企业官网建设流程全解析

手机也能跑实时人脸替换：Deep-Live-Cam 跨平台部署与调优实战记录

【免费下载链接】Deep-Live-Camreal time face swap and one-click video deepfake with only a single image项目地址: https://gitcode.com/GitHub_Trending/de/Deep-Live-Cam

Deep-Live-Cam 凭一张照片就能实时换脸，还能直接驱动摄像头做直播。这篇文章拆解它的三段式推理管线和 ONNX 图改写技巧，并把 Termux 与 Apple Silicon 两条路都跑通——附你会踩的坑。

为什么折腾：200ms 的差距让你想往手机上搬

PC 上的体验已经很顺滑了：一张照片、点下 Live，摄像头预览里的脸就被实时替换。但这套东西绑在桌面上——你人在户外、手机就在手边，却没法用。

差距没网上传的夸张，但足够硌人。在中端 Android 上纯 CPU 跑，单帧人脸检测就要 30-50ms，完整管线（检测+替换+融合）叠到 150-300ms；桌面独显跑同样的活是 30-80ms。2-5 倍的差，体感就是"有点卡"和"流畅"的区别。

所以目标不是"跑起来"，而是"跑得顺"。下面先说它怎么把这笔账算平的，再给你自己的搬运动手路径。

拆管线：检测、替换、贴回三关

移动端人脸替换的全部管线代码其实不长，一帧画面要闯三关：

1. 检测：modules/face_analyser.py 跑 RetinaFace（buffalo_l，640×640 输入）拿到人脸框和关键点，识别模型同时产出身份 embedding。
2. 替换：modules/processors/frame/face_swapper.py 把目标脸裁成 128×128 喂给 inswapper_128，吐出换好的脸块。
3. 融合：用羽化椭圆掩码把脸块贴回原帧，需要时再过一道 GFPGAN 超分（modules/processors/frame/face_enhancer.py）。

真正的看点不在三关本身，而在每一关被派给了哪块硬件。

ONNX 当通用货币

全项目模型层统一说 ONNX，同一个 .onnx 文件在不同芯片上交不同的执行提供器。启动时这段代码做一次"谁在谁上"的择优：

# modules/core.py：按优先级挑加速器，都不行就退回 CPU available = encode_execution_providers(onnxruntime.get_available_providers()) for pref in ('cuda', 'rocm', 'coreml', 'openvino', 'dml'): if pref in available: return pref return 'cpu'

启动 banner 会打印最终选中的加速器——这条日志就是后面排查卡顿的第一检查点。

给 Apple Silicon 动图的"手术"

ONNX 是通用货币，但 CoreML 后端认账的算子有限：不认识的算子（Pad(reflect)、Split、标量 Gather）会让模型被切段，结果在 CPU 和神经引擎之间来回搬运。项目专门写了 modules/onnx_optimize.py，加载时跑四遍图改写，落盘缓存：

# modules/onnx_optimize.py：每个模型改写一次，_coreml 后缀缓存 model = onnx.load(model_path) if _fold_shape_gather(model, input_shape): # Shape→Gather 动态链折成常量 changed = True if _decompose_reflect_pad(model): # Pad(reflect) 拆成 Slice+Concat changed = True onnx.save(model, optimized_path) # 存改写后的模型

改写之后 inswapper 整个模型能在神经引擎上单分区跑完，不用把中间结果甩给 CPU。

检测和替换，走两条"车道"

更妙的地方在调度：Apple Silicon 上，检测模型被刻意分到CPUAndGPU（GPU 上约 4ms），让更重的替换模型独占神经引擎——两次推理用不同的硬件单元并行推进，下一帧的检测在当前帧替换结束前就提前开跑：

# modules/processors/frame/core.py：检测与替换流水重叠 pending_detect = detect_executor.submit(get_one_face, frame.copy()) ... target_face = pending_detect.result() # 取本帧检测结果 pending_detect = detect_executor.submit(get_one_face, frame.copy()) # 提前探下一帧

这套组合拳下来，M3 Max 上的人脸检测从 21ms 压到 4ms——移动端人脸替换的"卡"感，就是从这里被拿掉的。

跑通：Termux 与 Apple Silicon 两条路

Android（Termux）路线

pkg install python clang ffmpeg -y git clone --depth 1 https://gitcode.com/GitHub_Trending/de/Deep-Live-Cam cd Deep-Live-Cam python -m venv venv && source venv/bin/activate pip install --upgrade pip && pip install -r requirements.txt

