LivePortrait全平台部署指南：从环境配置到动画生成的完整路径

LivePortrait全平台部署指南：从环境配置到动画生成的完整路径

【免费下载链接】LivePortraitBring portraits to life!项目地址: https://gitcode.com/GitHub_Trending/li/LivePortrait

LivePortrait作为一款高效的人像动画工具，支持将静态肖像转化为生动的动态效果，已被广泛应用于数字内容创作领域。本文将提供从环境配置到本地运行的完整跨平台部署方案，帮助开发者快速实现人像动画的本地化生成。

如何进行环境预检与准备

在开始部署前，需要确保系统满足基本运行要求并准备必要的工具软件。

环境要求清单

必备软件安装

Git（版本控制工具）

所有平台均需安装Git以获取项目代码：

# Ubuntu/Debian sudo apt install git # macOS (使用Homebrew) brew install git # Windows # 从Git官网下载安装程序并按照向导完成安装

FFmpeg（音视频处理工具）

# Ubuntu/Debian sudo apt install ffmpeg libsox-dev # macOS brew install ffmpeg # Conda用户(跨平台) conda install -c conda-forge 'ffmpeg<7'

[!WARNING] Windows用户需手动下载ffmpeg.exe和ffprobe.exe并放置到项目根目录，确保这两个文件与后续运行的Python脚本在同一目录下。

Conda（环境管理工具）

推荐使用Miniconda以节省磁盘空间：

# 下载安装脚本(Linux/macOS) wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh # 安装完成后重启终端，验证安装 conda --version

如何配置基础运行环境

获取项目代码

git clone https://gitcode.com/GitHub_Trending/li/LivePortrait cd LivePortrait

创建独立虚拟环境

conda create -n LivePortrait python=3.10 -y conda activate LivePortrait

验证CUDA环境配置（仅NVIDIA用户）

nvidia-smi # 查看GPU信息 nvcc -V # 查看CUDA编译器版本

💡 优化建议：若输出"nvcc: command not found"，需检查CUDA Toolkit是否正确安装并配置环境变量

安装PyTorch框架

# CUDA 11.8用户 pip install torch==2.3.0 torchvision==0.18.0 torchaudio==2.3.0 --index-url https://download.pytorch.org/whl/cu118 # macOS (Apple Silicon) pip install torch torchvision torchaudio # CPU-only用户 pip install torch==2.3.0 torchvision==0.18.0 torchaudio==2.3.0 --index-url https://download.pytorch.org/whl/cpu

安装项目依赖

# Windows/Linux pip install -r requirements.txt # macOS pip install -r requirements_macOS.txt

如何部署预训练模型

安装Hugging Face Hub工具

pip install -U "huggingface_hub[cli]"

下载模型权重

# 设置国内镜像(可选) export HF_ENDPOINT=https://hf-mirror.com # 下载模型文件 huggingface-cli download KwaiVGI/LivePortrait --local-dir pretrained_weights --exclude "*.git*" "README.md" "docs"

💡 优化建议：模型文件较大(约5GB)，推荐使用高速网络。若下载中断，可添加--resume-download参数继续

验证模型文件完整性

# 检查pretrained_weights目录大小 du -sh pretrained_weights/

预期输出应显示约5GB的目录大小

如何运行和验证LivePortrait

基础功能验证

# 运行示例推理 python inference.py

成功运行后，会在项目根目录生成animations文件夹，包含生成的动画结果。

启动图形界面

# 人类模式界面 python app.py # 动物模式界面 python app_animals.py

启动成功后，浏览器会自动打开Gradio界面：

界面主要分为三个区域：

1. 源图像/视频上传区
2. 驱动视频上传区
3. 动画参数调整与结果展示区

高级功能体验

姿势编辑功能

通过调整滑块控制肖像的姿态和表情：

# 示例：使用指定参数进行姿态调整 python inference.py -s assets/examples/source/s9.jpg -d assets/examples/driving/d0.mp4 --relative_yaw -25

动物肖像动画

动物模式支持为宠物照片生成生动动画：

# 构建动物模型所需组件 cd src/utils/dependencies/XPose/models/UniPose/ops python setup.py build install cd - # 运行动物模型推理 python inference_animals.py -s assets/examples/source/s39.jpg -d assets/examples/driving/wink.pkl

图像驱动动画

使用单张图像作为驱动源生成表情动画：

排障速查

Q: 运行时提示"CUDA out of memory"怎么办？

A: 尝试以下解决方案：

1. 降低输入图像分辨率
2. 添加--fp16参数启用半精度推理
3. 关闭其他占用GPU内存的程序

Q: 模型下载速度慢或失败如何处理？

A: 可尝试：

1. 使用国内镜像：export HF_ENDPOINT=https://hf-mirror.com
2. 通过备用链接手动下载模型文件
3. 检查网络代理设置，确保HuggingFace可访问

Q: macOS运行时出现"MPS backend out of memory"？

A: 尝试设置内存限制：

PYTORCH_MPS_HIGH_WATERMARK_RATIO=0.7 python inference.py

Q: 生成的动画没有声音怎么办？

A: 检查：

1. 输入视频是否包含音频轨道
2. FFmpeg是否正确安装
3. 尝试使用--no-audio参数重新生成

性能优化建议

硬件配置推荐

软件优化参数

# 使用半精度推理加速(减少内存占用) python inference.py --fp16 # 启用模型优化 python inference.py --model_optimization # 设置推理线程数 python inference.py --num_threads 4

运行性能测试脚本评估优化效果：

python speed.py

总结

通过本文档，你已掌握LivePortrait从环境配置到动画生成的完整流程。该工具作为高效的人像动画解决方案，支持跨平台部署和本地运行，为数字内容创作提供了强大支持。无论是静态肖像的动态化处理，还是视频内容的创意改编，LivePortrait都能满足你的需求。随着项目的持续更新，更多高级功能将逐步开放，建议定期执行git pull获取最新代码。

💡 提示：如在使用过程中遇到问题，可查阅项目文档或提交Issue获取社区支持。

【免费下载链接】LivePortraitBring portraits to life!项目地址: https://gitcode.com/GitHub_Trending/li/LivePortrait