20260601 DeepFaceLab_MVEfork_合体版

wtxx8888

星级打分

• 1
• 2
• 3
• 4
• 5

平均分:5  参与人数:1  我的评分:未评

2026-0601 更新

CUDA版 改为Torch框架
**启用CUDNN优化 显存减少1/5
**人脸模型 百分百兼容
**XSEG模型 需要重新训练（与TF架构，有6个随机层的差异，所以无法直接使用）
**支持 16/20/30/40/50系N卡（需安装N卡 支持CUDA12.8的 驱动）
**10系需手动 降级依赖为CUDA11.8（z09-Tools目录 执行命令 自动更换）

DML版 升级解释器到pythonw3.10
**XSEG 由于新的层算法 旧遮罩只有256 可以兼容
**GAN参数 恢复了 平滑与噪点的算法
**由于对共享显存的分配特性 初开GAN很容易炸（也可能很顺 初开就成功正常运行）
****当GAN 连续报NAN（有时崩溃 报层错误) 关闭训练并重试（可能要多次尝试 直到正常）

Torch版 支持真*多显卡并行
**训练默认命令是 DP‌：‌数据并行‌（Data Parallel） 支持单机多显卡
**DDP前缀训练命令是 DDP‌：‌分布式数据并行‌（Distributed Data Parallel） 支持多机多显卡的 单机版

DML版 支持真*多显卡并行
**训练默认命令是 DP‌：‌数据并行‌（Data Parallel） 支持单机多显卡

新的脸图格式 PNG （Torch，DML）
**无缝支持 与JPG混用

PNG脸图配套的 GUI角度筛选器 （Torch，DML）
**支持中文名
**支持JPG，PNG混用
**筛选器预览图 显示特征点
**支持选定图片，复制到 指定目录内（主视窗是全局 可跨格子多选，格子内 是限定本格）
**支持删除选定的图片 （主视窗是全局 可跨格子多选，格子内 是限定本格）
**命令位置 z09-Tools

PNG脸图配套的 XSEG编辑器 （Torch，DML）
**支持JPG，PNG混用
**XSEG编辑器 支持编辑特征点
****点击编辑特征点，再次点击 切回遮罩编辑
****调整点位时 只显示所属组 放开鼠标 显示全部
****鼠标指针中心 滚轮放大缩小
****放大缩小倍数 1X--8X
**XSEG编辑器 支持写入遮罩 转可编辑点(自愿捐赠 开启功能)

指定人脸 提取视频帧(切脸) （Torch，DML）
**使用 insightface 人脸模型套装 antelopev2（非insightface.app集成库）
**支持无限长度的 视频 （指定帧数 智能分段）
**支持限定 最小区域过滤（排除远景的 低解析度 人脸）
**可选FULL（帧图） 或直接FACE（切脸）
****直接切脸 支持配套参数（脸型 解析度 脸图格式）
****切脸 全模型使用 insightface的5点对齐（原版为 仿射变换 算法对齐）
****图片存储质量为 JPG-100 PNG-3
**指定 包含1人脸的视频帧（脸图太小 无法识别特征）
**耗时大概跟 视频播放的时间 差不多（16系）
**内存操作 支持多线程（内存需求标准 在命令内注释 自行类推更改）
**命令位置 z09-Tools
**示例目录 workspace\input\
**命令内 有参数的说明
**自愿捐赠 开启功能

指定人脸 帧图切脸（上面视频的变种） （Torch，DML）
**与原版切脸的区别  原版用 仿射变换 算法对齐，此版全模型用 insightface的5点对齐
**命令位置 z09-Tools
**命令内 有参数的说明
**自愿捐赠 开启功能

支持导出 2G以上的DFM(ONNX 多文件结构)（Torch，DML）
**引导文件加 多文件权重（类似分卷压缩 使用时 需要全部文件在一起）
**支持 LIVE直接调用
**XSEG模型 支持输出ROPE顺序

人脸模型 支持混合精度 （Torch）
**支持 20/30/40/50 及同级的专业N卡
**显存减少2/5 提速1/3
**自愿捐赠 开启功能

人脸模型 支持梯度检查点 （Torch）
**减速1/5 显存减少2/5
**自愿捐赠 开启功能

新的 人脸检测模型 SCRFD （Torch，DML）
**自愿捐赠 开启功能

新的 人脸标点模型 1k3d68(3D 68点) （Torch，DML）
**自愿捐赠 开启功能
新的 人脸标点模型 2d106det（2D 106点转68点）（Torch，DML）
**自愿捐赠 开启功能