✅ 预期看到：依赖装完无报错，opencv 与 onnxruntime 均为纯 CPU 构建。

⚠️ 坑一：Termux 摄像头权限不默认授予，先执行termux-setup-camera（弹窗授权）再重启 Termux，否则开摄像头直接黑屏。

⚠️ 坑二：把 models/instructions.txt 列出的 inswapper_128 与 GFPGANv1.4 两个模型文件放进models/目录；首次运行还会自动拉取约 300MB，网络不稳就卡死在加载页。

python run.py --execution-provider cpu --live-mirror

✅ 预期看到：GUI 弹出，点 Live 后 10-30 秒内实时窗口出现自己的脸。

Apple Silicon 路线

brew install python@3.14 python-tk@3.14 python3.14 -m venv venv && source venv/bin/activate pip install -r requirements.txt

⚠️ 坑：如果之前装过 onnxruntime-silicon 分支包，先pip uninstall onnxruntime-silicon——它会遮蔽官方包，导致 CoreML 提供器消失。

python3.14 run.py --execution-provider coreml

✅ 预期看到：banner 打印accelerator: CoreML (Apple Neural Engine)。若显示accelerator: CPU，回去检查 onnxruntime 装的是哪个版本。

卡了怎么办：按掉帧顺序排一遍

能跑之后别急着庆祝，移动端人脸替换通常是"勉强能看"。卡了，按下面顺序排查：

1. banner 显示 CPU。最常见原因：对应的 onnxruntime 构建没装对，静默回退 CPU 了。跑python -c "import onnxruntime as o; print(o.get_available_providers())"确认提供器列表里有没有你要的那个。

2. 前几秒慢，随后变顺。那是模型加载 + 内核预热，外加 FP16 / CUDA graph 会话初始化，属正常现象。

3. 脸边缘抖、闪。贴回掩码每帧重建，关键点微小漂移被放大。项目在 face_swapper.py 里做了掩码缓存：脸几乎静止时直接复用上一帧的数组（_poisson_cached_mask），GUI 里还可以开 Poisson blend 平滑接缝。

4. 视频批处理太慢。老路径把每帧写成 PNG 再读回，磁盘 IO 才是真瓶颈。现在默认走 FFmpeg 管道管线，原始帧直接进内存、处理完直喂编码器：

# modules/processors/frame/core.py：读写都走管道，零磁盘 reader_cmd = ['ffmpeg', '-i', target_path, '-f', 'rawvideo', '-pix_fmt', 'bgr24', '-'] writer_cmd = ['ffmpeg', '-f', 'rawvideo', '-s', f'{width}x{height}', '-c:v', encoder, '-y', temp_output_path] raw = reader.stdout.read(frame_size) # 解码出当前帧 writer.stdin.write(frame.tobytes()) # 换完写回

5. 线程与内存上限。线程数由 core.py 的suggest_execution_threads自动建议（DML/OpenVINO 给 1、CUDA 给 2、纯 CPU 给核心数-2）；--max-memory参数用setrlimit硬限进程内存，4GB 内存的机器上不容易被系统杀进程。

各设备优化后的效果，供你对号入座：

能拿去干什么，红线划在哪

跑得顺之后，玩法组合其实不少：

• 直播面部特效：OBS 捕获实时窗口，作为虚拟相机推流；画面里多人时，用 face mapping 给每张大脸绑定不同来源脸。
• 老电影换脸：视频模式整片批处理，把片里所有面孔换成你的来源图，输出存到以目标命名的目录。
• 旧照与短片活化：单张照片或短片走图片/视频模式，配上 GFPGAN 增强，输出细节能看。

技术有技术的好玩，红线得先划清楚：

1. 换到真人脸上，先拿到本人同意，没有商量余地。
2. 发布内容必须明确标注是 AI 生成。
3. 用于诽谤、诈骗、色情内容属于违法，后果自负。
4. 项目自带 NSFW 过滤，别想着绕过它。

收尾

从 Termux 到 M3，一条移动端实时人脸替换管线你已经完整跑通，也看清了 2-5 倍性能差花在哪、又被哪些招数找了回来。下一步建议拿你手边最慢的设备，把 banner、帧率、内存三样自己记一份基线，再逐个参数动刀看变化。说到底，这个项目最值钱的东西是：换脸不过是 ONNX、几百行管线代码和几处硬件癖好的副产品。

【免费下载链接】Deep-Live-Camreal time face swap and one-click video deepfake with only a single image项目地址: https://gitcode.com/GitHub_Trending/de/Deep-Live-Cam