一、 介绍

IMAGDressing 用于虚拟穿衣的交互式模块化服装生成。主要特点：

1. 简单的架构 ：IMAGDressing-v1 可以生成逼真的服装，并方便用户轻松进行场景编辑。
2. 新任务、指标和数据集 ：引入虚拟穿衣（VD）任务，设计综合亲和力指标指数（CAMI），并发布 IGPair 数据集。
3. 灵活的插件兼容性：与 IP-Adapter、ControlNet、T2I-Adapter和AnimateDiff等扩展插件无缝集成。
4. 快速定制 ：无需额外的 LoRA 培训，即可在几秒钟内实现快速定制。

目前，其项目团队未基于 IMAGDressing 开源模型开发任何应用，包括网页端、安卓、苹果 iOS 及 Windows App 等应用。尽管该模型在训练的各个阶段都尽力确保数据的合规性和准确性，但由于 IMAGDressing 模型规模较小，且模型受概率随机性因素影响，无法保证输出内容的准确。同时模型的输出容易被用户的输入误导。

更多详细信息见 Github 仓库。

二、部署过程

基础环境最低要求说明：

1. 更新基础软件包

查看系统版本信息

# 查看系统版本信息，包括ID（如ubuntu、centos等）、版本号、名称、版本号ID等
cat /etc/os-release

配置 apt 国内源

# 更新软件包列表
apt-get update

这个命令用于更新本地软件包索引。它会从所有配置的源中检索最新的软件包列表信息，但不会安装或升级任何软件包。这是安装新软件包或进行软件包升级之前的推荐步骤，因为它确保了您获取的是最新版本的软件包。

# 安装 Vim 编辑器
apt-get install -y vim

这个命令用于安装 Vim 文本编辑器。-y 选项表示自动回答所有的提示为“是”，这样在安装过程中就不需要手动确认。Vim 是一个非常强大的文本编辑器，广泛用于编程和配置文件的编辑。

为了安全起见，先备份当前的 sources.list 文件之后，再进行修改：

# 备份现有的软件源列表
cp /etc/apt/sources.list /etc/apt/sources.list.bak

这个命令将当前的 sources.list 文件复制为一个名为 sources.list.bak 的备份文件。这是一个好习惯，因为编辑 sources.list 文件时可能会出错，导致无法安装或更新软件包。有了备份，如果出现问题，您可以轻松地恢复原始的文件。

# 编辑软件源列表文件
vim /etc/apt/sources.list

这个命令使用 Vim 编辑器打开 sources.list 文件，以便您可以编辑它。这个文件包含了 APT（Advanced Package Tool）用于安装和更新软件包的软件源列表。通过编辑这个文件，您可以添加新的软件源、更改现有软件源的优先级或禁用某些软件源。

在 Vim 中，您可以使用方向键来移动光标，

i 键进入插入模式（可以开始编辑文本），

Esc 键退出插入模式，

:wq 命令保存更改并退出 Vim，

或 :q! 命令不保存更改并退出 Vim。

编辑 sources.list 文件时，请确保您了解自己在做什么，特别是如果您正在添加新的软件源。错误的源可能会导致软件包安装失败或系统安全问题。如果您不确定，最好先搜索并找到可靠的源信息，或者咨询有经验的 Linux 用户。

使用 Vim 编辑器打开 sources.list 文件，复制以下代码替换 sources.list里面的全部代码，配置 apt 国内阿里源。

deb http://mirrors.aliyun.com/ubuntu/ jammy main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ jammy main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ jammy-security main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ jammy-security main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ jammy-updates main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ jammy-updates main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ jammy-backports main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ jammy-backports main restricted universe multiverse

安装常用软件和工具

# 更新源列表，输入以下命令：
apt-get update

# 更新系统软件包，输入以下命令：
apt-get upgrade

# 安装常用软件和工具，输入以下命令：
apt-get -y install vim wget git git-lfs unzip lsof net-tools gcc cmake build-essential

出现以下页面，说明国内apt源已替换成功，且能正常安装apt软件和工具

2. 安装 NVIDIA CUDA Toolkit 12.1

• 下载 CUDA Keyring ：

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.0-1_all.deb

这个命令用于下载 CUDA 的 GPG 密钥环，它用于验证 CUDA 软件包的签名。这是确保软件包安全性的一个重要步骤。

• 安装 CUDA Keyring ：

dpkg -i cuda-keyring_1.0-1_all.deb

使用 dpkg 安装下载的密钥环。这是必要的，以便 apt 能够验证从 NVIDIA 仓库下载的软件包的签名。

• 删除旧的 apt 密钥（如果必要） ：

apt-key del 7fa2af80

这一步可能不是必需的，除非您知道 7fa2af80 是与 CUDA 相关的旧密钥，并且您想从系统中删除它以避免混淆。通常情况下，如果您只是安装 CUDA 并使用 NVIDIA 提供的最新密钥环，这一步可以跳过。

• 更新 apt 包列表 ：

apt-get update

更新 apt 的软件包列表，以便包括刚刚通过 cuda-keyring 添加的 NVIDIA 仓库中的软件包。

• 安装 CUDA Toolkit ：

apt-get -y install cuda-toolkit-12-1

出现以下页面，说明 NVIDIA CUDA Toolkit 12.1 安装成功

注意：这里可能有一个问题。NVIDIA 官方 Ubuntu 仓库中可能不包含直接名为 cuda-toolkit-12-1 的包。通常，您会安装一个名为 cuda 或 cuda-12-1 的元包，它会作为依赖项拉入 CUDA Toolkit 的所有组件。请检查 NVIDIA 的官方文档或仓库，以确认正确的包名。

