GPEN命令行参数详解：-i -o 参数灵活使用技巧

GPEN命令行参数详解：-i -o 参数灵活使用技巧

你是不是也遇到过这样的情况：下载了一个超棒的人像修复模型，兴冲冲跑起来，结果发现默认处理的是一张测试图，而自己手头那张珍贵的老照片却不知道怎么喂进去？或者好不容易等它跑完，输出文件名却是千篇一律的output_*.png，找都找不到……别急，这正是我们今天要聊的——GPEN 命令行里最常用、也最容易被忽略的两个参数：-i（输入）和-o（输出）。它们看起来简单，但用对了，能让你从“手动翻文件夹找结果”的重复劳动中彻底解放出来。

本文不讲模型原理，不堆配置参数，只聚焦一个目标：让你在 5 分钟内，真正掌握-i和-o的实用组合技巧，做到“想修哪张就修哪张，修完自动存到指定位置，名字还随你心意”。无论你是刚接触命令行的新手，还是已经跑过几次脚本的老手，这些技巧都能立刻提升你的工作效率。

1. 先搞清楚：GPEN 镜像是什么，为什么能直接用？

GPEN 是一个专注人像修复与增强的深度学习模型，特别擅长修复模糊、低分辨率、有噪点或轻微破损的人脸照片。它不是那种“泛泛而谈”的通用超分模型，而是专门针对人脸结构做了大量先验建模——比如眼睛该多大、鼻子该在哪、皮肤纹理该是什么走向。所以修复出来的效果，往往比普通超分更自然、更“像本人”。

而你拿到的这个镜像，不是一个空壳子，而是一个已经调好所有“零件”的完整工作台：

• 它预装了 PyTorch 2.5.0 + CUDA 12.4，不用你再折腾环境兼容性；
• 所有依赖库（facexlib做人脸检测、basicsr提供底层支持、opencv处理图像）全都在里面；
• 推理代码/root/GPEN目录下开箱即用，连路径都不用记；
• 更关键的是，模型权重已经提前下载好，插上电就能跑，完全离线。

换句话说，你不需要懂训练、不用配环境、甚至不用改一行代码——只要会敲几条命令，就能把一张模糊的老照片，变成清晰、细腻、神采奕奕的新图。

2.-i和-o是什么？它们不是“可选项”，而是“必选项”

很多新手第一次看到python inference_gpen.py --input ./my_photo.jpg，会下意识觉得：“哦，--input是个高级功能，我先试试默认的。”
但其实，-i（--input）和-o（--output）是 GPEN 推理脚本真正的“控制开关”。默认不加参数时，脚本只是在走一个预设流程，用来验证环境是否正常；而真正干活，必须靠它们来指挥。

小贴士：-i和-o后面跟的不是“文件夹”，而是完整的文件路径+文件名。比如-i /home/user/pics/old_dad.jpg，而不是-i /home/user/pics/。这点和很多其他工具不同，务必注意。

3.-i参数的 3 种灵活用法：不止能修一张图

3.1 单图修复：最常用，也是最稳妥的起点

这是你日常使用频率最高的场景：有一张照片，想立刻看看修复效果。

cd /root/GPEN python inference_gpen.py -i ./family_reunion_1998.jpg

执行后，脚本会：

• 自动读取./family_reunion_1998.jpg（当前目录下的这张图）；
• 进行人脸检测、对齐、修复增强全流程；
• 默认输出为output_family_reunion_1998.png，保存在同一目录下。

优点：简单、直观、不易出错。
注意：如果原图是.jpg，输出默认是.png（因为 PNG 无损，更适合展示修复细节）。

3.2 批量修复：一次处理多张图，省去重复敲命令

GPEN 的inference_gpen.py本身不支持通配符（如*.jpg），但 Linux 命令行可以轻松帮你补上这一环。只需一条for循环，就能批量处理整个文件夹：

cd /root/GPEN for img in /data/input/*.jpg; do filename=$(basename "$img" .jpg) python inference_gpen.py -i "$img" -o "/data/output/${filename}_enhanced.png" done

这段命令的意思是：

• 到/data/input/文件夹里，找出所有.jpg文件；
• 对每一张，提取它的文件名（去掉.jpg后缀）；
• 然后运行 GPEN，输入是原图，输出是/data/output/原文件名_enhanced.png。

优点：10 张图、100 张图，都是一次性启动，无需人工干预。
小技巧：你可以把这段命令保存为batch_enhance.sh，以后双击或bash batch_enhance.sh就能复用。

3.3 跨目录操作：输入和输出完全分离，工作流更清晰

实际工作中，你很可能希望：

• 原图统一放在/data/raw/；
• 修复后的图存到/data/enhanced/；
• 中间过程图（比如对齐后的人脸裁剪）另存到/data/debug/。

这时，-i和-o就是你组织工作流的“管道接口”：

# 修复一张高清老照片，并存到指定成果目录 python inference_gpen.py \ -i /data/raw/graduation_1985.jpg \ -o /data/enhanced/graduation_1985_enhanced.png # 修复一张手机抓拍的模糊合影，输出为 Web 友好尺寸（后续会讲如何控制尺寸） python inference_gpen.py \ -i /data/raw/group_photo_blurry.jpg \ -o /data/enhanced/group_photo_web.png

优点：输入、输出、中间件物理隔离，项目结构一目了然，协作或归档时不会混乱。

4.-o参数的 4 个关键技巧：让输出完全听你指挥

4.1 自定义文件名：告别output_*.png的随机感

默认输出名是output_开头，后面跟着原始文件名。但如果你希望：

• 统一用英文命名（zhang_san_portrait_v2.png）；
• 加入日期戳（portrait_20240615.png）；
• 区分版本（portrait_final.png,portrait_draft.png）；