帧图切脸 支持单显卡多线程 （Torch，DML）
**DML在12线程下，16系6G 切脸512，速度55 it/s（SCRFD + 2d106det）
**Torch在10线程下。16系6G 切脸512，速度53 it/s（SCRFD + 2d106det）
**线程最大值 是根据显卡的显存 设定，32G 最少也能开到32线
**自愿捐赠 开启功能

手动切脸 支持先自动标点 （Torch，DML）
**自愿捐赠 开启功能

手动切脸 支持选定后（自动标点后） 调整特征点 （Torch，DML）
**调整点位时 只显示所属组，放开鼠标 显示全部
**鼠标指针中心 滚轮放大缩小
**放大缩小倍数 1X--8X

人脸模型 支持更改解析度 （Torch，DML）
**废弃模型Q96的 进阶玩法
**权重双线性 重映射 保留Int权重（实验性 自行尝试，并不是 所有模型都好使）
**不好使的（炸了五颜六色 就是不好使），请选 重建Int

人脸模型 添加样本比例参数（Torch，DML）
**原版默认 0.15

人脸模型 添加指定 备份次数（Torch，DML）
**不写入options字典

人脸模型 添加自动变换学习率（Torch，DML）
**起步1e-05 高点5e-05 波浪式循环

人脸模型 添加GAN预热参数（Torch，DML）
**不写入options字典

人脸模型 大角度优化参数 优化排序速度（Torch，DML）
**瞬间完成

人脸模型 支持更改脸型 （Torch，DML）

人脸模型 支持对老旧模型 添加U参数 （Torch，DML）

人脸模型，XSEG模型 优化了 高LOSS重复训练的 算法 （Torch，DML）
**重复训练时 添加了 显示当前学习率

人脸模型，XSEG模型 开放解析度上限至 1024 （Torch，DML）

XSEG模型 增加更改脸型（Torch，DML）
**有没有奇效 不知道，复制粘贴的事，顺手加上

新的轻量级 XSEG模型 （Torch，DML）
**提升CPU负载1/5 显存减少1/2 训练提速1.2倍 写入提速1/3 推理提速1/3
**新建XSEG模型的 一次性参数
**自愿捐赠 开启功能

XSEG模型 支持混合精度 （Torch）
**支持 20/30/40/50 及同级的专业N卡
**显存减少2/5 提速1/3
**自愿捐赠 开启功能

遮罩模型 支持梯度检查点 （Torch）
**减速1/5 显存减少2/5
**自愿捐赠 开启功能

写入遮罩 可同步生成 黑白遮罩图 （Torch，DML）
**取消了 合成视频时的 黑白图输出

导出视频增加 H265 VP9 AV1 （Torch，DML）
**FFMPEG版本为 2026-05-13
**命令位置 z07-To video

百度链接:https://pan.baidu.com/s/1OehkX87p5bC38xbEadqzCA?pwd=8856
提取码:8856

解压：DFL-MVE_合体增强版


紧急修正Torch版本，T参数模型，推理层转换不全的问题。已经下载的，解压下面的补丁，覆盖即可。
没下载过的，正常下载就行 不需要此补丁，压缩包 更新修正了  此问题。
1.
DeepFaceLab.rar (112.02 KB, 下载次数: 38)

2026-6-2 05:35 上传

点击文件名下载附件

DML版本，是影响的DFM导出，已经下载的，下载补丁。
DeepFaceLab.zip (170.77 KB, 下载次数: 18)

2026-6-2 06:33 上传

点击文件名下载附件

2.
Torch版本，开启备份报错修正。
备份参数报错DeepFaceLab.rar (241.81 KB, 下载次数: 15)

2026-6-6 00:24 上传

点击文件名下载附件

3.
修正补丁，颜色模式选择RCT的  报错问题。
Torch版本： RCT-DeepFaceLab.rar (132.71 KB, 下载次数: 18)

2026-6-13 11:38 上传

点击文件名下载附件

DML版本： RCT-DeepFaceLab.zip (150.8 KB, 下载次数: 5)

