DeOldify保姆级部署教程：Ubuntu20.04环境配置与模型推理

DeOldify保姆级部署教程：Ubuntu20.04环境配置与模型推理

想试试给老照片上色，让黑白记忆重现光彩吗？DeOldify这个项目最近挺火的，效果也确实惊艳。但很多朋友在第一步——环境部署上就卡住了，尤其是面对Ubuntu系统和各种依赖，感觉无从下手。

别担心，这篇教程就是为你准备的。我会手把手带你，在Ubuntu 20.04系统上，从零开始把DeOldify跑起来。咱们不聊复杂的原理，就聚焦一件事：怎么一步步操作，直到你能成功运行第一个上色脚本。过程中可能遇到的坑，比如驱动问题、依赖冲突，我都会提前告诉你解决方法。

跟着走一遍，你就能拥有自己的老照片修复工具了。

1. 环境准备：打好地基

在拉取和运行任何镜像之前，咱们得先把“地基”打好。对于DeOldify这类依赖GPU加速的AI应用，主要就是确保三件事：系统版本合适、显卡驱动装好、Docker环境就绪。

1.1 系统与硬件检查

首先，确认你的系统是否符合要求。打开终端，输入以下命令查看系统信息：

lsb_release -a

你应该能看到类似Ubuntu 20.04.x LTS的输出。20.04是一个长期支持版本，社区支持好，遇到问题也容易找到解决方案。

接着，检查你的显卡是否支持CUDA。DeOldify依赖CUDA进行GPU加速，这通常意味着你需要一块NVIDIA显卡。运行：

lspci | grep -i nvidia

如果能看到你的显卡型号（比如GeForce RTX 3060），那就没问题。如果没有任何输出，你可能使用的是集成显卡或AMD显卡，后续将无法使用GPU加速，运行速度会慢很多。

1.2 安装NVIDIA驱动与CUDA

这是最容易出错的环节。我的建议是，优先使用系统自带的“附加驱动”工具来安装，最简单稳定。

1. 打开“软件和更新”应用。
2. 切换到“附加驱动”标签页。
3. 系统会自动检测可用的专有驱动，选择一个带有“proprietary, tested”字样的推荐版本（例如nvidia-driver-535），然后点击“应用更改”。系统会提示你输入密码，并需要重启电脑。

重启后，在终端验证驱动是否安装成功：

nvidia-smi

如果看到显卡信息、驱动版本和CUDA版本（例如CUDA Version: 12.2）的表格，恭喜你，驱动安装成功了。这里显示的CUDA版本是驱动支持的最高版本，我们还需要安装具体的CUDA工具包。

对于Ubuntu 20.04，安装CUDA 11.8是一个兼容性较好的选择。访问NVIDIA官网查看具体安装命令，但通常可以通过以下命令完成：

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-ubuntu2004.pin sudo mv cuda-ubuntu2004.pin /etc/apt/preferences.d/cuda-repository-pin-600 sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/3bf863cc.pub sudo add-apt-repository "deb https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/ /" sudo apt-get update sudo apt-get -y install cuda-11-8

安装完成后，将CUDA路径添加到环境变量中。编辑你的~/.bashrc文件：

nano ~/.bashrc

在文件末尾添加：

export PATH=/usr/local/cuda-11.8/bin${PATH:+:${PATH}} export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

保存退出后，执行source ~/.bashrc使配置生效，并用nvcc --version验证CUDA安装。

1.3 安装与配置Docker

Docker能让我们免去配置复杂Python环境的烦恼。安装Docker引擎：

sudo apt-get update sudo apt-get install -y docker.io

安装后，将当前用户加入docker组，这样就不用每次都加sudo了：

sudo usermod -aG docker $USER

重要：执行此命令后，你需要完全退出当前终端会话并重新登录，或者重启电脑，这个改动才会生效。

最后，安装NVIDIA Container Toolkit，让Docker容器能使用GPU：

distribution=$(. /etc/os-release;echo $ID$VERSION_ID) curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list sudo apt-get update && sudo apt-get install -y nvidia-container-toolkit sudo systemctl restart docker

