IOPaint 实操拆解把开源 AI 图像修复塞进你的工作流【免费下载链接】IOPaintImage inpainting tool powered by SOTA AI Model. Remove any unwanted object, defect, people from your pictures or erase and replace(powered by stable diffusion) any thing on your pictures.项目地址: https://gitcode.com/GitHub_Trending/io/IOPaintIOPaint 是一个免费开源的 AI 图像修复工具核心能力就一句圈出图片里不想要的东西模型负责把它抹掉或替换掉。去水印、移除路人、擦除文字、局部重绘它都覆盖。做内容运营、修产品图、处理老照片的人基本都会撞上这几个场景。下面按先跑起来再拆功能的顺序讲5 分钟能上手。 它替你解决什么问题批量去水印几十张素材图上有水印、字幕、logo。用 PS 手动涂是体力活用 IOPaint 的擦除模型可以整文件夹处理。照片里多出个路人旅游照、人像照里闯入的路人手涂修复很难扩散模型能直接重画背景。擦掉多余物件、文字海报上的乱入物体、漫画里不想要的文字圈出来就能去掉。这三类是它最高频的用法。区别在于简单擦除用轻量模型几秒钟一张涉及重新生成内容的就交给基于 Stable Diffusion 的修复模型。下面直接上手。⚡ 5 分钟跑起来克隆仓库git clone https://gitcode.com/GitHub_Trending/io/IOPaint cd IOPaint建虚拟环境并装依赖。装完依赖GPU 用户记得先装对应 CUDA 版本的 PyTorchREADME 里有现成命令再启动。python3 -m venv venv source venv/bin/activate pip install -r requirements.txt启动服务模型会在首次启动时自动下载耐心等它跑完python3 main.py start --model lama --device cpu --port 8080浏览器打开 http://localhost:8080上传图片在要修复的区域涂一笔点生成。第一个用例跑通了。不想开网页也行命令行批量处理同样支持python3 main.py run --model lama --device cpu \ --image /path/to/images --mask /path/to/masks --output out--image是原图文件夹--mask是同名的遮罩文件夹黑白图白色是要修的区域如果--mask指到单张遮罩所有图都会套用它。 核心能力逐个拆一键去掉图片水印场景素材图上有 Shutterstock 之类的水印、频道 logo、字幕条要干净版本。怎么调--model lamaLaMa 是它的默认擦除模型速度最快适合只删除不生成的任务hd_strategyCrop高分辨率策略默认只裁剪遮罩附近区域来算大水印不会拖慢速度hd_strategy_crop_margin128裁剪边距水印贴边时调大一点效果水印区域被周围纹理自然补齐下面这张清理后的画面里原本铺满的 shutterstock 和 MillesStudio 痕迹全部消失色调和颗粒感保持一致。左原图布满水印/ 右IOPaint 修复后移掉照片里不该出现的路人场景人像照背景里闯入了陌生人直接擦除会留下糊块需要模型重新生成背景。怎么调换一个扩散模型例如--model runwayml/stable-diffusion-inpainting它负责画出来而不只是抹掉prompt描述背景应该长什么样比如 a bright gallery room with white walls文字引导生成sd_mask_blur11遮罩边缘羽化数值越大与周围过渡越柔和效果背景路人消失后墙面、地板和反光都会按上下文重新生成而不是简单填色。背景路人移除后的成片批量擦掉多余物件场景一整批图里都有类似干扰物气球、横幅、临时搭建物想一次性清掉。怎么调python3 main.py run--image给图片目录--mask给遮罩目录同名的遮罩自动配对--mask指向单个文件时所有图共用这一张遮罩适合干扰物位置固定的批量图--concat把原图、遮罩、结果拼成一张对比图验收时省事效果下面这张婚礼拱顶图原本挂着的彩色气球串被整体擦除木梁结构完整保留没有明显涂抹感。彩色气球串移除后的画面 效果到底怎么样benchmark 怎么读仓库自带量化脚本 iopaint/benchmark.py用 512×512 的随机图和遮罩跑 10 次统计每项的均值±标准差。跑法python3 iopaint/benchmark.py --name lama --device cuda --times 10它输出的指标结构如下仓库没有附带预生成的结果文件所以数值需要你在自己的显卡上跑出来我不替你编指标含义来源latency单次推理耗时ms512×512benchmark 输出memory进程内存占用MBbenchmark 输出gpu memory显卡显存占用MBbenchmark 输出我的判断擦除类模型lama 等延迟低、能批量跑扩散类模型质量上限高但慢一个量级选型看你对像不像和快不快的取舍。具体数值见 iopaint/benchmark.py 的本地输出。 按你的场景调参数显存紧张4G 左右启动时加省显存开关--low-mem开启注意力切片和 VAE 分块--cpu-offload把权重挪到内存里换显存步数压到 25python3 main.py start --model lama --device cuda \ --low-mem --cpu-offload --port 8080批量跑几百张走命令行--concat直接产出对比图方便抽检。