🎨 DDColor 牛哥镜像版 - 黑白图像智能上色

牛哥针对DDColor黑白图像上色模型制作的一手镜像，这应该是目前效果最好的黑白照片智能上色解决方案之一。

优势：

• 上色效果自然，色彩还原度高
• 支持多种图像格式和尺寸
• 牛哥已解决所有环境依赖，无需配置，开箱即用
• 提供Web界面和API接口，使用方便
• 支持批量处理，效率更高

特色功能：

• 智能颜色预测，还原真实色彩
• 支持人像、风景、建筑等多种场景
• 批量处理模式，一次性处理多张图片
• 显存优化，适配各种硬件配置

镜像部署教程

1. 选择好镜像点击"立即部署"

2. 等待实例启动

该实例支持自启动，等待实例运行后，耐心等待3-5分钟让服务完全启动

3. 访问Web界面

点击"WebUI"或直接访问： http://你的服务器IP:7860

使用方法

Web界面使用

1. 打开Web界面后，上传黑白图片
2. 选择模型版本（推荐使用默认的ddcolor_modelscope）
3. 点击"开始上色"按钮
4. 等待处理完成，下载彩色结果

批量处理模式

1. 准备包含黑白图片的文件夹
2. 在Web界面选择"批量处理"选项
3. 上传整个文件夹或选择多张图片
4. 设置输出目录，点击开始批量处理

API调用

import requests

url = "http://你的服务器IP:7860/api/colorize"
files = {'image': open('black_white.jpg', 'rb')}
response = requests.post(url, files=files)

with open('colorized.jpg', 'wb') as f:
    f.write(response.content)

模型版本说明

• ddcolor_paper: 原始论文版本，效果稳定
• ddcolor_modelscope: ModelScope优化版，推荐日常使用
• ddcolor_artistic: 艺术风格版本，色彩更加鲜艳
• ddcolor_paper_tiny: 轻量版，处理速度更快

性能优化

牛哥通过以下优化确保在各种硬件上都能流畅运行：

1. 显存优化: 通过模型压缩和内存管理，显存占用降低30%
2. 推理加速: 首次推理稍慢（约30秒），后续每张图片约10-15秒
3. 批量处理: 支持GPU并行处理，大幅提升效率

常见问题

Q: 支持哪些图片格式？ A: 支持JPG、PNG、BMP等常见格式，建议图片尺寸不超过2048x2048

Q: 处理时间大概多久？ A: 单张图片通常10-15秒，批量处理时每分钟可处理4-6张图片

Q: 可以处理老照片吗？ A: 完全可以，DDColor专门针对老照片优化，能够智能还原历史色彩

Q: 需要什么样的硬件配置？ A: 最低需要8GB显存，推荐16GB以上显存获得更好体验

技术支持

如遇到问题，请检查：

1. 服务是否完全启动（等待3-5分钟）
2. 端口是否正确开放（7860端口）
3. 图片格式和大小是否符合要求

牛哥已为大家处理好所有依赖和环境配置，确保开箱即用。如有其他问题，请查看日志或重新部署实例。

更新日志

• v1.0: 初始版本，解决环境依赖问题
• v1.1: 添加批量处理功能
• v1.2: 优化显存使用，支持更多硬件
• v1.3: 添加API接口，修复已知Bug

---

牛哥出品，必属精品！ 专注于为大家解决AI项目的环境配置和使用难题，让每个人都能轻松享受AI技术的便利。

原始论文信息

Xiaoyang Kang, Tao Yang, Wenqi Ouyang, Peiran Ren, Lingzhi Li, Xuansong Xie DAMO Academy, Alibaba Group

DDColor: Towards Photo-Realistic Image Colorization via Dual Decoders, ICCV 2023

快速开始

环境要求（牛哥已解决）

• Python >= 3.7
• PyTorch >= 1.7
• 牛哥镜像已包含所有依赖，无需手动安装

本地使用（可选）

如需本地运行，牛哥已准备好完整环境：

# 牛哥已配置好conda环境，直接激活即可
conda activate ddcolor

# 如需要重新安装依赖
pip install -r requirements.txt

高级功能

原始论文方法

简要说明： DDColor使用多尺度视觉特征优化可学习颜色令牌（即颜色查询），在自动图像上色方面达到了最先进的性能。

开发者选项（高级用户）

本地推理脚本

牛哥已集成所有模型，如需手动调用：

# 使用本地模型推理
python infer.py --model_path ./modelscope/damo/cv_ddcolor_image-colorization/pytorch_model.pt --input ./assets/test_images

# 或使用HuggingFace模型
python infer_hf.py --model_name ddcolor_modelscope --input ./assets/test_images

ModelScope集成

import cv2
from modelscope.outputs import OutputKeys
from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks

img_colorization = pipeline(Tasks.image_colorization, model='damo/cv_ddcolor_image-colorization')
result = img_colorization('your_black_white_image.jpg')
cv2.imwrite('result.png', result[OutputKeys.OUTPUT_IMG])

Gradio界面启动

牛哥已配置好Gradio环境，如需手动启动：

python gradio_app.py

模型库

牛哥镜像包含以下预训练模型版本：

• ddcolor_paper: 原始论文版本，效果稳定
• ddcolor_modelscope: ModelScope优化版，推荐日常使用
• ddcolor_artistic: 艺术风格版本，色彩更加鲜艳
• ddcolor_paper_tiny: 轻量版，处理速度更快

详细模型信息请参考 Model Zoo

训练支持（高级用户）

如需训练自己的模型：

1. 数据集准备：下载ImageNet数据集或创建自定义数据集

python data_list/get_meta_file.py

2. 下载预训练权重到pretrain文件夹

• ConvNeXt
• InceptionV3

3. 配置训练参数：编辑options/train/train_ddcolor.yml

4. 开始训练：

sh scripts/train.sh

ONNX导出支持

牛哥镜像已集成ONNX导出功能：

# 导出ONNX模型
python export.py --model_path ./path/to/model.pt --export_path ./output.onnx

ONNX导出示例请参考这里

引用说明

如果您在研究中使用本工作，请考虑引用原始论文：

@inproceedings{kang2023ddcolor,
  title={DDColor: Towards Photo-Realistic Image Colorization via Dual Decoders},
  author={Kang, Xiaoyang and Yang, Tao and Ouyang, Wenqi and Ren, Peiran and Li, Lingzhi and Xie, Xuansong},
  booktitle={Proceedings of the IEEE/CVF International Conference on Computer Vision},
  pages={328--338},
  year={2023}
}

致谢

感谢BasicSR作者提供的优秀训练框架。

Xintao Wang, Ke Yu, Kelvin C.K. Chan, Chao Dong and Chen Change Loy. BasicSR: Open Source Image and Video Restoration Toolbox. https://github.com/xinntao/BasicSR, 2020.

部分代码参考自ColorFormer、BigColor、ConvNeXt、Mask2Former和DETR。感谢这些优秀的工作！