IOPaint 教程用 Lama Cleaner 命令行抹去图片中的水印与路人【免费下载链接】IOPaintImage inpainting tool powered by SOTA AI Model. Remove any unwanted object, defect, people from your pictures or erase and replace(powered by stable diffusion) any thing on your pictures.项目地址: https://gitcode.com/GitHub_Trending/io/IOPaintIOPaint 是一个开源的 AI 图片修复工具其中 Lama Cleaner 模块专做一件事根据你涂抹的遮罩把图片里不想要的物体、文字、水印抹掉并用周围内容自然补全。跟着本文操作你无需打开任何修图软件仅凭几条命令行就能完成 AI 图片擦除从单张图一路用到整目录批量处理还能切换到 Web 界面用画笔直接画遮罩。 安装项目并预下载 Lama 模型先克隆仓库。执行下面的命令把源码拉取到本地git clone https://gitcode.com/GitHub_Trending/io/IOPaint cd IOPaint然后安装 Python 依赖。torch、diffusers、typer 等库都会装好首次安装耗时较长属正常现象pip install -r requirements.txt依赖装完后建议先把预训练的 Lama 模型下载下来避免正式跑任务时卡在下载环节。执行后终端会打印Downloading lama...完成后显示Done.python main.py download --model lama模型默认存放在用户目录下的~/.cache中遵循XDG_CACHE_HOME环境变量磁盘紧张时可用--model-dir指定其他路径。用下面这条命令列出已下载模型看到lama出现在列表中即代表下载成功python main.py list其实run命令在发现模型缺失时会自动补下载见 iopaint/cli.py 中的逻辑但预下载能让批量任务少一个不确定性。 准备遮罩图白色就是要擦掉的区域Lama Cleaner 的工作方式是擦除而非替换它只负责把遮罩区域的内容用周围像素合理填充不会凭空生成新东西。因此第一步永远是准备遮罩mask。遮罩就是一张和原图对齐的黑白图规则很简单白色亮度 ≥127的区域会被擦除黑色区域保持原样灰色会被代码直接二值化为纯黑或纯白所以涂得深浅都无所谓批量处理时遮罩尺寸可以和原图不一致——程序会自动缩放缩放与二值化逻辑在 iopaint/batch_processing.py。用任意绘图工具在原图副本上把要抹掉的部分涂白、另存为 PNG 即可。单张与批量图片擦除的命令行写法单张图最核心的命令长这样--image指原图--mask指你涂好的遮罩--output是输出文件路径python main.py run \ --model lama \ --image assets/watermark.jpg \ --mask my_mask.png \ # 你准备好的遮罩白色区域为擦除区 --output result.png执行后终端出现Batch processing...进度条跑完在输出位置生成一张 PNG。注意run的输出固定是 PNG 格式文件名沿用输入图的名称去掉扩展名。仓库自带 assets/watermark.jpg 和 assets/unwant_person.jpg 这类样图可以直接拿来练手。多张图则把--image和--mask都换成目录。这里有个硬性约定遮罩文件必须与原图同名如photo_a.jpg对应photo_a.png遮罩同名遮罩缺失的图片会被跳过并在日志里提示mask for ... not found。如果你只想给所有图用同一张遮罩--mask指向单个文件即可。python main.py run \ --model lama \ --image ./photos/ \ --mask ./masks/ \ # 目录内遮罩需与原图同名 --output ./cleaned/ \ --concat \ # 把 原图|遮罩|结果 拼成一张对比图执行完成后./cleaned/下会生成与输入同名的 PNG。加--concat会横向拼接三栏对比图验收效果时非常直观。为不同图片挑选合适的擦除模型--model不只是lama一个选项。