那就必须用-o显式指定：

python inference_gpen.py -i ./zhang_san_old.jpg -o zhang_san_portrait_v2.png python inference_gpen.py -i ./li_si_old.jpg -o portrait_20240615.png

效果：输出文件名完全由你定义，和输入名无关，管理起来清爽利落。

4.2 控制输出格式：.pngvs.jpg，不只是后缀问题

GPEN 默认输出.png，因为它保留了全部修复细节（尤其是高光、阴影过渡）。但如果你明确知道最终用途是网页展示或微信发送，.jpg文件更小、加载更快。

只需把-o的后缀改成.jpg，GPEN 会自动适配：

# 输出为高质量 JPG（适合分享） python inference_gpen.py -i ./me.jpg -o me_share.jpg # 输出为 PNG（适合存档、二次编辑） python inference_gpen.py -i ./me.jpg -o me_archive.png

注意：JPG 会有轻微压缩损失，PNG 是无损。选哪个，取决于你的优先级是“体积小”还是“质量高”。

4.3 指定子目录：一键生成层级化输出结构

你想把不同类别的修复图，自动分到不同文件夹？比如：

/data/enhanced/ ├── portraits/ ← 人像特写 ├── group_photos/ ← 合影 └── documents/ ← 证件照

-o支持完整路径，包括不存在的子目录（Linux 下需确保父目录已存在）：

# 自动创建并存入 portraits/ 子目录 python inference_gpen.py -i ./portrait.jpg -o /data/enhanced/portraits/portrait_enhanced.png # 存入 group_photos/ python inference_gpen.py -i ./reunion.jpg -o /data/enhanced/group_photos/reunion_enhanced.png

优势：无需手动建文件夹，输出即归类，后期整理零成本。

4.4 避免覆盖：用-o加时间戳，安全第一

多人共用一台机器，或反复调试同一张图时，最怕什么？——前一次的结果被后一次覆盖，想找回都找不到。

一个简单又可靠的方案：在-o文件名里加入时间戳：

# 使用 date 命令动态生成带秒级时间戳的文件名 timestamp=$(date +"%Y%m%d_%H%M%S") python inference_gpen.py -i ./test.jpg -o "test_enhanced_${timestamp}.png"

执行后，可能生成：test_enhanced_20240615_142307.png
下次再跑，就是test_enhanced_20240615_142512.png—— 清晰、唯一、可追溯。

这不是“过度设计”，而是工程实践中最朴素的自我保护。

5.-i和-o的黄金组合：解决真实痛点的 3 个实战案例

光讲参数不够，我们来看几个你马上会遇到的真实场景，以及如何用-i和-o一招搞定。

5.1 场景：客户发来 5 张待修复证件照，要求统一命名为ID_001.png~ID_005.png

痛点：不能改原图名（客户有编号规则），又不能让输出名乱七八糟。

解法：用数组+循环，精准映射

cd /root/GPEN input_files=("/data/client/raw/id_front.jpg" "/data/client/raw/id_back.jpg" "/data/client/raw/id_hand.jpg" "/data/client/raw/id_sign.jpg" "/data/client/raw/id_stamp.jpg") output_names=("ID_001.png" "ID_002.png" "ID_003.png" "ID_004.png" "ID_005.png") for i in "${!input_files[@]}"; do python inference_gpen.py -i "${input_files[$i]}" -o "/data/client/enhanced/${output_names[$i]}" done

结果：5 张图，5 个精准命名，客户收到即用，不需再重命名。

5.2 场景：修复一张 4K 分辨率老照片，但只想保存为 1080p 用于 PPT 汇报

痛点：GPEN 默认输出和输入同尺寸，4K 图太大，PPT 插入卡顿。

解法：-o配合后续ffmpeg或convert缩放（GPEN 本身不缩放，但输出可控）

# 第一步：用 GPEN 修复出高清图 python inference_gpen.py -i /data/archive/photo_4k.jpg -o /tmp/photo_enhanced_4k.png # 第二步：用 ImageMagick 快速缩放到 1920x1080（保持比例） convert /tmp/photo_enhanced_4k.png -resize 1920x1080\> /data/ppt/photo_for_ppt.png

关键点：-o让你先把高清结果稳稳存下来，再按需处理，不丢失原始修复质量。

5.3 场景：临时修复一张图做演示，不想污染项目目录

痛点：演示时随手一跑，结果output_*.png堆在/root/GPEN/里，看着碍眼。

解法：-o指向/tmp/临时目录，用完即焚

python inference_gpen.py -i ./demo_input.jpg -o /tmp/demo_output.png # 演示完，直接清理 rm /tmp/demo_output.png

干净、快速、无残留，符合“演示即用，用完即走”的轻量原则。

6. 总结：把-i和-o当成你的“人像修复遥控器”

今天我们没讲模型结构，没碰训练代码，只死磕了两个最基础的命令行参数：-i和-o。但恰恰是它们，构成了你和 GPEN 之间最直接、最高效的对话通道。

回顾一下你真正掌握的技能：

• -i不只是“指定一张图”，而是你调度数据的入口：单图、批量、跨目录、带路径，全由你定义；
• -o不只是“换个名字”，而是你掌控输出的总开关：自定义名、换格式、建目录、加时间戳，全在你一念之间；
• 组合使用，就是一套轻量级自动化工作流：从客户交付、PPT 准备到临时演示，都有对应解法。

技术的价值，从来不在参数有多炫酷，而在于它能不能让你少点焦虑、多点确定性。下一次，当你打开终端，面对一张等待修复的老照片时，请记住：你手里握着的，不是一个冰冷的命令，而是一个真正听你话的“人像修复遥控器”。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。