2026-6-13 11:38 上传

点击文件名下载附件

以上补丁，是已经下载的，才需要覆盖，第一次下载的不需要，压缩包 已经是修正过了。

come3002

7.10-11   256dfud，44w预训练丹修改分辨率 为416dfud 过程 睫毛等细节观察。

之前训练关注点是下牙齿等，这是很多坛友使用256dfud等小分辨率  模型 在樱花1080p 通常镜头 所关注的特征。但是很多使用高分辨率模型的坛友，可能关注的不仅仅是下牙齿，而是VR等近景 睫毛等特征。
要完成通常镜头 和 vr 近景。需要分别炼制小分辨率和 高分辨率两个丹。此时，高分辨率丹尤其慢，试错成本高、出错难挽回，发现问题晚，浪费时间浪费算力的可能。

故 本实验 256dfud 先行试错，随着 摸索经验的基础上；再分 修改 分辨率，并观察睫毛等细节。探讨创建 基础256dfud通用丹，巧妙修改分辨率 升级为高丹，实现小分辨率更快速出结果，高分辨率出优质细节。从而更节约时间和算力可能性。


第一阶段。256dfud 睫毛丹→288dfud 睫毛丹。

先行的技术探路
丹：256丹 预训练 441000 前期已经大量的试错，并已经出 部分睫毛（正脸有的出3根）
修改分辨率，256dfud→288dfud。素材图片不变。bs 24→ bs16，继续训练
结果：修改后的288dfud，大约3000迭代 累计 444000 出下牙齿；修改后的 288dfud 4000迭代出 大约5-6道下牙齿。
修改后的 288dfud 大约 4000 迭代 出3道睫毛。




大约4000迭代 累计 445000 出 3根睫毛。




9000迭代。右下角 图片上的 上嘴唇纹理也炼制出来。


左上角光影，也炼制出来


练 部分 睫毛 的难易程度。
预训练 大约44w  3根睫毛 较难 ＞ 预训练 曲 大约30w  1根睫毛 适中＞ 修改模型分辨率288 4000迭代 左右 3根睫毛 最易
对比发现，预训练阶段 已经炼制出 部分睫毛等细节后（30-44w 部分睫毛 ）此步为最困难的部分。修改分辨率 炼制 出 睫毛则非常快，说明预训练model 中 已经炼制的细节 如3根睫毛 可以 呈递给 后续训练如 修改分辨率288使用。


7.11第二阶段。 288dfud 睫毛丹→416dfud 睫毛丹。
再修改分辨率实验。
丹：288 预训练 468000 已经出 部分睫毛（正脸有的出3根）
再修改分辨率，256dfud→416dfud。素材图片不变。bs 16→ bs12，继续训练
结果：修改后的416dfud，大约1000迭代出较好的人脸；2000迭代出上牙齿；4000迭代 出1道下牙齿；修改后的 416dfud 8000迭代出 1道睫毛。
修改后的 416 dfud 大约 10000 迭代 小下牙齿5道，出 人脸腮部光影，并能 发现部分图片 出4道睫毛。


下图，2000迭代 出 上牙齿。





4000 大约出 1道下牙齿齿缝



8000 迭代 出1道 睫毛






10000 迭代，非常小的 下牙齿 大约出5道。第一行的 左腮 人脸光影 炼制出来



10000迭代，部分出 4道 睫毛。


讨论：

256小分辨率模型的炼制时候，大多坛友关注的是下牙齿炼制。小分辨率 非常快 ，前期试错极佳（通常使用高清素材）
416等 大模型分辨率的炼制，对樱花 VR等。大多关注的是 睫毛 的炼制。大分辨率非常慢。炼制慢，难度大，发现问题晚、试错成本极高 （通常使用 超高清素材）
要完成 上述，很多坛友 大多要炼制两个丹。一个 简单快捷的256，一个 高难度的416.丹。但会存在不通用和浪费时间算力的弊端。


通用是王道。前期 很多坛友 针对努力，在兼容和通用下了很多功夫。
基于此，能否一个通用丹，既能完成小分辨率 前期试错，强化学习能力，具备非常快的炼制下牙齿特征，又能 具备升级的可能。将来转为 416等大分辨率 睫毛丹？
模拟这一过程。炼制了 256dfud 丹 44w 。前期进行了大量的试错。并出 3根 睫毛（远远超过 256的 一般要求）。先行 修改 略微 提升一点，进行探路。改成分辨率288dfud，发现短时间内（4000迭代）288dfud 分辨率能继承之前炼制好的部分3道睫毛，也出了上嘴唇纹理（9000迭代），基本完成预期；再次进行实验 以改过的288基础上 再修改→ 416dfud 大分辨率丹，继续训练发现 大约 5000迭代 出1道下牙齿，1w  小 下牙齿 大约出5道，人脸腮部出光影、 部分图片出 4道 睫毛，整体看同样还是非常快，效率非常高。

