fft npainting lama批量处理技巧，效率提升一倍

1. 引言：为什么需要批量处理？

你是不是也遇到过这样的情况？手头有一堆图片要修——水印、多余物体、划痕、文字……一张张打开、标注、点击“开始修复”，等几十秒，保存，再下一张。重复操作十次，半小时就没了。

这太低效了。

而我们今天用的这个镜像——fft npainting lama重绘修复图片移除图片物品二次开发构建by科哥，虽然默认是WebUI交互式操作，但它的底层是可编程调用的模型服务。只要稍加技巧，就能从“手动单张处理”升级为“自动批量处理”，效率轻松翻倍，甚至更高。

本文不讲复杂代码，也不搞高深部署，只聚焦一个目标：教你用最简单的方式，实现批量图像修复，把重复劳动交给机器，自己喝茶去。

2. 理解工具：fft npainting lama能做什么？

2.1 核心能力一句话说清

它是一个基于LaMa（Large Mask Inpainting）模型的图像修复系统，专精于“我告诉你哪里坏了，你帮我补上”。

换句话说：

你画个白框 → 它智能填充
你想去水印、删路人、修老照片 → 它都能办

而且修复效果自然，边缘融合好，颜色匹配准，特别适合真实场景的精细化处理。

2.2 默认使用方式回顾

目前文档里教的是标准流程：

启动WebUI
上传图
用画笔标出要修复的区域（mask）
点“开始修复”
下载结果

这套流程对单张图没问题，但一旦数量上来，就变成“手部重复劳动大赛”。

那能不能让程序自动完成这些步骤？

答案是：能，而且很简单。

3. 批量处理的核心思路

3.1 关键洞察：WebUI背后是API

虽然界面是网页，但每一次“开始修复”其实都是向后端发送了一个请求。我们只要搞清楚这个请求长什么样，就可以用脚本模拟它，实现自动化。

换句话说：WebUI是给人用的，API是给程序用的。

3.2 批量处理三步走

我们要做的就是：

准备一批原图 + 对应的mask图（即标注好要修复区域的黑白图）
写个Python脚本，循环调用修复接口
自动保存结果，全程无人值守

这样，你设置好任务，去做别的事，回来时一堆图已经修好了。

4. 实战：如何实现批量处理？

4.1 准备工作环境

确保你已经启动了服务：

cd /root/cv_fft_inpainting_lama bash start_app.sh

服务运行在http://0.0.0.0:7860，我们接下来要通过这个地址发请求。

4.2 接口分析：怎么让程序“点开始修复”？

通过浏览器开发者工具抓包，可以发现“开始修复”时会向/inpaint发送一个POST请求，参数如下：

{ "image": "base64编码的原图", "mask": "base64编码的mask图" }

返回值是修复后的图像（base64或直接返回图片流）。

💡 提示：如果你不会抓包，可以直接参考项目中可能存在的api.py或app.py文件，通常这类WebUI都会暴露内部接口。

4.3 编写批量处理脚本

下面是一个实用的Python脚本，支持批量处理目录下的图片：

import os import base64 import requests from PIL import Image from io import BytesIO # 配置 BASE_URL = "http://你的服务器IP:7860" INPUT_DIR = "./input_images" # 原图目录 MASK_DIR = "./input_masks" # mask图目录（白色标注区域） OUTPUT_DIR = "./output_results" # 结果保存目录 def image_to_base64(img_path): with open(img_path, "rb") as f: return base64.b64encode(f.read()).decode('utf-8') def save_base64_image(b64_str, save_path): img_data = base64.b64decode(b64_str) img = Image.open(BytesIO(img_data)) img.save(save_path) def batch_inpaint(): if not os.path.exists(OUTPUT_DIR): os.makedirs(OUTPUT_DIR) for filename in os.listdir(INPUT_DIR): name, ext = os.path.splitext(filename) mask_file = f"{name}.png" # 假设mask统一为png格式 input_path = os.path.join(INPUT_DIR, filename) mask_path = os.path.join(MASK_DIR, mask_file) output_path = os.path.join(OUTPUT_DIR, f"repaired_{name}.png") if not os.path.exists(mask_path): print(f"⚠️ 未找到对应mask文件：{mask_file}") continue try: # 读取并编码 image_b64 = image_to_base64(input_path) mask_b64 = image_to_base64(mask_path) # 调用API response = requests.post( f"{BASE_URL}/inpaint", json={"image": image_b64, "mask": mask_b64}, timeout=60 ) if response.status_code == 200: result_b64 = response.json().get("image") if result_b64: save_base64_image(result_b64, output_path) print(f"✅ 成功修复：{filename}") else: print(f"❌ 无返回图像数据：{filename}") else: print(f"❌ 请求失败 {response.status_code}：{filename}") except Exception as e: print(f"❌ 处理失败 {filename}: {str(e)}") if __name__ == "__main__": batch_inpaint()

