HiDT 服务化部署指南如何将昼夜转换模型封装为可调用的推理 API【免费下载链接】HiDTOfficial repository for the paper High-Resolution Daytime Translation Without Domain Labels (CVPR2020, Oral)项目地址: https://gitcode.com/gh_mirrors/hi/HiDTHiDTHigh-Resolution Daytime Translation Without Domain Labels是 CVPR 2020 Oral 论文的官方 PyTorch 实现它能在不需要领域标签和成对数据的情况下把普通照片转换成白天、黄昏、夜晚等不同光照状态输出分辨率可达 1024×1024。本文是一份完整的HiDT 服务化部署指南手把手教你如何把官方预训练的昼夜转换模型封装成可调用的推理 API轻松接入你自己的业务系统。整个流程只需三步准备环境、加载模型、用 FastAPI 暴露接口跟着做十分钟即可上线一个昼夜转换推理服务。HiDT 是什么先看昼夜转换效果HiDT 的核心思路是把图像分解为内容content与风格style两个独立空间内容编码器提取图像结构风格编码器提取光照与色彩氛围解码器再把两者融合生成新图像。由于训练时不依赖任何标注信息模型天然支持风格插值——你可以在“多云”与“晴朗”之间平滑过渡也可以从黄昏渐变到夜晚效果十分惊艳。这些能力来自项目中的三个核心部件内容编码器、风格编码器和解码器它们分别定义在 content_encoders.py、style_encoders.py 和 decoders.py 中。部署前的准备工作环境与模型文件清单封装推理 API 之前先把运行环境准备好清单如下Python 环境要求 Python ≥ 3.7建议用 conda 创建独立环境避免依赖冲突。依赖安装项目依赖集中在 requirements.txt执行pip install -r requirements.txt即可核心依赖是 PyTorch、TorchVision、Pillow 和 PyYAML。模型文件白天转换模型 daytime.pt、艺术风格模型 wikiart.pt以及用于提升输出分辨率的增强器 enhancer.pth均随仓库提供无需自行训练。配置文件configs/daytime.yaml 和 configs/wikiart.yaml 定义了网络结构、测试数据变换等参数。获取仓库源码并进入项目目录git clone https://gitcode.com/gh_mirrors/hi/HiDT cd HiDT pip install -r requirements.txt认识核心推理类 StyleTransformer封装 API 的关键HiDT 官方仓库贴心提供了一个开箱即用的推理封装类StyleTransformer定义在 hidt/style_transformer.py 中它把“加载权重 → 图像预处理 → 内容风格解耦 → 融合重建 → 转回 PIL 图像”全流程串了起来是我们封装 HTTP 接口的最短路径。初始化时只需传入三个关键参数from hidt.style_transformer import StyleTransformer model StyleTransformer( config_pathconfigs/daytime.yaml, checkpoint_pathtrained_models/generator/daytime.pt, inference_size512, # 风格推理分辨率 devicecuda, # 无 GPU 可改为 cpu )其中config_path指定网络结构配置checkpoint_path指定预训练权重device决定运行在 GPU 还是 CPU 上。模型加载后即处于eval模式可以直接推理。核心步骤用 FastAPI 封装昼夜转换推理 API接下来编写服务端代码。我们使用轻量级的 FastAPI 框架把StyleTransformer包成一个 HTTP 服务对外暴露两个接口POST /translate上传一张内容图和一张风格图返回转换结果。GET /health健康检查便于负载均衡与监控。完整服务代码约 60 行import io from fastapi import FastAPI, UploadFile, File from PIL import Image from hidt.style_transformer import StyleTransformer app FastAPI(titleHiDT 昼夜转换推理 API) model StyleTransformer( config_pathconfigs/daytime.yaml, checkpoint_pathtrained_models/generator/daytime.pt, inference_size512, devicecuda, ) app.post(/translate) async def translate(content: UploadFile File(...), style: UploadFile File(...)): content_img Image.open(io.BytesIO(await content.read())).convert(RGB) style_img Image.open(io.BytesIO(await style.read())).convert(RGB) # 提取风格特征并执行转换 style_decomp model.get_style(style_img) result model.transfer_images_to_styles(content_img, style_decomp) # 转成字节流返回 buf io.BytesIO() result[0][0].save(buf, formatJPEG, quality95) return Response(contentbuf.getvalue(), media_typeimage/jpeg) app.get(/health) async def health(): return {status: ok}关键逻辑只有三行get_style提取风格图的光照特征transfer_images_to_styles把内容图“染”上该风格并重建图像最后把 PIL 图像编码为 JPEG 返回。transfer_images_to_styles还支持一次传入多张内容图做批量转换方便后续做并发优化。启动服务与调用测试保存上述代码为app.py用 uvicorn 启动服务uvicorn app:app --host 0.0.0.0 --port 8000启动后即可通过 curl 或任意 HTTP 客户端调用传一张风景照和一张风格参考图curl -X POST http://localhost:8000/translate \ -F contentcontent.jpg -F stylestyle.jpg \ -o output.jpg返回的output.jpg就是转换后的昼夜图像。项目仓库的 images/daytime 目录里自带内容图与风格图样本可以直接拿来测试接口。常见问题与性能优化技巧无 GPU 环境怎么办把devicecuda改为cpu即可只是推理速度会明显下降若有多张显卡可尝试增大batch_size分摊开销。如何提升输出分辨率HiDT 配合增强器G_enh实现位于 hidt/networks/enhancement/RRDBNet_arch.py可把结果进一步超分到高分辨率。增强流程是“生成器出图 → RRDBNet 超分 → 与原图融合”官方示例命令见 README.md 的 Inference 小节。推理速度调优inference_size越小推理越快但风格细节会略打折扣建议在 256512 之间权衡正式上线时把模型加载放在进程启动阶段如 FastAPI 的startup事件避免每次请求重复加载权重。并发与批处理transfer_images_to_styles内部支持 batch 推理可把多个请求的内容图攒成一个 batch 一起处理显著提升吞吐量。总结借助官方开箱即用的StyleTransformer推理类把 HiDT 昼夜转换模型封装成推理 API 并不复杂准备环境 → 加载预训练权重 → 用 FastAPI 暴露接口三步即可完成。封装完成后无论是做照片美化、影视调色还是艺术风格化都能以标准 HTTP 接口的形式快速集成到你的应用中。如果想体验艺术风格版本把配置和权重换成configs/wikiart.yaml与trained_models/generator/wikiart.pt即可其他代码一行都不用改。【免费下载链接】HiDTOfficial repository for the paper High-Resolution Daytime Translation Without Domain Labels (CVPR2020, Oral)项目地址: https://gitcode.com/gh_mirrors/hi/HiDT创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考