验证Docker和GPU支持是否正常：

docker run --rm --gpus all nvidia/cuda:11.8.0-base-ubuntu20.04 nvidia-smi

如果能看到和宿主机运行nvidia-smi类似的输出，说明所有环境都已完美配置。

2. 获取与运行DeOldify镜像

环境准备好了，现在我们来获取DeOldify的镜像。这里我们使用一个预配置好的镜像，它已经包含了大部分依赖，省时省力。

2.1 拉取镜像

在终端中，使用docker pull命令拉取镜像。你可以从常见的镜像仓库（如Docker Hub）搜索“deoldify”相关的镜像。假设我们找到一个名为your_repo/deoldify:latest的镜像（请替换为实际可用的镜像名）。

docker pull your_repo/deoldify:latest

这个过程会下载镜像文件，时间取决于你的网速。完成后，可以用docker images命令查看已下载的镜像。

2.2 启动容器

镜像拉取后，我们需要以交互模式运行它，并挂载本地目录以便传入图片和保存结果。创建一个用于工作的本地文件夹，比如~/deoldify_workspace。

mkdir -p ~/deoldify_workspace cd ~/deoldify_workspace

然后启动容器：

docker run -it --gpus all \ -v $(pwd):/workspace \ -p 8888:8888 \ --name deoldify_container \ your_repo/deoldify:latest \ /bin/bash

解释一下参数：

• -it：以交互模式运行，并分配一个伪终端。
• --gpus all：将宿主机的所有GPU资源分配给容器。
• -v $(pwd):/workspace：把当前目录（~/deoldify_workspace）挂载到容器内的/workspace目录。这样容器内生成的文件在宿主机也能直接访问。
• -p 8888:8888：将容器的8888端口映射到宿主机。如果镜像内置了Jupyter Notebook，可以通过浏览器访问。
• --name：给容器起个名字，方便管理。
• 最后的/bin/bash是启动容器后执行的命令，即进入bash shell。

执行后，你会发现终端提示符变了，说明你已经进入了容器内部。

3. 容器内配置与模型下载

现在我们在容器内部了。预制的镜像可能已经安装好了Python、PyTorch等，但DeOldify的模型权重文件通常需要单独下载。

3.1 下载模型权重

DeOldify主要提供三种模型：Artistic、Stable和Video。Artistic风格更艺术化，色彩可能更鲜艳；Stable更稳定、真实。我们以Stable模型为例。

在容器内的shell中，通常我们可以使用项目自带的下载脚本，或者直接使用wget下载。首先，进入项目目录（假设镜像中已预置在/deoldify）：

cd /deoldify

然后，下载模型权重文件。你可以查看项目README找到模型文件的直链，或者使用如下方式（链接可能需要根据项目更新进行调整）：

wget https://data.deepai.org/deoldify/ColorizeStable_gen.pth -P ./models/

这会将权重文件ColorizeStable_gen.pth下载到容器内的./models/目录。由于我们启动容器时挂载了卷，这个文件实际上也保存在你的~/deoldify_workspace里。

3.2 安装额外依赖（如果需要）

尽管是预置镜像，但为了运行我们自己的脚本，可能需要确保一些额外的Python包。在容器内安装：

pip install --upgrade pip pip install jupyterlab matplotlib opencv-python

如果遇到权限问题，可以加上--user参数。

4. 编写并运行第一个上色脚本

一切就绪，让我们写一个简单的Python脚本来测试上色效果。

4.1 准备测试图片

在宿主机上，也就是你的~/deoldify_workspace文件夹里，放一张你想上色的黑白或老旧照片，命名为old_photo.jpg。然后在容器内的/workspace目录下就能看到它。

