GPEN命令行调用教程：脱离WebUI的脚本化处理方式
1. 为什么需要命令行调用？
GPEN 图像肖像增强工具默认提供了直观的 WebUI 界面，适合手动操作和单张图片处理。但当你面对成百上千张照片需要批量修复、或希望将图像增强功能集成到自动化流程中时，依赖浏览器点击就显得效率低下。
这时候，命令行调用就成了更高效、更灵活的选择。通过脚本化方式调用 GPEN 的核心处理逻辑，你可以：
- 实现无人值守的批量处理
- 集成到 CI/CD 流程或服务器任务中
- 与其他图像处理工具串联使用（如裁剪、压缩、转格式）
- 在无图形界面的服务器上运行
- 自定义输入输出路径和参数组合
本文将带你绕过 WebUI，直接调用 GPEN 的底层 Python 接口，实现完全脚本化的图像增强处理。
2. 环境准备与项目结构
2.1 基础环境要求
确保你已具备以下运行环境：
- Python 3.8 或以上
- PyTorch 1.9+（推荐 CUDA 版本以加速推理）
- GPEN 模型文件已下载并放置在正确目录
- 相关依赖库已安装（可通过
requirements.txt安装）
pip install torch torchvision opencv-python numpy tqdm2.2 项目目录结构参考
典型的 GPEN 项目结构如下：
gpen_project/ ├── gpen/ │ ├── inference.py # 核心推理入口 │ ├── models/ # 模型权重存放 │ │ └── GPEN-BFR-512.pth │ └── utils/ │ └── preprocess.py ├── inputs/ # 待处理图片 ├── outputs/ # 输出结果 ├── scripts/ │ └── batch_enhance.py # 我们要写的脚本 └── run.sh # 启动脚本（原WebUI用）我们重点关注inference.py，它是 WebUI 背后真正的“引擎”。
3. 核心推理模块解析
3.1 找到主推理函数
在gpen/inference.py中，通常会有一个类似enhance_image()或run_inference()的函数，负责加载模型、预处理图像、执行推理、后处理输出。
示例代码片段（简化版）：
from gpen import GPENModel def enhance_single_image(input_path, output_path, enhancer_strength=70, denoise_level=30, sharpen_level=50, mode='natural'): model = GPENModel( model_path='models/GPEN-BFR-512.pth', device='cuda' if torch.cuda.is_available() else 'cpu' ) img = cv2.imread(input_path) enhanced_img = model.enhance( img, strength=enhancer_strength / 100.0, denoise=denoise_level / 100.0, sharpen=sharpen_level / 100.0, mode=mode ) cv2.imwrite(output_path, enhanced_img)这个函数就是我们可以直接调用的核心接口。
4. 编写命令行处理脚本
4.1 创建独立调用脚本
我们在scripts/batch_enhance.py中编写一个可执行的命令行工具。
#!/usr/bin/env python # batch_enhance.py - GPEN 命令行批量增强脚本 import os import cv2 import argparse from pathlib import Path from datetime import datetime # 动态导入 GPEN 模块（避免 WebUI 依赖冲突） import sys sys.path.append('.') from gpen.inference import enhance_single_image def main(): parser = argparse.ArgumentParser(description="GPEN 图像肖像增强命令行工具") parser.add_argument("input", help="输入图片路径或文件夹") parser.add_argument("--output", "-o", default="outputs", help="输出目录") parser.add_argument("--strength", "-s", type=int, default=70, choices=range(0, 101), help="增强强度 (0-100)") parser.add_argument("--denoise", "-d", type=int, default=30, choices=range(0, 101), help="降噪强度") parser.add_argument("--sharpen", "-p", type=int, default=50, choices=range(0, 101), help="锐化程度") parser.add_argument("--mode", "-m", default="natural", choices=["natural", "strong", "detail"], help="处理模式") parser.add_argument("--format", "-f", default="png", choices=["png", "jpg"], help="输出格式") args = parser.parse_args() # 创建输出目录 output_dir = Path(args.output) output_dir.mkdir(exist_ok=True) # 处理单张图片或整个目录 input_path = Path(args.input) if input_path.is_file(): image_files = [input_path] elif input_path.is_dir(): image_files = list(input_path.glob("*.[jJ][pP][gG]")) image_files += list(input_path.glob("*.[jJ][pP][eE][gG]")) image_files += list(input_path.glob("*.[pP][nN][gG]")) else: print(f"错误：找不到 {args.input}") return print(f"共发现 {len(image_files)} 张图片，开始处理...") for img_path in image_files: try: # 构造输出文件名 timestamp = datetime.now().strftime("%Y%m%d%H%M%S") ext = "jpg" if args.format == "jpg" else "png" output_file = output_dir / f"enhanced_{img_path.stem}_{timestamp}.{ext}" enhance_single_image( str(img_path), str(output_file), enhancer_strength=args.strength, denoise_level=args.denoise, sharpen_level=args.sharpen, mode=args.mode ) print(f"✅ 已处理: {img_path.name} -> {output_file.name}") except Exception as e: print(f"❌ 失败 {img_path.name}: {str(e)}") if __name__ == "__main__": main()5. 使用方法与参数说明