IOPaint 内置了多个擦除模型模型注册表见 iopaint/model/Lama 只是其中速度和质量平衡最好的默认项模型适用场景特点lama照片中的水印、杂物、路人默认项速度快通用性强anime-lama动漫、漫画线稿专为二次元内容训练iopaint/model/lama.py 中定义了AnimeLaMamat/fcf大面积缺失、复杂纹理精度更高速度更慢zits老照片划痕修复默认叠加线框处理cv2不需要 AI 的轻量修补调用 OpenCV几乎无额外依赖切换模型只需改一个参数例如处理漫画时python main.py run \ --model anime-lama \ --image assets/manga.png \ --mask my_mask.png \ --output manga_clean.png命令执行流程与lama完全一致只是首次运行会自动下载约 237MB 的动漫专用权重。拿不准就用lama。它覆盖绝大多数日常擦除需求其他模型留给你确认效果不够好时再换。调参设备、高清策略与输出控制run命令本身参数不多但配合--config传入的 JSON 文件可以控制擦除模型的预处理策略。高清大图默认会走裁剪拼接CROP策略避免画质损失相关字段定义在 iopaint/schema.py 的InpaintRequest中。把常用设置存成config.json就能反复使用{ hd_strategy: CROP, hd_strategy_crop_trigger_size: 800, hd_strategy_crop_margin: 128 }参数作用说明--device cpu指定运行设备默认就是 CPULama 模型轻量无 GPU 也能跑有 NVIDIA 显卡可填cuda--model-dir自定义模型存放目录默认~/.cache换盘或换用户时很实用--config读取 JSON 配置把上表中的高清策略、输出细节固化下来hd_strategy大图预处理方式CROP按 800px 触发裁剪默认RESIZE则整体缩到 1280px 以内--concat生成三栏对比图验收批量结果时省得来回切换文件图片越长边超过 800 像素裁剪策略就会生效如果你发现超大图边缘出现拼接痕迹可以把hd_strategy_crop_trigger_size调大或改用RESIZE。用 Web 界面交互涂抹不想每次画遮罩都切到别的软件可以直接起 Web 服务在浏览器里用画笔涂、实时看结果python main.py start \ --model lama \ --inbrowser \ # 启动后自动打开浏览器 --port 8080服务地址是127.0.0.1:8080页面内包含画笔、遮罩管理、模型切换和历史记录。start还支持按需开启插件按需追加即可python main.py start --model lama --enable-gfpgan --enable-realesrgan--enable-gfpgan用于人脸修复--enable-realesrgan做超分辨率放大--enable-remove-bg抠背景--quality控制服务端输出图片质量0-100。每个插件首次启用都会各自下载权重网络不好时预留一些时间。常见卡点与解法模型下载慢或中断。权重源是 GitHub Release网络不佳时最省事的做法是用环境变量换镜像export LAMA_MODEL_URL你的镜像地址动漫模型对应ANIME_LAMA_MODEL_URL见 iopaint/model/lama.py然后重新执行python main.py download --model lama。批量时某张图被跳过。日志里会写mask for ... not found原因几乎总是遮罩文件名和原图不一致。把两边文件名对齐仅扩展名可不同再跑一遍即可。输入是目录输出写成文件报错。run要求目录对目录--image是目录时--output必须是目录这是启动前的硬性校验。没有 GPU 能跑吗。可以。--device默认就是 CPULama 属于轻量擦除模型单张图通常几秒内完成--low-mem、--cpu-offload这类省显存开关主要服务于 Stable Diffusion 系列大模型跑lama用不上。输出文件只有 PNG想要 JPG。命令行run固定输出 PNG若要控制 JPG 质量请用start的 Web 服务并设置--quality。从仓库的assets/目录里挑一张样图涂好遮罩跑通上面第一条run命令你就已经掌握了 Lama Cleaner 的全部核心用法。剩下的模型与参数按需求逐项尝试即可更多子命令细节随时用python main.py --help查询。【免费下载链接】IOPaintImage inpainting tool powered by SOTA AI Model. Remove any unwanted object, defect, people from your pictures or erase and replace(powered by stable diffusion) any thing on your pictures.项目地址: https://gitcode.com/GitHub_Trending/io/IOPaint创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
