xsl/hair

Fork 0

Files

T

xsl b58cd4c441 优化为4b 模型

2026-07-18 15:30:31 +08:00

5.4 KiB

Raw Blame History

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 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 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：

# 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 跑了一次 SegFormer，_grow_core() 在 hairline_grow.py:879 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 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：

升级 torch 到 cu128：pip install torch torchvision --index-url https://download.pytorch.org/whl/cu128
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 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），_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

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）
短期做（需换 torch）：
- 优化3：SegFormer→GPU
中期探索：
- 优化5：swapHair webui 参数调优
- 优化6：base64→multipart

5.4 KiB Raw Blame History Unescape Escape