发现一个有趣的现象：当模型在预训练 阶段的下牙齿 睫毛等细节上训练成熟后，切换了模型分辨率，下牙齿、睫毛等 学习速度异常快。揭示了256预训练模型的迁移学习能力。
高质量的256预训练模型像个 学霸，学完了下牙齿、睫毛等细节后非常优秀；当 转288 后学习能力很强，哪怕转过一次后，再转 416大分辨率， 其学习能力 依然非常快。

本实验，使用一套素材图片，先行建立一个256小分辨率丹，进行了大量试错实验，成熟后再修改为 目标分辨率如 416 大分辨率丹 出更高细节。
探讨创建 基础256dfud 快捷试错通用丹，巧妙修改分辨率 升级为高丹，实现model 转变为学习能力强、快速与高效、兼容与通用，灵活的升级潜力等综合能力的通用丹。从而在本质上，节约炼制时间和算力，提供了 一种参考思路。
（注：以上是探路，故意进行了2次修改。真正使用，大可不必这么麻烦。 可以为 一次修改 如创建 288dfud 训练出 睫毛等特征后 →修改为 416dfud 睫毛丹 等。）

修改 分辨率模型的时机的讨论。

首先，炼制细节特点方面的呈递。

多次试错测试。发现 时机很重要。继承性时机要有所考量。
关注点是 下牙齿，关注点 是睫毛 就有很大的不同。

256的试错丹，17w丹 出下牙齿 没出睫毛；44w 出下牙齿 出3-4根睫毛。
17w的 256 model，修改为352时候，是可以快速 呈递 并 出现 下牙齿的，但是 睫毛没出。
44w的 256model。修改为 288，再次 改为416.两次 训练都 快速呈递并出现了 下牙齿和 3-4根睫毛。
从 睫毛、光影等信息呈递看，model B 256dfud 44w预训练 修改分辨率效果 要远远好于17w。
说明，修改后的新丹会兼容256所学信息。即新版44w 256炼制了 下牙齿 睫毛， 416能兼容并继承；从另一个角度看，旧版 256 炼制了下牙齿 但是 没睫毛 ，转352 同样是能兼容并继承？

这或许可以解释一种现象，高迭代不一定高效率。
即256 炼制出上牙齿  没有炼制 下牙齿和睫毛 假设200w-1000w 都是 如此； 一直是只有上牙齿 没有 下牙齿 没有睫毛，这200-1000w 肯定是炼制了一些东西。既然没有下牙齿和睫毛，相当于 大部分炼制了模糊信息。转416 兼容并继承的就是 炼制上牙齿，而无 下牙齿 无睫毛。此时，若要发生改变，就要覆写 1000 w 中的 模糊信息。 呈递过程中，算力和迭代 发生了偏移，会不会导致炼制 416的 下牙齿 和睫毛 困难重重，炼制效率特别慢？


假设和验证：
预训练 下牙齿 → 呈递给 正训 下牙齿（高质量信息）；预训练 略模糊 → 呈递给 正训 略模糊（低质量信息）。 预训练 胡子男 → 正训 胡子信息（污染信息 ）。


演绎推理，关于快速 高效的炼制 质感，是不是类似如此？
预训练（？）→  呈递正训 单人 src 18岁 嫩滑肌肤，
逆推法， 预训练 炼制出 嫩滑肌肤感？


如果 将来 主体的单人 src 是 18岁嫩滑肌肤；或 是 中年 过期 女主 中年质感。就要在预训练阶段 有所侧重，针对 大分辨率模型，试错成本高的模型， 更能节约时间和算力？
高效信息传递：

情景1 预训练 侧重用的中年女性，炼制出 中年 张天仙 王天仙 等 过期女主类别的中年质感；修改分辨率/转正训 src换成单人的 中年 刘天仙（也算过期女主） 后容易继承 之前的中年质感？  VR 近景的 真实质感会更佳？
误区：预训练 用的 侧重的 年轻女性，并炼制的主要是嫩肤；几十万，乃至 几百万 上千万；将来想 炼制 另一类 刘天仙 中年女性质感，这一中年质感 在预训练中恰好没有涉及或 没有炼制出来，这些质感图片里的信息就相当于覆写之前嫩滑的人脸信息。短时间难以炼制出 中年质感出来，显得效率很低很低？


