Faceswap 是目前最成熟的开源换脸项目之一，它把换脸流程拆成了提取、训练、转换三个阶段，每个阶段都有对应的脚本和图形界面。很多人第一次接触时会把注意力全放在训练模型上，结果数据集没整理好，或者环境里 CUDA 版本和 TensorFlow 不匹配，训练半天显存报错。所以这篇内容先从环境配置入手，再讲清楚数据准备和训练参数，最后给出转换时的常见问题。
环境配置：CUDA 与 cuDNN 的版本匹配是关键
官方推荐的安装方式是从 GitHub 拉取源码后使用安装脚本，但国内网络环境下直接运行 setup.py 很容易超时。更稳妥的做法是手动创建 Python 3.9 或 3.10 的虚拟环境，然后按照 requirements.txt 里的版本安装 TensorFlow。这里有一个常见的坑：如果你用的是 NVIDIA 30 系或 40 系显卡，TensorFlow 2.10 以下版本无法识别 Ampere 架构的算力，必须安装带 CUDA 11.2 支持的 TensorFlow 2.10 或更高版本。同时要保证系统里安装的 NVIDIA 驱动版本不低于 450.80.02，否则 CUDA 运行时初始化会直接失败。
验证环境是否正常，可以在 Python 里执行下面这段代码，确认 TensorFlow 能调用 GPU。如果打印出来的设备列表是空的，多半是 CUDA 路径没写进环境变量，或者 cuDNN 的 DLL 文件没有放到正确目录。Windows 用户要特别注意，cuDNN 的 bin、include、lib 三个文件夹需要分别合并到 CUDA 安装目录的对应文件夹里，而不是整个复制过去。
import tensorflow as tf
print("GPU available:", tf.config.list_physical_devices('GPU'))
# 如果输出为空列表，检查 CUDA_VISIBLE_DEVICES 或驱动版本
此外，Faceswap 的 GUI 依赖 tkinter，在 Linux 服务器上如果没有安装 python3-tk 包，启动 faceswap.py gui 时会直接报错。无头服务器建议直接用命令行模式处理，省去图形界面的依赖负担。
数据预处理：提取、对齐与掩码决定最终效果
训练之前必须先把视频转换成模型能识别的对齐人脸图片。Faceswap 的提取阶段会先检测人脸位置，再根据 68 个特征点做对齐，最后裁剪成统一尺寸。默认的 512x512 输出对大部分模型够用，但如果源视频分辨率很低，提高输出尺寸并不能增加细节，反而会引入更多噪声。提取完成后一定要人工筛选一遍，把侧脸角度过大、遮挡严重、模糊的图片删掉，否则训练时模型会学到错误的映射。
掩码是很多人忽略但极其重要的部分。它决定了换脸区域哪些像素参与训练、哪些像素保持原样。Faceswap 支持多种掩码类型，比如 components 掩码会覆盖眼睛、鼻子、嘴巴等主要部件，extended 掩码则扩大到整个面部轮廓。对于头发遮挡或者戴眼镜的场景，推荐使用 vgg-clear 或 bisenet-fp 掩码，它们对边缘的处理更精细。生成掩码的命令如下，注意 batch-size 要根据显存调整，默认值在消费级显卡上可能会爆内存。
python faceswap.py mask -i /path/to/aligned_faces -m bisenet-fp -b 8 # -i 输入对齐人脸目录，-m 指定掩码类型，-b 批次大小
数据集的平衡也很关键。如果 A 人脸有 5000 张图片，B 人脸只有 800 张，训练时模型会偏向数据量大的那一侧，换脸后表情和角度容易出现偏差。遇到这种情况，要么对 B 做数据增强，比如随机翻转、轻微旋转、亮度抖动，要么把 A 的数据量降到和 B 相近的水平。Faceswap 的训练脚本自带 augmentation 参数，开启后会自动做旋转和色彩变换，但强烈建议先保证原始数据的多样性，再依赖增强。
模型选择与训练参数调优
Faceswap 内置了多种模型架构，最常用的是 Original、DFL-SAE 和 Villain。Original 训练速度快，适合快速验证流程，但细节保留一般；DFL-SAE 的编码器-解码器结构更复杂，对表情和角度变化的泛化能力更强，代价是显存占用高、训练时间长。Villain 是轻量化版本，适合显存 6GB 以下的显卡。下表对比了三种模型在 256x256 输入下的典型显存占用和推荐迭代次数。
| 模型 | 显存占用（batch=8） | 推荐迭代 | 适用场景 |
|---|---|---|---|
| Original | 约 4GB | 50k-80k | 快速验证、低配置设备 |
| DFL-SAE | 约 8GB | 120k-200k | 高细节、复杂表情 |
| Villain | 约 3GB | 80k-120k | 显存受限、中等质量需求 |
批次大小（batch size）直接影响训练稳定性和显存占用。过大的批次容易导致梯度更新过于平滑，模型收敛慢；过小则噪声大，损失曲线震荡。一般建议从 8 开始尝试，如果显存报 OOM 错误，就减小到 4 或者 2。学习率默认值 1e-4 基本不用动，只有在损失长时间不下降时，才考虑降低到 5e-5。训练过程中要重点关注预览图，而不是只盯着 loss 数值。预览图里脸部轮廓清晰、五官对位准确，即使 loss 没有降到很低，实际效果也可能不错。
还有一个容易忽视的参数是 coverage，它表示模型训练时使用的面部区域比例。默认 87.5% 会裁剪掉额头和下巴的一部分，如果源人物有刘海或者需要保留完整额头，可以调到 100%。但 coverage 越大，训练时需要的显存和计算量也会增加，需要在效果和资源之间做取舍。
python faceswap.py train -A /path/to/faceA -B /path/to/faceB -m dfl-sae -bs 8 -it 150000 -co 87.5 # -A 和 -B 分别是两个身份的对齐人脸目录，-m 指定模型，-bs 批次大小，-it 迭代次数
训练完成后进入转换阶段，需要提供原始视频和对齐文件。转换脚本会把训练好的模型应用到每一帧上，然后合成输出。这里要注意 mask type 必须和训练时使用的一致，否则生成的视频边缘会出现生硬的边界。如果转换后的视频出现闪烁，可以尝试开启 temporal smoothing 或者调整 blend 参数，让相邻帧之间的换脸区域过渡更自然。