【AMP底丹】469万次迭代，直播炼丹必备，为实时换脸而生！

superkent

星级打分

• 1
• 2
• 3
• 4
• 5

平均分:NAN  参与人数:0  我的评分:未评

1、简单科普
AMP在SAEHD的基础上删减和引入了新的参数，使其更加适合于实时换脸的场景。如果你需要能灵活设置参数，实现高质量的视频换脸，那么肯定用SAEHD。如果你训练模型是为了应用在DeepFaceLive中实现实时换脸，那么推荐AMP。当然，SAEHD其实也是可以用于DeepFaceLvie。
2、AMP模型训练流程

先对大量人脸进行训练，然后再训练具体的人。为了实现这个操作需要如下步骤：

1）将8.98G丰富光源和各类角度的面部RTM WF faceset数据集放到源目录的aligned下面。【OK】

2）点击“ 6) 训练AMP模型 源对源 train AMP SRC-SRC.bat ” 开始训练，训练了469万次。【OK】

3）删除模型文件夹中的_AMP_inter_dst.npy文件【OK】

4. 然后再复制数据到scr和目标dst的aligned文件夹，应用源和目标的遮罩，点击"6) 训练AMP模型 train AMP"进行训练。【待你炼制你的女神】

3、本模型的意义【好模型从不贱卖，只给有缘人】

节约两周时间（此模型用4090连续跑了两周，显卡都要跑冒烟。。。。哎，好心疼！），拿来就可以站在469万的肩膀上，稍微训练一下就直达500万迭代，获得更好的直播DFM模型

================== Model Summary ===================

==                                                ==

==            Model name: AMPSRCSRC_AMP           ==

==                                                ==

==     Current iteration: 4695531                 ==

==                                                ==

==---------------- Model Options -----------------==

==                                                ==

==            resolution: 224                     ==

==             face_type: wf                      ==

==     models_opt_on_gpu: True                    ==

==               ae_dims: 512                     ==

==            inter_dims: 1024                    ==

==                e_dims: 64                      ==

==                d_dims: 64                      ==

==           d_mask_dims: 22                      ==

==          morph_factor: 0.5                     ==

==           uniform_yaw: False                   ==

==         blur_out_mask: False                   ==

==            lr_dropout: n                       ==

==           random_warp: True                    ==

==               ct_mode: none                    ==

==              clipgrad: False                   ==

==       autobackup_hour: 0                       ==

== write_preview_history: False                   ==

==           target_iter: 0                       ==

==       random_src_flip: False                   ==

==       random_dst_flip: False                   ==

==            batch_size: 8                       ==

==             gan_power: 0.0                     ==

==        gan_patch_size: 28                      ==

==              gan_dims: 16                      ==

==                                                ==

==------------------ Running On ------------------==

==                                                ==

文件概览

==          Device index: 0                       ==

==                  Name: NVIDIA GeForce RTX 4090 ==

==                  VRAM: 20.85GB                 ==

==                                                ==

====================================================

滚石

AMP架构的作者就在QQ群里，kunlin大佬开发的，kunlin自己都说了AMP效果并不如liae好，AMP本身是基于DF架构做的小改动，实现可以过渡变化，在光影还原度上并不如liae自然

还有所谓轻量化更是胡扯，你自己看看代码里的网络架构就知道了，完全是一样的参数规模

yehaijia

已购买，-50大洋，试了效果抓鸡，劝退劝退

usersq

训练出来的模型带不带遮罩，不会转身就变形了吧？

superkent

丸丸 发表于 2023-9-15 22:57
没有哪个说法说amp直播效果比liaeudt好吧？

各有优势吧，但是炼AMP一般都是奔着直播丹去的，不然谁没事弄AMP啊

GTP回答的可以参考：
DeepFaceLab的AMP模型相比SAEHD在直播换脸方面具有以下优势：

1. 实时性能更好：AMP模型采用了轻量级的网络架构，相比SAEHD模型更加高效，因此在直播换脸的应用中可以获得更好的实时性能。

2. 更低的计算资源要求：由于AMP模型相对较小，所需的计算资源比SAEHD模型更少。这使得AMP模型更适合在有限的计算环境中使用，尤其是在直播换脸这样需要即时渲染的情况下。

3. 更小的模型体积：AMP模型相对于SAEHD模型来说，模型体积更小。这意味着更容易部署和传输，可在资源受限的设备上使用。

如果对实时性能有更高要求，则AMP模型可能更适合直播换脸应用。

丸丸

没有哪个说法说amp直播效果比liaeudt好吧？

DFLive

liae-udt用于live的效果也很好，你这100灵石虚高了，建议打五折。

lswow

好显卡就是可以任性，牛啊！

春风

你这跑了几万就拿出来卖啊？这1024首先一般卡跑不动吧，其次你这丹似乎面熟

superkent

春风 发表于 2023-9-16 02:35
你这跑了几万就拿出来卖啊？这1024首先一般卡跑不动吧，其次你这丹似乎面熟 ...

我这个丹是自己练的，你咋面熟了？

superkent

春风 发表于 2023-9-16 02:35
你这跑了几万就拿出来卖啊？这1024首先一般卡跑不动吧，其次你这丹似乎面熟 ...

大哥，469万迭代，你看我截图，8月18日项目就创建了，咋是几万呢？你数学还得继续深造啊！

superkent

DFLive 发表于 2023-9-16 00:07
liae-udt用于live的效果也很好，你这100灵石虚高了，建议打五折。

这个是GPT回答的，可以参考一下：


DeepFaceLab的AMP模型相比SAEHD在直播换脸方面具有以下优势：

1. 实时性能更好：AMP模型采用了轻量级的网络架构，相比SAEHD模型更加高效，因此在直播换脸的应用中可以获得更好的实时性能。

2. 更低的计算资源要求：由于AMP模型相对较小，所需的计算资源比SAEHD模型更少。这使得AMP模型更适合在有限的计算环境中使用，尤其是在直播换脸这样需要即时渲染的情况下。

3. 更小的模型体积：AMP模型相对于SAEHD模型来说，模型体积更小。这意味着更容易部署和传输，可在资源受限的设备上使用。

如果对实时性能有更高要求，则AMP模型可能更适合直播换脸应用。

DFLive

superkent 发表于 2023-9-16 11:50
这个是GPT回答的，可以参考一下：

关键是AMP的数量太少了，没啥参考对象，更未发现有什么好的模型，liae-udt对光影的效果特别好，假如AMP真的轻量，也不知其光影处理得如何，而且轻量化是否有质量下降的弊端？楼主可以贴图比较一下。