情景2：预训练 侧重用的年轻女性，炼制出18岁左右 嫩滑的质感，修改分辨率/转正训后，换成 同类的 18岁 嫩滑肌肤 容易 继承 18岁 嫩滑的质感？  哪怕 dst是 中年 甚至是老年的 樱花 ， 樱花片源的普通场景 换脸 会 高效美观，让 观感更佳？

其次，角度和光影方面的考量。

DFl 有个 遇强则强，遇弱则弱的现象。对于一般玩家。凑齐全角度全光影的 预训练杂图相对容易
假设 预训练杂图 角度 100，预训练 光影为100，
预训练进行修改模型分辨率。则遇强则强。继承更多的信息。100的角度，100的光影。能继承更多的角度和光影。


正训进行修改模型分辨率，则完全跟src有关。非常容易出现，遇弱则弱。
假设 一般玩家 正训 单一src 杨M 角度60，光影 60.
举例 预训练100分的丹转为正训 288-416，通常 用  单一 杨M等 60分的 src vs dst 杂图。
单一的src 训练 随机扭曲 时间越久，第二列 中 蕴含的 底单的信息权重会降低，那么 第二列 角度得分 会从100越来越趋于60. 光影 也是越来越趋于60.
加之，随机扭曲 另外会带来一定的细节的损失。对 牙齿 对 睫毛 细节破坏。此时正训随机扭曲阶段 第二列 趋于60分的状态下，再去修改分辨率。得到的 高分辨率换脸细节得到提升，但是 修改后的model 假设 288-416 的 第二列 的信息 不是直接由 256的 预训练 100 而来，中间 间隔了 256的 并且随机扭曲的 60分的 杨M 正训部分，导致间隔更长了。从而偏移60分 更严重，而更趋向 最后阶段 杨M的 角度60  光影 60分。
修改的model，炼制了一个src后，很多坛友 容易 更换 src。
假设 再次更换src，换成 刘M 256 随机扭曲 是 角度60分，光影 60分。那么 继承的 同理，是最近阶段的 更有影响力。即是 最近的 杨M 来信息迁移（从60分的 角度 光影 迁移），而不是 预训练的100分 来继承。两次 src 的使用，最终可能长时间的偏移化（角度60分 光影 60分），失去了神丹（预训练 100分 的角度 光影 迁移）的特效。

站在巨人肩膀上学习。对于一般玩家，优先推荐在预训练阶段 让model获得全部人脸（杂图越多越好）理解和细节生成能力（下牙齿 睫毛 光影等越细致越好）后。再进行 修改模型分辨率。在此之后，容易实现高效高质量的修改分辨率的信息迁移（从100分的角度 光影 迁移）。


（注：修改分辨率 不仅仅 256dfud→288dfud. 288dfud→416.
256→384/416、448. 修改的越高，对素材图片的质量要求也就越高。）
==================================




6.20   第三阶段，正训 转 1v1  随机扭曲 dst 细节 测试并筛选合适的载体。

正训 1src v dst 多人一段时间后。最终要转为 完成1 v1 樱花 的换脸。由此进一步做以下实验。
model  63000迭代 288 分辨率 正训训练丹
为了 严谨，src不变，多人dst改为 新单人dst。  在之前 的预训练阶段 没有 利用过该单人dst。
288分辨率模型主要针对1080p一般质量视频换脸。为切合实际，dst实验为一般质量（1080p，一些细节只能说一般）。
随机扭曲 训练。
重点关注 第四列的表现 ，如果 单人dst 第四列 能较快的炼制出较好的 如下牙齿 等细节，说明成功。如果 第四列 不能 较快的炼制出 较好的细节 为失败。