推理侧sd_steps压到 20 左右快和质量的平衡点。追求最佳画质sd_steps提到 40 以上采样器换DPM 2M Karras默认是 UniPCsd_guidance_scale在 7.5 附近微调——调高更贴 prompt但容易过饱和。几个参数的含义一句话版steps 调低 更快但细节少一点sd_mask_blur调高 边缘融合更柔hd_strategy选Crop 只算遮罩附近省时间。 还能往哪儿扩展接入新模型所有修复模型实现都在 iopaint/model/ 下内置的有 lama、mat、zits、manga 等擦除模型以及 BrushNet、PowerPaint、AnyText 这类扩散方案。想接自己的 SD 权重用--model直接指定 HuggingFace 模型 id 即可。插件系统iopaint/plugins/ 里有 Segment Anything 交互式分割点一下就能出精确遮罩、去背景、RealESRGAN 超分、GFPGAN 人脸修复。启动时用--enable-interactive-seg、--enable-realesrgan等参数打开插件依赖用python3 main.py install_plugins_packages装。REST API后端是 FastAPI核心端点都注册在 iopaint/api.pyPOST /api/v1/inpaint提交修复、GET/POST /api/v1/model切换模型、POST /api/v1/run_plugin_gen_image跑插件。把它嵌进你自己的服务一个请求就是一条修复流水线。IOPaint 的定位很清楚一个开箱即用的开源图像修复工具箱轻量的擦除和重量级的扩散生成都给你备好了。先克隆下来跑通第一个用例比看十篇教程都管用参数和插件跑顺了再说。【免费下载链接】IOPaintImage inpainting tool powered by SOTA AI Model. Remove any unwanted object, defect, people from your pictures or erase and replace(powered by stable diffusion) any thing on your pictures.项目地址: https://gitcode.com/GitHub_Trending/io/IOPaint创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/9/9 18:11:42 · 阅读 1.2k IOPaint 实操拆解：把开源 AI 图像修复塞进你的工作流
IOPaint 实操拆解把开源 AI 图像修复塞进你的工作流【免费下载链接】IOPaintImage inpainting tool powered by SOTA AI Model. Remove any unwanted object, defect, people from your pictures or erase and replace(powered by stable diffusion) any thing on your pictures.项目地址: https://gitcode.com/GitHub_Trending/io/IOPaintIOPaint 是一个免费开源的 AI 图像修复工具核心能力就一句圈出图片里不想要的东西模型负责把它抹掉或替换掉。去水印、移除路人、擦除文字、局部重绘它都覆盖。做内容运营、修产品图、处理老照片的人基本都会撞上这几个场景。下面按先跑起来再拆功能的顺序讲5 分钟能上手。 它替你解决什么问题批量去水印几十张素材图上有水印、字幕、logo。用 PS 手动涂是体力活用 IOPaint 的擦除模型可以整文件夹处理。照片里多出个路人旅游照、人像照里闯入的路人手涂修复很难扩散模型能直接重画背景。擦掉多余物件、文字海报上的乱入物体、漫画里不想要的文字圈出来就能去掉。这三类是它最高频的用法。区别在于简单擦除用轻量模型几秒钟一张涉及重新生成内容的就交给基于 Stable Diffusion 的修复模型。下面直接上手。⚡ 5 分钟跑起来克隆仓库git clone https://gitcode.com/GitHub_Trending/io/IOPaint cd IOPaint建虚拟环境并装依赖。装完依赖GPU 用户记得先装对应 CUDA 版本的 PyTorchREADME 里有现成命令再启动。python3 -m venv venv source venv/bin/activate pip install -r requirements.txt启动服务模型会在首次启动时自动下载耐心等它跑完python3 main.py start --model lama --device cpu --port 8080浏览器打开 http://localhost:8080上传图片在要修复的区域涂一笔点生成。第一个用例跑通了。不想开网页也行命令行批量处理同样支持python3 main.py run --model lama --device cpu \ --image /path/to/images --mask /path/to/masks --output out--image是原图文件夹--mask是同名的遮罩文件夹黑白图白色是要修的区域如果--mask指到单张遮罩所有图都会套用它。 