，torch 2.2.2(cu121) 只编到 sm_90
SegFormer 默认走 CPU（~2.5s/张）
```

**改法**：
1. 升级 torch 到 cu128：`pip install torch torchvision --index-url https://download.pytorch.org/whl/cu128`
2. 设置环境变量：`SEG_DEVICE=cuda`

**收益**：SegFormer CPU 0.9s → GPU 0.05s，省 ~0.85s。

---

### 优化4：Flux-2 工作流 steps=4 → 2-3（省 ~1-2s）

**问题**：[0716add-hair-api.json](file:///home/ubuntu/hair/0716add-hair-api.json) 的 KSampler steps=4，每步约 1.1s。

**改法**：修改工作流 JSON 中 KSampler 节点的 `steps` 值。需质量验证。

**收益**：steps 4→2 省 ~2.2s；steps 4→3 省 ~1.1s。

---

### 优化5：swapHair webui 推理优化（省 ~1-2s）

**问题**：swapHair 调 change_hair:8801 → webui:57860 SD1.5 img2img，denoising_strength=0.6。

**可能方向**：
- 降低 denoising_strength（0.6→0.45）
- webui 启用 `--medvram` 或 `--xformers`（已启用 xformers）
- 检查是否可换更快的 sampler（如 DPM++ 2M Karras）

**收益**：需实测验证。

---

### 优化6：base64 编解码优化（省 ~0.2s）

**问题**：`_call_swap` 把图片编成 base64 JSON 传输（[hairline_grow.py:516-521](file:///home/ubuntu/hair/face_analysis/hairline_grow.py#L516-L521)），`_call_local_redraw` 又解一次。大图 base64 编解码耗时显著。

**改法**：用 multipart 上传代替 base64 JSON。

---

## 三、预期收益汇总

| 优化项 | 难度 | 单次省时 | 累计省时(95次) |
|--------|------|---------|---------------|
| 轮询 1s→0.2s | 极简 | 0.5s | 48s |
| 避免重复SegFormer | 中 | 0.9s | 86s |
| SegFormer→GPU | 中(需换torch) | 0.85s | 81s |
| Flux-2 steps 4→2 | 简单(需验证) | 2.2s | 209s |
| swapHair优化 | 复杂 | 1.5s | 143s |
| base64优化 | 中 | 0.2s | 19s |

### 乐观预期

| 阶段 | 平均耗时 | 95次总耗时 |
|------|---------|-----------|
| 当前 | 11.1s | ~17.6分钟 |
| 优化1-3（立即可做） | ~8.8s | ~14分钟 |
| 优化1-4（含Flux-2） | ~6.6s | ~10.5分钟 |
| 全部优化 | ~5.5s | ~8.7分钟 |

---

## 四、推荐优先级

1. **立即做**（无风险，无需换 torch）：
   - 优化1：轮询间隔 0.2s
   - 优化2：避免重复 SegFormer
   - 优化4：Flux-2 steps 4→3（先验证质量）

2. **短期做**（需换 torch）：
   - 优化3：SegFormer→GPU

3. **中期探索**：
   - 优化5：swapHair webui 参数调优
   - 优化6：base64→multipart