结果发现，全程随机扭曲下，单人dst 累计大约 3000-5000 迭代 第四列 开始出 部分下牙齿。

讨论：6.17实验证明，预训练第二列 炼制的细节 比如下牙齿 可以 呈递给 正训 随机扭曲的 src的第二列。
本实验6.17的基础上，发现第四列的 信息传递 可能更特殊一点。就是在 正训 1 vs 多人 dst阶段具有 隐藏性，该阶段第四列表现不出的特征，当换成 单人dst 后很快就 显现出来的特点。验证了，预实验的 第四列 炼制的细节 比如下牙齿 也可以呈递给 正训 1src vs 1 单人 dst 的第四列。
从而丰富了 从零训练进行 预训练→正训 1vs多人dst 随机扭曲 →最终 1v1 单人dst 随机扭曲，这一相对完整训练过程中 model 的信息传递的规律。
筛选合适载体或丰富src
训练是为了最终效果服务。基于以上实验。经过推算。上述256（288）小模型分辨率经过了 1vs 多人dst后（6w以上）。可以 进入筛选 dst的阶段或丰富src阶段。
筛选时，出效果相对较快，几千迭代快速出结果，
如果多数表现不错，就纳入 合适载体。后续 该单人 dst 再有其他新作，随时可以切脸，跑跑看是否出较好的结果。并保存 随机扭曲的备份，做分支model 1v1 专人丹。
假如该dst 100帧有 一半以上效果脸型上不好，可以舍去该单人dst；或 脸型很像，但是个别 镜头表现不佳，（也可以借此 重新丰富src，等丰富后看有没有改善）。
从镜头看。樱花的镜头有一定的规律。在此时间去实验合成最看重的一些，灰暗，浴室，等镜头。
进而优先src或微调src。继续训练。
以常见的樱花的左侧米黄光源镜头为例， 新生成一部分左侧米黄光源的src。
左侧樱花dst，中间src，右边 生成的src 。以此类推得到改进的光影包，增加到 src中继续训练看有没有米黄光源镜头合成有没有改善。







3000 左右 随机扭曲 第四列 隐约出现 部分下牙齿（63000开始累计66000）。



5000迭代 细小的部分都展现出了，效果更好。 63000开始 累计68000.



========================
6.17  预训练转 正训 随机扭曲 测试。
17w 预训练丹 已经炼制上牙齿 下牙齿 和 人脸黑斑等细节暂停训练备份。
进行 初步的 正训 随机扭曲测试。
测试方法 。先放入 单人src 和 多人 dst杂图，转 正训 随机扭曲跑一会。
正训细节主要是 src 提供，为了 严谨，该单人 在之前 的预训练阶段 没有 利用过。
然后 再修改一下分辨率 256→288dfud。提高到288. bs开16. 随机扭曲 继续跑。

修改后，如果随机扭曲 训练 需要大量 迭代 出 上牙齿和 下牙齿，说明 信息呈递失败，预训练的信息很难给正训。如果 较快 出 上牙齿说成功，说明 信息呈递成功，较容易呈递给正训随机扭曲。
结果发现，全程随机扭曲下，累计大约 3w 迭代 第二列 开始出 部分下牙齿。
讨论：
    训练 部分下牙齿的难易程度。
预训练 大约8w  20倍以上较难 ＞ 预训练转正训随机扭曲 大约3w  10倍适中＞ 修改模型分辨率 3000 左右 最易
   对比发现，预训练阶段 已经炼制出 下牙齿等细节后（8w-17w 部分下牙齿 ）此步为最困难的部分。转为 正训 随机扭曲随机扭曲 细节的形成（第二列 3w 开始出 部分下牙齿）只需要不到预训练的一半迭代。说明预训练model 中 已经炼制的细节 如预训练炼制的下牙齿 可以 呈递给 正训随机扭曲使用。




