xsl/hair

Files

T

xslandClaude Opus 4.8 554b64a916 feat(接口2): C端生发发际线预览(真实实现，替换Mock)

第一步：按性别把发际线类型贴图渲染到照片，输出 N 张发际线叠加预览图。

- hairline/render.py: 解析 face_ext.obj(502 UV + 64 ribbon扩展面) + OpenCV 逐三角
  仿射 warp 渲染器；关键修复——face_ext.obj 是 OBJ序，用 INDEX_MAP_468 把 MP序
  502点重排成 OBJ序后再投影，否则 ribbon 会错贴到中脸
- hairline/service.py: FaceLandmarker+SegFormer 单例 + 性别贴图映射(扫描去空格)
  + generate_previews 管线(female5/male4)
- 集成点修复: face_landmarks DEFAULT_MODEL_PATH 改 hairline/models/;
  constants HF_FACE_PARSER_MODEL 改本地路径(离线)
- app.py: /api/v1/hair/grow 接真实实现，gender 必填(非法→1004)，返回
  results[].image_base64(不落盘)，校验/鉴权同接口1；lifespan 预热接口2单例；
  补 logging.basicConfig
- 依赖: transformers==4.45.2；SegFormer 权重走 hf-mirror 下载(见 OFFLINE_ASSETS)
- 测试: tests/test_hairline.py(mesh/重排/贴图映射) + test_api 接口2用例，31 全绿

注：SegFormer 受 5090/torch 限制走 CPU(~2.5s/张)，换 cu128 可 SEG_DEVICE=cuda。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

2026-06-14 20:31:41 +08:00

4.3 KiB

Raw Blame History

离线资产清单（内网部署用）

已入库文件（git clone 后自动到位）

以下文件体积适中，已直接提交进 git，clone 仓库即可：

文件	路径	大小	用途
BiSeNet 主权重	`face_analysis/weights/79999_iter.pth`	~53MB	人脸解析分割（接口1方案B，取真实发际线/头顶）
resnet18 骨干	`face_analysis/weights/resnet18-5c106cde.pth`	~45MB	BiSeNet 骨干网络
中文字体	`face_analysis/fonts/NotoSansCJKsc-Regular.otf`	~16MB	标注图中文渲染
MediaPipe 模型	`hairline/models/face_landmarker.task`	~3.7MB	468点人脸关键点检测（接口2）

需手动下载文件（体积过大，不入 git）

SegFormer 人脸分割模型（接口2必需）

文件	路径	大小
model.safetensors	`hairline/models/face-parsing/model.safetensors`	338,580,732 B (~323MB)

下载命令（国内用 hf-mirror 镜像，快很多）：

# 国内镜像（推荐）
curl -L -o hairline/models/face-parsing/model.safetensors \
  "https://hf-mirror.com/jonathandinu/face-parsing/resolve/main/model.safetensors"
# 官方源
# curl -L -o hairline/models/face-parsing/model.safetensors \
#   "https://huggingface.co/jonathandinu/face-parsing/resolve/main/model.safetensors"

sha256 校验：

c2bec795a8c243db71bd95be538fd62559003566466c71237e45c99b920f4b62  hairline/models/face-parsing/model.safetensors

sha256sum hairline/models/face-parsing/model.safetensors

sha256 校验（已入库文件）

468e13ca13a9b43cc0881a9f99083a430e9c0a38abd935431d1c28ee94b26567  face_analysis/weights/79999_iter.pth
5c106cde386e87d4033832f2996f5493238eda96ccf559d1d62760c4de0613f8  face_analysis/weights/resnet18-5c106cde.pth
2c76254f6fc379fddfce0a7e84fb5385bb135d3e399294f6eeb6680d0365b74b  face_analysis/fonts/NotoSansCJKsc-Regular.otf

sha256sum -c <<'EOF'
468e13ca13a9b43cc0881a9f99083a430e9c0a38abd935431d1c28ee94b26567  face_analysis/weights/79999_iter.pth
5c106cde386e87d4033832f2996f5493238eda96ccf559d1d62760c4de0613f8  face_analysis/weights/resnet18-5c106cde.pth
2c76254f6fc379fddfce0a7e84fb5385bb135d3e399294f6eeb6680d0365b74b  face_analysis/fonts/NotoSansCJKsc-Regular.otf
EOF

resnet18 文件名内嵌的 5c106cde 即其官方 sha256 前 8 位（torchvision 命名惯例），与上表一致 = 官方权重无误。

⚠️ resnet18 骨干的离线处理（重要）

BiSeNet 初始化时会调用 torch.utils.model_zoo / torchvision 联网下载 resnet18 骨干，内网会失败报错。两种解法任选其一：

放进 torch 缓存目录（推荐，零改代码）：

mkdir -p ~/.cache/torch/hub/checkpoints/
cp face_analysis/weights/resnet18-5c106cde.pth ~/.cache/torch/hub/checkpoints/

（Windows 路径：%USERPROFILE%\.cache\torch\hub\checkpoints\）

改 BiSeNet 代码，把骨干加载改成从 face_analysis/weights/resnet18-5c106cde.pth 本地读取（load_state_dict(torch.load(本地路径))，并去掉联网下载分支）。

下载来源（联网环境重建用）

79999_iter.pth            https://huggingface.co/ManyOtherFunctions/face-parse-bisent/resolve/main/79999_iter.pth
resnet18-5c106cde.pth     https://download.pytorch.org/models/resnet18-5c106cde.pth
NotoSansCJKsc-Regular.otf https://github.com/notofonts/noto-cjk/raw/main/Sans/OTF/SimplifiedChinese/NotoSansCJKsc-Regular.otf
model.safetensors         https://huggingface.co/jonathandinu/face-parsing/resolve/main/model.safetensors

还差什么（pip 依赖）

模型已就位，但内网机还需要 Python 依赖的离线 wheel 包，否则 pip install 在内网无法联网安装。这部分与目标机的操作系统、Python 版本、CUDA 版本强相关，需确认后单独打包：

worker（GPU 机）：mediapipe / opencv-python / numpy<2 / Pillow / torch+torchvision 的 CUDA 版（按 GPU 的 CUDA 版本选 cu118/cu121 等）/ transformers（接口2 SegFormer）+ FastAPI/uvicorn 全家桶。
网关机：很轻，只需 FastAPI/uvicorn/httpx 等代理依赖，不需要 torch/mediapipe。

架构已拆分（见 docs/系统架构-网关与高性能后端.md）：算法依赖只装在 worker，网关保持轻量。

创建日期：2026-06-14 ｜配套：技术方案 v2.0 / 任务书 v1.3

4.3 KiB Raw Blame History Unescape Escape