直接我们介绍过一键视频换脸技术，今天我们就来说下一键换装，这是目前效果最好的一个开源项目，完全免费！

在线体验：【链接直达】

开源项目：【GitHub】

网盘下载：【点击下载】

安装环境要求：

git clone https://github.com/yisol/IDM-VTON.git

conda env create -f environment.yaml

git clone https://github.com/yisol/IDM-VTON.git cd IDM-VTON conda env create -f environment.yaml conda activate idm

git clone https://github.com/yisol/IDM-VTON.git
cd IDM-VTON

conda env create -f environment.yaml
conda activate idm

数据准备

VITON-HD

您可以从 VITON-HD 下载 VITON – HD 数据集。

下载 VITON-HD 数据集后，将 vitonhd_test_tagged.json 移动到测试文件夹中。

数据集目录的结构应如下所示。

|– vitonhd_test_tagged.json

train |– … test |– image |– image-densepose |– agnostic-mask |– cloth |– vitonhd_test_tagged.json

train
|-- ...

test
|-- image
|-- image-densepose
|-- agnostic-mask
|-- cloth
|-- vitonhd_test_tagged.json

着装要求

您可以从DressCode下载 DressCode 数据集。

我们在这里提供预先计算的密集姿势图像和服装标题。

我们使用detectorron2来获取密集姿态图像，请参阅此处了解更多详细信息。

下载 DressCode 数据集后，放置图像密集目录和标题文本文件，如下所示。

DressCode |– dresses |– images |– image-densepose |– dc_caption.txt |– … |– lower_body |– images |– image-densepose |– dc_caption.txt |– … |– upper_body |– images |– image-densepose |– dc_caption.txt |– …

DressCode
|-- dresses
    |-- images
    |-- image-densepose
    |-- dc_caption.txt
    |-- ...
|-- lower_body
    |-- images
    |-- image-densepose
    |-- dc_caption.txt
    |-- ...
|-- upper_body
    |-- images
    |-- image-densepose
    |-- dc_caption.txt
    |-- ...

推理

VITON-HD

使用带参数的 python 文件进行推理，

accelerate launch inference.py

–width 768 –height 1024 –num_inference_steps 30

accelerate launch inference.py –width 768 –height 1024 –num_inference_steps 30 –output_dir “result” –unpaired –data_dir “DATA_DIR” –seed 42 –test_batch_size 2 –guidance_scale 2.0

accelerate launch inference.py 
    --width 768 --height 1024 --num_inference_steps 30 
    --output_dir "result" 
    --unpaired 
    --data_dir "DATA_DIR" 
    --seed 42 
    --test_batch_size 2 
    --guidance_scale 2.0

或者，您可以简单地使用脚本文件运行。

sh inference.sh

着装要求

对于 DressCode 数据集，通过类别参数输入要生成图像的类别，

accelerate launch inference_dc.py

–width 768 –height 1024 –num_inference_steps 30

accelerate launch inference_dc.py –width 768 –height 1024 –num_inference_steps 30 –output_dir “result” –unpaired –data_dir “DATA_DIR” –seed 42 –test_batch_size 2 –guidance_scale 2.0 –category “upper_body”

accelerate launch inference_dc.py 
    --width 768 --height 1024 --num_inference_steps 30 
    --output_dir "result" 
    --unpaired 
    --data_dir "DATA_DIR" 
    --seed 42 
    --test_batch_size 2
    --guidance_scale 2.0
    --category "upper_body"

或者，您可以简单地使用脚本文件运行。

sh inference.sh