核心能力逐个拆一键去掉图片水印场景素材图上有 Shutterstock 之类的水印、频道 logo、字幕条要干净版本。怎么调--model lamaLaMa 是它的默认擦除模型速度最快适合只删除不生成的任务hd_strategyCrop高分辨率策略默认只裁剪遮罩附近区域来算大水印不会拖慢速度hd_strategy_crop_margin128裁剪边距水印贴边时调大一点效果水印区域被周围纹理自然补齐下面这张清理后的画面里原本铺满的 shutterstock 和 MillesStudio 痕迹全部消失色调和颗粒感保持一致。左原图布满水印/ 右IOPaint 修复后移掉照片里不该出现的路人场景人像照背景里闯入了陌生人直接擦除会留下糊块需要模型重新生成背景。怎么调换一个扩散模型例如--model runwayml/stable-diffusion-inpainting它负责画出来而不只是抹掉prompt描述背景应该长什么样比如 a bright gallery room with white walls文字引导生成sd_mask_blur11遮罩边缘羽化数值越大与周围过渡越柔和效果背景路人消失后墙面、地板和反光都会按上下文重新生成而不是简单填色。背景路人移除后的成片批量擦掉多余物件场景一整批图里都有类似干扰物气球、横幅、临时搭建物想一次性清掉。怎么调python3 main.py run--image给图片目录--mask给遮罩目录同名的遮罩自动配对--mask指向单个文件时所有图共用这一张遮罩适合干扰物位置固定的批量图--concat把原图、遮罩、结果拼成一张对比图验收时省事效果下面这张婚礼拱顶图原本挂着的彩色气球串被整体擦除木梁结构完整保留没有明显涂抹感。彩色气球串移除后的画面 效果到底怎么样benchmark 怎么读仓库自带量化脚本 iopaint/benchmark.py用 512×512 的随机图和遮罩跑 10 次统计每项的均值±标准差。跑法python3 iopaint/benchmark.py --name lama --device cuda --times 10它输出的指标结构如下仓库没有附带预生成的结果文件所以数值需要你在自己的显卡上跑出来我不替你编指标含义来源latency单次推理耗时ms512×512benchmark 输出memory进程内存占用MBbenchmark 输出gpu memory显卡显存占用MBbenchmark 输出我的判断擦除类模型lama 等延迟低、能批量跑扩散类模型质量上限高但慢一个量级选型看你对像不像和快不快的取舍。具体数值见 iopaint/benchmark.py 的本地输出。 按你的场景调参数显存紧张4G 左右启动时加省显存开关--low-mem开启注意力切片和 VAE 分块--cpu-offload把权重挪到内存里换显存步数压到 25python3 main.py start --model lama --device cuda \ --low-mem --cpu-offload --port 8080批量跑几百张走命令行--concat直接产出对比图方便抽检。推理侧sd_steps压到 20 左右快和质量的平衡点。追求最佳画质sd_steps提到 40 以上采样器换DPM 2M Karras默认是 UniPCsd_guidance_scale在 7.5 附近微调——调高更贴 prompt但容易过饱和。几个参数的含义一句话版steps 调低 更快但细节少一点sd_mask_blur调高 边缘融合更柔hd_strategy选Crop 只算遮罩附近省时间。 还能往哪儿扩展接入新模型所有修复模型实现都在 iopaint/model/ 下内置的有 lama、mat、zits、manga 等擦除模型以及 BrushNet、PowerPaint、AnyText 这类扩散方案。想接自己的 SD 权重用--model直接指定 HuggingFace 模型 id 即可。插件系统iopaint/plugins/ 里有 Segment Anything 交互式分割点一下就能出精确遮罩、去背景、RealESRGAN 超分、GFPGAN 人脸修复。启动时用--enable-interactive-seg、--enable-realesrgan等参数打开插件依赖用python3 main.py install_plugins_packages装。REST API后端是 FastAPI核心端点都注册在 iopaint/api.pyPOST /api/v1/inpaint提交修复、GET/POST /api/v1/model切换模型、POST /api/v1/run_plugin_gen_image跑插件。把它嵌进你自己的服务一个请求就是一条修复流水线。IOPaint 的定位很清楚一个开箱即用的开源图像修复工具箱轻量的擦除和重量级的扩散生成都给你备好了。先克隆下来跑通第一个用例比看十篇教程都管用参数和插件跑顺了再说。【免费下载链接】IOPaintImage inpainting tool powered by SOTA AI Model. Remove any unwanted object, defect, people from your pictures or erase and replace(powered by stable diffusion) any thing on your pictures.项目地址: https://gitcode.com/GitHub_Trending/io/IOPaint创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考