4.2 编写推理脚本

在容器内，我们创建一个Python脚本。你可以使用vi或cat命令。这里我们用cat直接创建：

cd /workspace cat > colorize.py << 'EOF' import torch from deoldify import device from deoldify.device_id import DeviceId from deoldify.visualize import * # 设置设备为GPU（如果可用） device.set(device=DeviceId.GPU0) # 如果只有一块GPU，就用GPU0 torch.backends.cudnn.benchmark = True # 初始化着色器 colorizer = get_image_colorizer(artistic=False) # artistic=False 使用Stable模型 # 设置渲染参数（可选） render_factor = 35 # 这个值影响细节和速度，通常在15-40之间尝试 # 对图片进行上色 source_path = '/workspace/old_photo.jpg' result_path = '/workspace/colorized_photo.jpg' try: # 执行上色 result = colorizer.get_transformed_image( path=source_path, render_factor=render_factor, watermarked=False # 是否添加水印 ) if result is not None: # 保存结果 result.save(result_path) print(f"上色成功！结果已保存至: {result_path}") else: print("上色失败，未得到有效结果。") except Exception as e: print(f"处理过程中发生错误: {e}") EOF

这个脚本做了几件事：

1. 导入必要的DeOldify模块。
2. 设置使用GPU。
3. 初始化Stable模型着色器。
4. 设置render_factor参数，这个值越小，处理越快但可能丢失细节；越大，细节越丰富但更慢。
5. 指定输入图片路径和输出路径，然后调用着色函数。
6. 最后保存并打印成功信息。

4.3 运行脚本并查看结果

在容器内运行这个脚本：

cd /workspace python colorize.py

第一次运行会加载模型，可能需要一两分钟。加载完成后，处理图片就很快了。你会在终端看到一些进度信息。

处理完成后，回到你的宿主机~/deoldify_workspace目录，就能看到新生成的colorized_photo.jpg。打开对比一下，看看黑白照片是不是焕然一新了！

5. 常见问题与解决思路

部署过程中难免会遇到问题，这里列举几个常见的：

• docker: Error response from daemon: could not select device driver...这说明NVIDIA Container Toolkit没有正确安装或Docker服务未重启。请重新执行安装NVIDIA Container Toolkit的命令，并确保执行了sudo systemctl restart docker。

• RuntimeError: CUDA out of memory.GPU内存不足。可以尝试：1) 减小render_factor值；2) 处理分辨率更小的图片；3) 确保没有其他程序占用大量显存。

• ModuleNotFoundError: No module named 'deoldify'容器内Python路径可能未包含DeOldify项目目录。在脚本开头或容器内尝试添加：

  import sys sys.path.append('/deoldify') # 根据镜像实际路径调整

• 上色效果不理想（颜色怪异、渗色）这是模型本身的问题。可以尝试：1) 切换到Artistic模型 (artistic=True)；2) 调整render_factor参数；3) 原始图片质量太差，可以尝试先用其他工具进行初步的降噪、修复。

• 如何退出和重新进入容器？

  • 在容器内终端按Ctrl+D或输入exit可以退出并停止容器。
  • 如果只是暂时退出（保持容器运行），按Ctrl+P然后Ctrl+Q。
  • 要重新进入正在运行的容器：docker exec -it deoldify_container /bin/bash。

6. 总结

走完整个流程，你会发现部署DeOldify其实并没有想象中那么复杂，关键是把环境依赖一步步理顺。从检查系统、安装驱动CUDA和Docker，到拉取镜像、下载模型，最后写一个简单的脚本跑起来，每一步都有明确的目标。

用下来感觉，基于Docker镜像的方式确实省心，避免了在本地配置Python环境可能带来的各种包冲突问题。第一次成功给老照片上色的时候，还是挺有成就感的。你可以多试试不同的render_factor参数，或者换用Artistic模型，看看哪种风格更适合你的照片。

如果遇到问题，别慌，回头检查一下对应的步骤，大部分错误信息在网上都能找到解决方案。接下来，你可以尝试用这个工具处理更多照片，或者探索一下它的视频上色功能，让老录像也动起来。

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。