5.1 脚本调用语法
python scripts/batch_enhance.py <输入路径> [选项]5.2 常用调用示例
处理单张图片：
python scripts/batch_enhance.py inputs/photo1.jpg --strength 80 --mode strong批量处理整个文件夹：
python scripts/batch_enhance.py inputs/ --output results/ --strength 60 --denoise 40生成 JPEG 格式输出：
python scripts/batch_enhance.py inputs/ -o outputs_jpg -f jpg --sharpen 70轻微自然优化（适合高质量原图）：
python scripts/batch_enhance.py inputs/ --strength 50 --denoise 20 --mode natural6. 参数映射与 WebUI 对照表
为了方便从 WebUI 过渡到命令行，以下是参数对应关系：
| WebUI 参数 | 命令行参数 | 说明 |
|---|---|---|
| 增强强度 (0-100) | --strength | 控制整体增强幅度 |
| 处理模式 | --mode | natural/strong/detail |
| 降噪强度 | --denoise | 减少噪点和皮肤瑕疵 |
| 锐化程度 | --sharpen | 提升边缘清晰度 |
| 输出格式 | --format | png（默认）或 jpg |
⚠️ 注意：命令行不会自动保留版权水印或开发者信息，请遵守原作者“保留版权信息”的要求，在非个人用途中注明来源。
7. 高级技巧与自动化集成
7.1 结合 Shell 脚本定时处理
创建一个自动处理脚本auto_process.sh：
#!/bin/bash INPUT_DIR="/data/photos_to_enhance" OUTPUT_DIR="/data/enhanced_photos" if [ -d "$INPUT_DIR" ] && [ "$(ls -A $INPUT_DIR)" ]; then python scripts/batch_enhance.py "$INPUT_DIR" \ --output "$OUTPUT_DIR" \ --strength 75 \ --denoise 50 \ --mode strong \ --format jpg # 清空已处理文件夹 rm -rf "$INPUT_DIR"/* fi配合cron实现每小时检查一次新图片：
crontab -e # 添加一行： 0 * * * * /path/to/auto_process.sh7.2 作为服务接口封装（可选）
你可以进一步将该脚本封装为 Flask API 接口，供其他系统调用：
from flask import Flask, request, jsonify import subprocess app = Flask(__name__) @app.route('/enhance', methods=['POST']) def enhance(): image = request.files['image'] image.save('inputs/temp.jpg') result = subprocess.run([ 'python', 'scripts/batch_enhance.py', 'inputs/temp.jpg', '--strength', request.form.get('strength', '70') ], capture_output=True) if result.returncode == 0: return send_file('outputs/enhanced_temp.png', mimetype='image/png') else: return jsonify(error="处理失败"), 5008. 性能优化建议
8.1 批量处理优化
虽然当前脚本是逐张处理，但可通过以下方式提升效率：
- 启用 CUDA 加速：确保
torch.cuda.is_available()返回True - 调整批大小（如果模型支持）：某些版本 GPEN 支持 batch 推理
- 降低分辨率预处理：对超大图先 resize 到 1024px 再增强
8.2 内存管理提示
- 避免同时处理过多高分辨率图像
- 处理完成后及时释放变量：
del img,torch.cuda.empty_cache() - 使用
tqdm显示进度条，便于监控长时间任务
9. 常见问题与解决方案
Q1: 报错 “ModuleNotFoundError: No module named ‘gpen’”
原因：Python 找不到本地模块
解决：确保sys.path.append('.')正确，或使用绝对导入路径
Q2: 图片处理后颜色偏色
原因：OpenCV 默认使用 BGR 色彩空间
解决：在保存前转换色彩空间：
enhanced_img = cv2.cvtColor(enhanced_img, cv2.COLOR_BGR2RGB)Q3: 输出文件名重复
改进方案：加入文件哈希值避免冲突：
import hashlib file_hash = hashlib.md5(open(img_path, 'rb').read()).hexdigest()[:8] output_file = f"enhanced_{file_hash}.{ext}"Q4: 如何跳过已处理的文件？
添加存在性判断：
if output_file.exists(): print(f"跳过已存在: {output_file}") continue10. 总结
通过本文介绍的方法，你已经掌握了如何脱离 WebUI，直接以脚本化方式调用 GPEN 进行图像肖像增强。这种方式不仅提升了处理效率，还为自动化、批量化、服务化应用打开了大门。
关键要点回顾：
- 核心是调用
inference.py中的增强函数 - 使用
argparse构建专业命令行接口 - 支持单图与批量处理，参数可灵活配置
- 可轻松集成到自动化流程或后端服务中
下一步你可以尝试：
- 添加日志记录功能
- 支持更多图像格式（如 WEBP）
- 实现多线程并发处理
- 封装为 Docker 镜像便于部署
掌握命令行调用，意味着你真正拥有了 GPEN 的“源代码级”控制力。
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。
