GPEN能否跑在树莓派上？ARM架构移植实验记录
1. 实验背景与目标
最近在研究图像修复和肖像增强技术时，接触到了一个非常实用的开源项目——GPEN（Generative Prior ENhancement）。它基于深度学习模型，能够对人脸照片进行高质量的细节恢复、去噪、锐化处理，特别适合老照片修复、低质量图像优化等场景。
原项目主要面向x86_64架构的PC环境运行，依赖PyTorch和CUDA加速。但我在想：能不能把它移植到树莓派这类ARM架构的小型设备上？毕竟树莓派成本低、功耗小，如果能本地运行GPEN，就可以做成便携式老照片数字化工具，甚至嵌入到家庭相册系统中。
于是，我开始了这次ARM平台的移植实验，目标是：
- 在树莓派5（8GB内存）上成功部署GPEN
- 验证其是否能在无GPU支持的情况下完成推理
- 测试实际处理速度与效果表现
- 提供可复现的操作路径
2. 环境准备与硬件配置
2.1 硬件清单
| 设备 | 型号/规格 |
|---|---|
| 主板 | Raspberry Pi 5 (4GB/8GB) |
| 存储 | SanDisk Extreme Pro 32GB microSD + USB 3.0 SSD（用于swap扩展） |
| 内存 | 官方散热风扇+金属外壳主动散热 |
| 电源 | 5V/5A USB-C PD供电 |
⚠️注意：GPEN模型较大，建议使用8GB版本树莓派，并外接SSD作为虚拟内存盘，避免频繁卡死。
2.2 软件环境
- OS: Raspberry Pi OS (64-bit) Bookworm Lite
- Kernel: Linux 6.6 aarch64
- Python: 3.11.7
- PyTorch: 2.1.0+torchvision（通过pip安装arm64预编译包）
- CUDA: 不可用（树莓派无NVIDIA GPU）
- 推理后端: CPU-only模式
# 安装PyTorch for ARM64 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu3. 项目获取与依赖安装
3.1 克隆源码并切换分支
原版GPEN项目地址：https://github.com/yangxy/GPEN
我使用的二次开发WebUI版本由“科哥”维护，已集成中文界面和参数调节功能。
git clone https://gitee.com/kege/gpen-webui.git cd gpen-webui3.2 安装Python依赖
编辑requirements.txt，调整部分不兼容库：
Flask==2.3.3 numpy==1.24.3 opencv-python-headless==4.8.0.74 Pillow==9.5.0 torch==2.1.0 torchvision==0.16.0 tqdm==4.66.0安装命令：
pip install -r requirements.txt❗关键修改点：
- 使用
opencv-python-headless替代标准OpenCV，避免GUI依赖导致安装失败- 移除
matplotlib等非必要可视化库- 所有依赖均需支持aarch64架构
4. 模型适配与加载优化
4.1 模型文件检查
GPEN默认使用以下模型文件（位于weights/目录）：
GPEN-BFR-512.onnx（主模型）- 或
.pth格式的PyTorch权重
由于ONNX Runtime在ARM上性能更稳定，优先尝试转换为ONNX格式运行。
4.2 转换模型为ONNX格式（可选）
import torch from models.gpen import GPENNet # 加载原始模型 model = GPENNet(in_size=512, channel_multiplier=2) model.load_state_dict(torch.load("weights/GPEN-BFR-512.pth")) # 导出ONNX dummy_input = torch.randn(1, 3, 512, 512) torch.onnx.export( model, dummy_input, "gpen_512.onnx", input_names=["input"], output_names=["output"], opset_version=11 )4.3 修改推理代码以适应CPU
在inference.py中加入设备判断逻辑：
device = 'cpu' # 强制使用CPU model.to(device) model.eval() with torch.no_grad(): img = img.unsqueeze(0).to(device) result = model(img)同时降低输入分辨率至256×256或384×384，提升响应速度。
5. WebUI界面本地化适配
5.1 启动脚本调整
原启动脚本/root/run.sh内容如下：
#!/bin/bash cd /root/gpen-webui python app.py --port 7860 --host 0.0.0.0需要确保：
- Flask监听外部IP（
--host 0.0.0.0） - 端口未被占用
- 日志输出重定向便于调试
5.2 性能降级设置