注，256 预训练 没有炼制出来睫毛。因而 288 随机扭曲 睫毛不讨论。


=====================================
6.15  测试 修改模型分辨率 实验。把256dfud→352dfud
很多人做模型训练往往根据自己显卡 选一个大分辨率模型。靠迭代靠时间。但是一旦某个 环节出错。可能需要从中间回到之前的备份。
以往的稳妥的经验是 先用一个小分辨率模型 进行 预实验。打磨一套 训练 所用的 素材 ，训练思路，训练步骤等。之后 再从零 训练一个 大分辨率模型。
但也一共 要炼制 至少一个小的分辨率，一个大分辨率， 2个模型。
现在有一种新的实验性的练法。先用小分辨率 打磨，大概完成 基本任务后，然后 实验性的 修改一下模型分辨率。完成 模型的升级。
既能 避免了 大分辨率 模型 单一挂机导致失败对时间的浪费的缺陷（小分辨率模型练废了也不心疼，从头再来也很快）。同时，小分辨率模型炼制 快的优点，非常高效的 筛选 model 训练效果好的 合适的素材。
具体做法。先炼制小分辨率模型。基本要求 256dfud 下 预览图能看到炼制出 依次 上牙齿，下牙齿 和人脸的特征比如斑块等。
之后，实验性的 修改 分辨率。如 256→改为 352.
继续训练。观察 是否快速 依次炼制出 上牙齿 ，下牙齿 等细节。
如果 需要 跟 原始 256dfud 类似的迭代 说明修改分辨率失败。如果 要表现 比原始256 要快的多，说明 实验修改分辨率获得成功。
结果：bs16，相同素材，相同参数下。大约 2000 迭代 得到 原始256 6w左右的 上牙齿。大约3000-5000迭代 大约得到 原始256的 8w 以上才陆续 出现的 部分下牙齿。
讨论：实验性的 修改 模型分辨率 是可以成功的。修改后的模型可以继承原始256dfud下炼制好的信息（256已经炼制好了 上下牙齿，即改为352很容易得到 上下牙齿 细节），从而极大提高了 352等大分辨率模型训练效率，很有意义的。
256等小分辨率模型也是一个很不错的试金石。很多人  别人的256等小分辨率左右的优质丹，该丹之前别人的高质量丹 喂养（有优质下牙齿），但是你用你的src 练练 基本没 下牙齿  信息呈递效率就会大打折扣。 甚至 练练 越练越糊了。该重新 审视src，暂停训练，改为 提高 src质量等措施。
该256 使用高质量素材，也有概率 成为一个 成长性的 基础丹model。越训练信息呈递的效率高。
比如 17w 256得到的 下牙齿 后就想转成高分辨率352分支丹实用丹model A，完全可以做到 换脸 很容易得到 下牙齿，又能比256更清晰的效果（352比 256 对近景又优势）；
还想对256再打磨打磨，比如 在已有基础上 得到 多道嘴唇纹理。假设 若干迭代（几十w）后训练完成该嘴唇训练。再次 转成 高分辨率352分支丹 model B、。完全可以做到 既 换脸容易 得到 下牙齿+嘴唇纹理，又 能比256更清晰。
形成 以 256ddfud 小分辨率为基础，多个 352等大分辨率 分支 实用丹 model A model B，灵活运用的局面。


（注，256→ 416 甚至更高，修改的越高 需要 搜集的素材质量越高）


如下图。修改后 352dfud 丹，大约3000迭代 部分图片 出现 下牙齿细节



5000 迭代 352dfud 下牙齿，效果较好了。甚至 眼珠 细节都很精细，说明352细节好于256。
注意 第二行 睫毛 细节较差。原始256 没有炼制出来睫毛。因而 该睫毛没有得到呈递。

================
6.12 原版 从零训练是非常麻烦的事。
近期做了预实验。新建了一个 小分辨率 256dfud 384 高参模型 从零训练对这个新版做测试。
结果发现 很快就出较好细节（bs24 大约 12w）。
讨论：原版 从零训练占用显存大。为了利用显存，对模型设计要有取舍。如果设计分辨率和四维大，就不能开 高的bs。想开高的bs，只能降低四维。这两个侧重都会导致训练效果弱或慢。
使用这个新版 能开较大的 四维 同时 兼顾开很大的 bs。
参数看 256 dfud 384 96 96 28 设置远高于 256dfud 256 64 64 22 。384 96 为较高参数，有助于学习到更多的细节； bs 24 为较高 bs，有助于 收敛。
这两点可能对 从零训练 模型，非常友好。


预实验  从零训练模型 目前跑了12w ，当时参数设定如下。



细节方面。
6w-7w左右
部分图片出上牙齿。




8w-9w 细节越来越多。
人脸 黑斑 暂时没有练出
人脸 部分图片的下牙齿 有4道齿缝





12w 人脸的左侧的黑斑已经隐约出现。





12w
细节方面。第二行 下牙齿齿缝已经部分出现.
纹理方面。纹理学习也较快。第二行图片 人脸腮部褶皱纹理也 逐步出现人脸褶皱。



12w。局部光影方面， 人脸是正常光影 右下腮部是紫色，此处也慢慢学习紫色光影





6.30-7.5 30w-38w迭代 隐约 出现睫毛 并对睫毛进行讨论


38w,正脸 睁眼镜头，隐约出1道 睫毛。



32w 发现 睫毛 眼角部位 出现 更多 细节
第一张 微微侧脸 部分 眼角睫毛已经比较清晰


第二张 微微侧脸 部分 眼角 略小睫毛 也开始出现

第三张 较大角度的侧脸  眼角睫毛开始出现

第四张 第二行 略正脸的 眼角睫毛 相对 较慢。





30w迭代 细节方面。
第1张图 仰角 部分 隐约出现了2道睫毛 痕迹。


第2张截图第二行 眼角的睫毛1道 隐约出现.




