批量导出设置：一次性下载全部已完成修复的照片文件-开发者社区

批量导出设置：一次性下载全部已完成修复的照片文件

在家庭相册数字化日益普及的今天，许多人手中都存有泛黄、破损的老照片。这些承载着记忆的影像往往因年代久远而失去色彩与清晰度，传统修复方式耗时费力，且对技术要求极高。随着AI图像修复技术的进步，尤其是基于深度学习的自动上色模型如DDColor的出现，普通人也能在家用电脑上完成高质量的老照片还原。

但问题也随之而来：当你要修复一整个家族相册——几十甚至上百张黑白照片时，难道还得一张张上传、处理、保存？效率低下不说，输出文件还可能散落在不同目录中，难以统一管理。有没有一种方式，能让我们“批量上传→自动修复→一键打包下载”？

答案是肯定的。借助ComfyUI + DDColor 工作流 + 脚本化导出机制，我们可以构建一套真正意义上的“老照片批量重生系统”，实现从输入到输出的全流程自动化。

为什么选择 DDColor 和 ComfyUI？

DDColor 是近年来表现突出的黑白图像自动上色模型，其核心优势在于能够根据图像语义智能推断合理的色彩分布，尤其在人物肤色、服装纹理和建筑材质还原方面表现出色。它采用编码器-解码器结构，并融合注意力机制，使得局部细节的颜色预测更加自然真实。

而 ComfyUI 则是一个基于节点式工作流的图形化 AI 推理平台，专为 Stable Diffusion 及其他视觉模型设计。它的强大之处在于：无需写代码，用户通过拖拽节点即可搭建复杂的图像处理流程。更重要的是，每个工作流都可以保存为 JSON 文件，便于复用与分享。

将两者结合，意味着我们不仅能获得高质量的修复结果，还能通过预设模板固化操作流程，让非技术人员也能轻松上手。

如何实现“一次性下载全部修复结果”？

虽然 ComfyUI 原生界面没有直接提供“批量导出 ZIP 包”的按钮，但这并不意味着无法实现。关键在于理解其底层运行逻辑并加以扩展。

核心思路：工作流配置 + 外部脚本协同

ComfyUI 支持通过 REST API 提交推理任务，返回状态码并监听执行进度。这意味着我们可以编写一个外部 Python 脚本，自动遍历待修复图片列表，逐个提交给 ComfyUI 处理，待全部完成后统一打包输出文件。

这正是实现“一次运行、全部下载”的核心技术路径。

实际操作中的两种模式

模式一：串行处理 + 自动命名保存（适合轻量级使用）

如果你只是偶尔处理十几张照片，可以直接在 ComfyUI 中配置如下流程：

使用Load Image节点加载多张图像（支持路径列表）；
设置Save Image节点的filename_prefix参数，例如设为family_；
运行工作流，系统会依次处理每张图，并以family_001.png,family_002.png的格式自动命名保存；
所有结果统一输出至指定目录（如./outputs/family_repair/）；
用户手动选中该目录下所有文件，右键压缩成 ZIP 包。

这种方式虽仍需手动打包，但已大幅减少重复操作，适合个人用户快速上手。

模式二：API 驱动 + 全自动打包（适合批量处理）

当你面对的是数十乃至上百张老照片时，就需要更高效的解决方案。以下是完整实现方案：

import requests import json import time import zipfile import os def submit_batch_jobs(image_paths, workflow_template_path): server_addr = "http://127.0.0.1:8188" prompt_endpoint = f"{server_addr}/prompt" client_id = "batch_exporter" # 创建输出目录 results_dir = "./outputs/batch_export" os.makedirs(results_dir, exist_ok=True) zip_output = "./outputs/repair_results.zip" # 加载原始工作流模板 with open(workflow_template_path, 'r', encoding='utf-8') as f: workflow = json.load(f) processed_files = [] for idx, img_path in enumerate(image_paths): # 动态替换 Load Image 节点中的图像路径 # 假设第一个节点是 Load Image（实际需根据 JSON 结构调整） load_node_id = next(k for k, v in workflow.items() if v["class_type"] == "LoadImage") workflow[load_node_id]["inputs"]["image"] = os.path.basename(img_path) # 设置输出前缀，便于追踪 save_node_id = next(k for k, v in workflow.items() if v["class_type"] == "SaveImage") workflow[save_node_id]["inputs"]["filename_prefix"] = f"result_{idx:03d}" # 构造请求体 payload = { "prompt": workflow, "client_id": client_id } response = requests.post(prompt_endpoint, json=payload) if response.status_code != 200: print(f"❌ 提交失败：{img_path}") continue print(f"✅ 已提交：{img_path} (任务 {idx+1}/{len(image_paths)})") # 简化等待（生产环境建议使用 WebSocket 监听执行完成事件） time.sleep(12) # 根据 GPU 性能适当调整 # 记录预期生成的文件名 output_filename = f"result_{idx:03d}_00001_.png" output_fullpath = f"./outputs/{output_filename}" if os.path.exists(output_fullpath): processed_files.append(output_fullpath) # 所有任务完成后打包 with zipfile.ZipFile(zip_output, 'w', zipfile.ZIP_DEFLATED) as zf: for file_path in processed_files: arcname = os.path.basename(file_path) zf.write(file_path, arcname=arcname) print(f"🎉 全部修复完成！结果已打包至：{zip_output}")

✅说明：此脚本读取一个标准的 ComfyUI 工作流 JSON 模板，动态修改其中的图像路径和输出前缀，然后通过/prompt接口提交任务。处理完毕后自动将所有 PNG 输出打包为 ZIP 文件。

这种模式真正实现了“一键导出”，特别适用于档案馆、影楼或家庭大规模数字化项目。

关键参数调优建议

为了确保修复质量与系统稳定性，以下参数需要合理设置：

参数	推荐值	说明
`model`	`ddcolor-image-model.pth`	官方推荐基础模型，肤色还原自然；也可尝试高清微调版本
`size`	人物：460–680；建筑：960–1280	分辨率越高细节越丰富，但显存占用显著上升
`filename_prefix`	自定义，如`person_v1_`或`building_restored_`	便于后期分类管理和版本控制
`batch_size`	1	当前多数上色模型不支持多图并行推理，需串行处理

⚠️注意事项：
- 高分辨率图像（>1280px）可能导致显存溢出（OOM），建议启用tiled VAE或分块处理；
- 避免使用含中文或特殊字符的文件路径，防止节点读取失败；
- 在处理前务必备份原始图像，避免误操作导致数据丢失；
- 若用于公共服务部署，应限制上传文件类型（仅允许.jpg/.png）和大小（如 ≤5MB），防范安全风险。