在app.py中添加限制：
# 默认参数调整 DEFAULT_PARAMS = { 'enhance_strength': 60, 'denoise_level': 30, 'sharpen_level': 40, 'resolution': 384 # 从512降至384 }防止高分辨率请求直接压垮内存。
6. 实际运行测试与性能评估
6.1 首次启动结果
执行命令：
/bin/bash /root/run.sh输出日志显示：
* Running on http://0.0.0.0:7860 Model loaded successfully on CPU. Memory usage: ~1.8GB✅ 成功加载模型！
⚠️ 初始加载耗时约45秒（SSD缓存下）
6.2 单图处理实测数据
使用一张 1080×1080 的人像照片进行测试：
| 参数 | 设置值 |
|---|---|
| 输入尺寸 | 缩放至 384×384 |
| 增强强度 | 70 |
| 处理模式 | 自然 |
| 设备 | CPU-only |
处理时间：约98秒
CPU占用率：平均95%（四核全负载）
温度监控：最高达72°C（启用风扇后回落至63°C）
输出质量：面部细节清晰，肤色自然，轻微磨皮感
📌结论：虽然慢，但完全可用！
7. 批量处理可行性分析
尝试上传5张图片进行批量处理：
- 第一张耗时98秒
- 后续每张约85秒（因模型已加载）
- 总耗时约7分钟
- 过程中系统响应变慢，浏览器偶发超时
优化建议：
- 增加swap空间：挂载USB SSD作为2GB swap分区
- 启用轻量模式：将分辨率降至256×256，处理时间可缩短至40秒以内
- 异步队列机制：用Celery或线程池管理任务，避免阻塞主线程
- 前端提示优化：添加“正在排队”状态反馈
8. 与其他方案对比
| 方案 | 是否可在树莓派运行 | 推理速度 | 图像质量 | 易用性 |
|---|---|---|---|---|
| GPEN (本实验) | ✅ 可运行（CPU） | 慢（~100s） | ★★★★☆ | ★★★★☆ |
| GFPGAN | ✅ 有社区移植版 | 中等（~40s） | ★★★☆☆ | ★★★☆☆ |
| CodeFormer | ⚠️ 部分依赖问题 | 较慢 | ★★★★☆ | ★★☆☆☆ |
| Remini类App | ❌ 闭源不可控 | 快 | ★★★★☆ | ★★★★★ |
| PC本地运行GPEN+GPU | ✅ 完美支持 | 极快（<5s） | ★★★★★ | ★★★★☆ |
👉优势总结：
- 完全本地化，隐私安全
- 开源可控，可二次开发
- 支持中文界面和参数调节
- 无需联网即可使用
9. 常见问题与解决方案
9.1 ImportError: libgomp.so.1: cannot open shared object file
原因：缺少OpenMP运行库
解决：
sudo apt install libgomp1 -y9.2 RuntimeError: Input type (torch.FloatTensor) and weight type (torch.cuda.FloatTensor) should be the same
原因：代码未正确指定设备
解决：在模型和输入前都加上.to('cpu')
9.3 MemoryError 或 Killed
原因：内存不足触发OOM killer
解决：
- 添加2GB swap空间
- 减少batch size（设为1）
- 降低图像分辨率
- 关闭其他服务（如桌面环境）
9.4 Web界面无法访问
排查步骤：
- 检查防火墙是否开放7860端口
- 确认Flask监听的是
0.0.0.0而非127.0.0.1 - 使用
curl http://localhost:7860在本地测试
10. 应用场景拓展建议
尽管性能有限，但在特定场景下仍有价值：
10.1 家庭老照片数字化站
将树莓派+触摸屏封装成一体机，老人可自助扫描老照片并一键修复，结果保存到U盘。
10.2 边缘计算节点
部署在偏远地区摄影工作室，离线处理客户人像，再通过邮件发送高清结果。
10.3 教育演示平台
用于AI课程教学，展示深度学习模型在真实设备上的运行过程。
10.4 数字博物馆辅助工具
博物馆工作人员现场拍摄老旧档案照片后即时增强，提高采集效率。
11. 总结
经过本次实验验证，GPEN确实可以在树莓派上运行，尽管受限于ARM架构和缺乏GPU加速，处理速度较慢（单图约1.5分钟），但整体功能完整，输出质量令人满意。
关键成功要素：
- 使用64位Raspberry Pi OS
- 安装正确的aarch64版PyTorch
- 降低输入分辨率至384px以内
- 配置足够swap空间
- 优化WebUI参数防止崩溃
适用建议：
- 适合场景：低频次、注重隐私、离线使用的图像增强需求
- 不适合场景：实时处理、大批量自动化任务
未来可以考虑结合TensorRT-LLM或CoreML等框架进一步优化推理效率，或者采用树莓派CM4模块集成到专业设备中。
如果你也想打造一台属于自己的“AI修图魔盒”，这个项目绝对值得一试。
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。