4.4 使用说明

安装依赖：
```
pip install requests pillow
```

组织文件夹结构：

project/ ├── batch_script.py ├── input_images/ # 放原始图片（jpg/png） ├── input_masks/ # 放对应的mask图（必须是黑白图，白色=修复区） └── output_results/ # 自动创建，存放结果

修改脚本中的BASE_URL为你服务器的真实IP。
运行脚本：
```
python batch_script.py
```
坐等结果生成！

5. 批量处理的三大技巧

5.1 技巧一：自动生成mask图，省去手动标注

很多人卡在“每张图都要手动画mask”。其实可以用简单规则自动标注。

比如要去除图片四角的水印，可以用代码生成固定位置的矩形mask：

def create_rect_mask(width, height, rect_coords): mask = Image.new("L", (width, height), 0) # 黑底 draw = ImageDraw.Draw(mask) draw.rectangle(rect_coords, fill=255) # 白色矩形 return mask

或者用OpenCV检测文字区域，自动生成mask，进一步减少人工干预。

5.2 技巧二：分批处理大图，避免内存溢出

如果图片太大（如超过2000px），建议先缩放再修复，否则容易导致服务崩溃。

可以在脚本中加入预处理：

def resize_if_needed(img, max_size=2000): w, h = img.size if max(w, h) > max_size: scale = max_size / max(w, h) new_w, new_h = int(w * scale), int(h * scale) return img.resize((new_w, new_h), Image.LANCZOS) return img

修复完后再放大回去（可选），平衡质量与稳定性。

5.3 技巧三：并行处理，速度再提速

当前脚本是串行处理，一次一张。如果你服务器性能强，可以改造成多线程并发：

from concurrent.futures import ThreadPoolExecutor # 在batch_inpaint()中替换循环部分： with ThreadPoolExecutor(max_workers=4) as executor: futures = [executor.submit(process_single, filename) for filename in os.listdir(INPUT_DIR)] for future in futures: future.result()

⚠️ 注意：并发数不要太高，避免GPU显存不足或服务超时。

6. 实际应用场景举例

6.1 场景一：电商商品图去水印

你有一批供应商提供的商品图，每张都有他们的logo水印，位置固定。

做法：

写个脚本批量生成“右下角矩形”mask
调用批量修复
100张图5分钟搞定

6.2 场景二：老照片修复（划痕去除）

老照片扫描后有大量细小划痕，手动标注太累。

做法：

用OpenCV或简单阈值分割，识别出亮色划痕区域
自动生成mask
批量修复

6.3 场景三：设计稿中临时元素清除

设计师交稿前常留备注文字或占位图标。

做法：

统一规范文字区域位置
自动生成mask覆盖这些区域
自动清理，交付干净版本

7. 性能对比：手动 vs 批量

方式	单张耗时	10张总耗时	人力参与	可扩展性
手动WebUI操作	~30秒	~5分钟	全程盯着	差
批量脚本处理	~30秒	~3分钟（可并行更短）	设置后无需干预	极强

✅效率提升不止一倍，关键是解放人力。

8. 常见问题与解决方案

8.1 Q：脚本调用失败，返回空结果？

A：检查服务是否正常运行，确认/inpaint接口存在。可用curl测试：

curl -X POST http://localhost:7860/inpaint --json '{"image":"data","mask":"data"}'

8.2 Q：mask图怎么制作？

A：用任何图像工具（PS、GIMP、Paint.NET）画白色区域即可。保存为PNG，背景透明转为黑色，白色为修复区。

8.3 Q：修复结果模糊？

A：优先使用PNG原图输入，避免JPG压缩损失。同时确保mask不要过大，避免模型过度“脑补”。

8.4 Q：想保留原始分辨率？

A：脚本中不要resize，在服务端保证足够显存即可。LaMa对2000px以内图像表现良好。

9. 进阶建议：打造自己的自动化修复流水线

你可以把这个批量处理脚本封装成更完整的工具：

加入图形界面（Tkinter或Gradio）
支持拖拽文件夹
自动识别mask命名规则
日志记录+错误重试
输出报告统计修复数量

甚至可以做成定时任务，每天自动处理指定目录的新图片，真正实现“全自动图像清洁工厂”。

10. 总结：从“操作工”到“工程师”的思维转变

fft npainting lama这个镜像本身已经很好用了，但大多数人只停留在“点按钮”的层面。

而真正的效率飞跃，来自于理解它的本质是一个可编程的服务。

通过简单的脚本改造，我们实现了：

批量处理，效率翻倍
减少重复劳动，释放人力
可复制、可扩展的工作流

下次当你面对一堆重复任务时，别急着动手，先问自己一句：

“这件事能不能让程序替我做一遍？”

往往，答案是肯定的。

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。