第3张 训练截图。一共五列，只截图了第三列 第四列和第五列。
该图 第四列 第五列 的闭眼 左眼上 隐约出 1道 睫毛痕迹。

讨论：
这张闭眼图很有意思，肉眼感知不到明显睫毛，却在 第四列 第五列 练了一根睫毛出来。
实际上 对素材 原图 局部放大，发现 原图睫毛非常清晰，有着 松散不一的睫毛 （训练开启过 翻转训练，训练时候截图为左眼）。
而练出的就是 其中最明显的一根睫毛。
猜测是对素材进行了压缩后，256分辨率下 预览图下 肉眼几乎感知不到这些松散不一的睫毛。但是软件感知能力是略 大于肉眼能力的。软件至少感知到并训练了那根 最明显的睫毛。








预训练阶段
6w 部分上牙齿 ；8w 小部分4道下牙齿 但黑斑没有出现；12w 部分 下牙齿出现， 人脸黑斑部分出现。
30w-38w 睫毛 隐约出现  1-2道 。

=================
感谢大佬，节日快乐.
已经在使用。比上一个 版本提升巨大。

今天测试发现，一个 相同训练参数model，bs16 上个版本需要14.6G显存；新版 Torch 显存需要4.5G 。显存大约不到之前的 1/3.
bs 64 也只占了 9.0G 显存，是bs上限提高到了4倍 是很轻松的，确实厉害！
理论上，使用新版Torch，可开更大的模型，开更大的bs。




（新版Torch多了人脸模型 支持混合精度 和人脸模型 支持梯度检查点）




旧版bs16  ； 新版 能开 bs 64 让bs上限提高到了4倍  ，此时显存还有剩余，理论上可以开更高。显存占用如图


切脸速度也很快。确实很强大。

wtxx8888

紧急修正Torch版本，T参数模型，推理层转换不全的问题。已经下载的，解压下面的补丁，覆盖即可。
没下载过的，正常下载，压缩包 更新修正了  此问题。
DeepFaceLab.rar (112.02 KB, 下载次数: 12)

2026-6-2 05:32 上传

点击文件名下载附件

DML版本，是影响的DFM导出，已经下载的，下载补丁。
DeepFaceLab.zip (170.77 KB, 下载次数: 8)

2026-6-2 06:34 上传

点击文件名下载附件

wtxx8888

有空就顶一下。

wtxx8888

hong100jian 发表于 2026-6-2 18:13
夸克还没好吗，我再等等

取消了夸克。

毕加索

谢谢大佬~~大佬节日快乐！！！

july

大佬V5

1529885944

神中神，大佬牛逼，ME合体版居然更新了

ikon

大佬长命百岁！福寿无疆

1529885944

怎么感觉不如20250128那个版本

wtxx8888

1529885944 发表于 2026-6-1 13:39
怎么感觉不如20250128那个版本

不大可能吧？我都换了，以前的 哪能跟 现在的比？
我能发，就是自己 现在用的。各方面，都超越 去年的。
上个版本，只能开BS 12的模型，现在版本，哪怕不捐赠，也能轻松开到BS 16(Torch版)。
现在的版本，不再需要，老崩溃的 Machine Video Editor。

xsfxc

*XSEG模型 需要重新训练,大佬啊，这一搞镇坛之宝不是要废？

wtxx8888

xsfxc 发表于 2026-6-2 00:22
*XSEG模型 需要重新训练,大佬啊，这一搞镇坛之宝不是要废？

DML可以继续用256，Torch必须重练，猫的 不也是 要重练？
Torch的XSEG，比原版  多6个推理层（算子的算法，也有差异），这是无解的。
直接用，遮罩不对！你如果能承受，跟涂抹似的花脸，那可以 接着用。）
（办法：可以用原版 或DML版写入256，训练人脸模型时 ，读的写入数据，是没问题的。）