Arc2Face一键整合包

介绍

Arc2Face是用于人脸的基础模型训练，可批量生成超高质量主题的AI人脸艺术风格照，完美复制人脸

项目地址：https://github.com/foivospar/Arc2Face?tab=readme-ov-file#arc2face--controlnet-pose

特征

✅ 在大规模 WebFace42M 数据集上训练的几秒钟
✅内，仅给定其 ArcFace 嵌入即可生成任何主题的高质量图像，与基于 Stable Diffusion 构建的现有模型
✅相比，具有卓越的 ID 相似性，可以扩展到不同的输入模式，例如使用 ControlNet

整合包下载

夸克云盘： https://pan.quark.cn/s/6f1591a3dbfc

123云盘：https://www.123pan.com/s/9T6A-a9Qxd.html

演示

可前往：https://huggingface.co/spaces/FoivosPar/Arc2Face

安装

conda create -n arc2face python=3.10
conda activate arc2face

# Install requirements
pip install -r requirements.txt

下载模型

1. 可以从 HuggingFace 或使用 python 手动下载模型：

from huggingface_hub import hf_hub_download

hf_hub_download(repo_id="FoivosPar/Arc2Face", filename="arc2face/config.json", local_dir="./models")
hf_hub_download(repo_id="FoivosPar/Arc2Face", filename="arc2face/diffusion_pytorch_model.safetensors", local_dir="./models")
hf_hub_download(repo_id="FoivosPar/Arc2Face", filename="encoder/config.json", local_dir="./models")
hf_hub_download(repo_id="FoivosPar/Arc2Face", filename="encoder/pytorch_model.bin", local_dir="./models")

1. 对于人脸检测和 ID 嵌入提取，请手动下载 antelopev2 包（直接链接）并将检查点放在 下。models/antelopev2
2. 我们使用在 WebFace42M 上训练的 ArcFace 识别模型。从 HuggingFace 下载并放入或使用 python：arcface.onnx``models/antelopev2

hf_hub_download(repo_id="FoivosPar/Arc2Face", filename="arcface.onnx", local_dir="./models/antelopev2")

1. 然后删除（insightface的默认主干）。glintr100.onnx

文件夹结构最终应为：models

. ── models ──┌── antelopev2
              ├── arc2face
              └── encoder

用法

使用(https://huggingface.co/docs/diffusers/index)加载：

from diffusers import (
    StableDiffusionPipeline,
    UNet2DConditionModel,
    DPMSolverMultistepScheduler,
)

from arc2face import CLIPTextModelWrapper, project_face_embs

import torch
from insightface.app import FaceAnalysis
from PIL import Image
import numpy as np

base_model = 'runwayml/stable-diffusion-v1-5'

encoder = CLIPTextModelWrapper.from_pretrained(
    'models', subfolder="encoder", torch_dtype=torch.float16
)

unet = UNet2DConditionModel.from_pretrained(
    'models', subfolder="arc2face", torch_dtype=torch.float16
)

pipeline = StableDiffusionPipeline.from_pretrained(
        base_model,
        text_encoder=encoder,
        unet=unet,
        torch_dtype=torch.float16,
        safety_checker=None
    )

您可以使用任何兼容 SD 的调度程序和步骤，就像使用 Stable Diffusion 一样。默认情况下，我们使用 25 个步骤，只需几秒钟即可产生非常好的结果。DPMSolverMultistepScheduler

pipeline.scheduler = DPMSolverMultistepScheduler.from_config(pipeline.scheduler.config)
pipeline = pipeline.to('cuda')

选择一个图像并提取 ID 嵌入：

app = FaceAnalysis(name='antelopev2', root='./', providers=['CUDAExecutionProvider', 'CPUExecutionProvider'])
app.prepare(ctx_id=0, det_size=(640, 640))

img = np.array(Image.open('assets/examples/joacquin.png'))[:,:,::-1]

faces = app.get(img)
faces = sorted(faces, key=lambda x:(x['bbox'][2]-x['bbox'][0])*(x['bbox'][3]-x['bbox'][1]))[-1]  # select largest face (if more than one detected)
id_emb = torch.tensor(faces['embedding'], dtype=torch.float16)[None].cuda()
id_emb = id_emb/torch.norm(id_emb, dim=1, keepdim=True)   # normalize embedding
id_emb = project_face_embs(pipeline, id_emb)    # pass through the encoder

生成图像：

num_images = 4
images = pipeline(prompt_embeds=id_emb, num_inference_steps=25, guidance_scale=3.0, num_images_per_prompt=num_images).images

开始本地 gradio 演示

您可以通过运行以下命令来启动本地推理演示：

python gradio_demo/app.py

Arc2Face + ControlNet（姿势）

我们提供了一个在 Arc2Face 之上训练的 ControlNet 模型，用于姿势控制。我们使用 EMOCA 进行 3D 姿态提取。要运行我们的演示，请按照以下步骤操作：

1） 下载模型

从 HuggingFace 或使用 python 手动下载 ControlNet 检查点：

from huggingface_hub import hf_hub_download

hf_hub_download(repo_id="FoivosPar/Arc2Face", filename="controlnet/config.json", local_dir="./models")
hf_hub_download(repo_id="FoivosPar/Arc2Face", filename="controlnet/diffusion_pytorch_model.safetensors", local_dir="./models")

2） 拉动 EMOCA

git submodule update --init external/emoca

3） 安装

这是最棘手的部分。您将需要 PyTorch3D 来运行 EMOCA。由于其安装可能会导致冲突，我们建议遵循以下过程：

1. 创建一个新环境，首先安装支持 GPU 的 PyTorch3D（按照官方说明进行操作）。
2. 添加 Arc2Face + EMOCA 要求：

pip install -r requirements_controlnet.txt

1. 安装 EMOCA 代码：

pip install -e external/emoca

1. 最后，您需要下载 EMOCA/FLAME 资产。运行以下命令并按照终端中的说明进行操作：

cd external/emoca/gdl_apps/EMOCA/demos 
bash download_assets.sh
cd ../../../../..

4） 启动本地 gradio 演示

您可以通过运行以下命令来启动本地 ControlNet 演示：

python gradio_demo/app_controlnet.py