如果您正在寻找安装特定版本的 CUDA Toolkit，您可能需要安装类似 cuda-12-1 的包（如果可用），或者从 NVIDIA 的官方网站下载 CUDA Toolkit 的 .run 安装程序进行手动安装。

请确保您查看 NVIDIA 的官方文档或 Ubuntu 的 NVIDIA CUDA 仓库以获取最准确的包名和安装指令。

• 出现以上情况，需要配置 NVIDIA CUDA Toolkit 12.1 系统环境变量

编辑 ~/.bashrc 文件

# 编辑 ~/.bashrc 文件
vim ~/.bashrc

插入以下环境变量

# 插入以下环境变量
export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH

激活 ~/.bashrc 文件

# 激活 ~/.bashrc 文件
source ~/.bashrc

查看cuda系统环境变量

which nvcc
nvcc -V

3. 安装 Miniconda

• 下载 Miniconda 安装脚本 ：使用 wget 命令从 Anaconda 的官方仓库下载 Miniconda 的安装脚本。Miniconda 是一个更小的 Anaconda 发行版，包含了 Anaconda 的核心组件，用于安装和管理 Python 包。
• 运行 Miniconda 安装脚本 ：使用 bash 命令运行下载的 Miniconda 安装脚本。这将启动 Miniconda 的安装过程。

# 下载 Miniconda 安装脚本
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

# 运行 Miniconda 安装脚本
bash Miniconda3-latest-Linux-x86_64.sh

# 初次安装需要激活 base 环境
source ~/.bashrc

按下回车键（enter）

输入yes

输入yes

安装成功如下图所示

pip配置清华源加速

# 编辑 /etc/pip.conf 文件
vim  /etc/pip.conf

加入以下代码

[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple

注意事项：

• 请确保您的系统是 Linux x86_64 架构，因为下载的 Miniconda 版本是为该架构设计的。
• 在运行安装脚本之前，您可能需要使用 chmod +x Miniconda3-latest-Linux-x86_64.sh 命令给予脚本执行权限。
• 安装过程中，您将被提示是否同意许可协议，以及是否将 Miniconda 初始化。通常选择 "yes" 以完成安装和初始化。
• 安装完成后，您可以使用 conda 命令来管理 Python 环境和包。
• 如果链接无法访问或解析失败，可能是因为网络问题或链接本身的问题。请检查网络连接，并确保链接是最新的和有效的。如果问题依旧，请访问 Anaconda 的官方网站获取最新的下载链接。

4. 从github 仓库克隆项目

• 克隆存储库：
• git clone https://github.com/muzishen/IMAGDressing.git
• 这个命令使用 git clone 从指定的 GitHub 地址克隆 "CodeGeeX4" 项目，默认情况下 Git 会克隆整个项目的所有提交历史。

# 克隆项目
git clone https://github.com/muzishen/IMAGDressing.git

出现以上页面，说明无法访问GitHub官网，使用 国内镜像 进行项目克隆

# 克隆项目
git clone https://gitee.com/empty-snow/IMAGDressing.git

出现以上页面即是克隆项目成功！

请注意，如果 git clone https://github.com/muzishen/IMAGDressing.git 这个链接不存在或者无效，git clone 命令将不会成功克隆项目，并且会报错。确保链接是有效的，并且您有足够的权限访问该存储库。

5. 创建虚拟环境

# 创建一个名为 IMAGDressing 的新虚拟环境，并指定 Python 版本为 3.8.10
conda create --name IMAGDressing python=3.8.10 -y

等待安装完成

6. 安装模型依赖库

# 切换到 IMAGDressing 项目工作目录
cd /IMAGDressing

# 激活 IMAGDressing 虚拟环境
conda activate IMAGDressing

# 升级 pip
pip install -U pip

# 安装 requirements.txt 依赖
pip install -r requirements.txt

出现以上报错，需要修改 requirements.txt 文件

vim requirements.txt

按 i 进入编辑

找到以上三个依赖，将双等号和版本号去掉

保存文件：Esc --》Shift + ：--》输入英文的 ：--》输入：wq

再次运行 requirements.txt 依赖安装

# 安装 requirements.txt 依赖
pip install -r requirements.txt

依赖安装成功如下图所示：

7. 下载预训练模型

• 下载 IMAGDressing-v1_512.pt

mkdir ckpt
cd ckpt
wget https://hf-mirror.com/feishen29/IMAGDressing/resolve/main/IMAGDressing-v1_512.pt?download=true
mv IMAGDressing-v1_512.pt\?download\=true IMAGDressing-v1_512.pt

8. 运行 inference_IMAGdressing.py 文件

# 进入项目
cd /IMAGDressing

# 设置 huggingface 加速
export HF_ENDPOINT=https://hf-mirror.com

# 运行 inference_IMAGdressing.py 文件
python inference_IMAGdressing.py

出现以上问题，需要安装依赖 torchvision

pip install torchvision

再次运行 inference_IMAGdressing.py 文件

# 运行 inference_IMAGdressing.py 文件
python inference_IMAGdressing.py --cloth_path test.jpeg

出现以下页面，即是模型部署成功，此模型目前没有 Gradio 页面。