FaceFusion 保姆级部署教程：工业级人脸替换平台，从 Windows 安装到 GPU 跑通换脸全流程

FaceFusion 是一个开源的人脸操纵（face manipulation）平台，官方定位是"Industry leading face manipulation platform"（业界领先的人脸操纵平台）。它的核心能力是：给一张"源人脸"图片和一段"目标视频/图片"，自动把目标里的人脸替换成源人脸。和早期的 DeepFaceLab、DeepFaceLive 相比，FaceFusion 把整个流程封装成了一条命令、一个 Web UI，支持换脸、人脸增强、人脸修复等多种功能，并且有完整的作业系统（job system）支持批量处理。License 是 OpenRAIL-AS（ Responsible AI 开源协议），允许商用但有使用场景限制。本文按官方 README，从 Windows/macOS 一键安装、Linux 源码部署、到跑通第一段换脸视频。

一、项目介绍与适用场景

FaceFusion 由 facefusion 社区维护，GitHub 上约 30k stars。它不是一个单一的换脸模型，而是一个"平台"——内部集成了多个人脸检测、人脸识别、人脸替换、人脸增强的预训练模型，按流水线方式串起来。用户只需要指定源人脸图片和目标视频，剩下的检测、对齐、替换、融合都自动完成。

官方 README 明确说："Installation needs technical skills and is not recommended for beginners. In case you are not comfortable using a terminal, our Windows Installer and macOS Installer get you started."——意思是源码部署需要技术能力，新手推荐用官方一键安装包。

适用场景：

• 影视/短视频后期：替换演员面部、修复老片人脸；
• 直播/虚拟主播：实时换脸（需要 GPU）；
• 照片修复/增强：老照片人脸修复、人脸超分；
• 研究/二次开发：基于平台扩展自定义模型。

注意：FaceFusion 涉及人脸操纵技术，OpenRAIL 协议对使用场景有明确限制——禁止用于未授权的深度伪造、诈骗、骚扰等场景。本文仅介绍技术部署，不鼓励任何违规使用。

FaceFusion 和传统换脸方案（比如 DeepFaceLab、Roop）的区别是什么？DeepFaceLab 需要你自己训练模型、手动对齐人脸、手动调参，门槛极高；Roop 是早期的一键换脸工具，但只支持静态图片、没有视频流水线、没有批量处理。FaceFusion 把这些都封装好了：你只需要一张源人脸图片，它自动完成人脸检测、关键点对齐、人脸替换、融合、增强，支持图片和视频。同时它保留了命令行和作业系统，方便工程化部署。

换脸的技术原理（简述）：FaceFusion 内部走的是"检测—对齐—替换—融合"四步流水线。第一步用人脸检测器（如 RetinaFace、YOLOFace）在目标图里找到人脸位置；第二步做人脸关键点对齐，把源人脸和目标人脸对齐到同一个坐标系；第三步用预训练的 GAN 模型把源人脸纹理贴到目标人脸区域；第四步做颜色校正和边缘融合，让换脸结果看起来自然。整个流程在 GPU 上跑，视频是逐帧处理的。

二、核心功能逐条拆解

1. 换脸（Face Swap）：把目标图片/视频里的人脸替换成源人脸。
2. 人脸增强（Face Enhancer）：对换脸后的结果做超分、去噪、提升清晰度。
3. 人脸修复（Face Restorer）：老照片、模糊人脸修复。
4. Web UI：浏览器里操作，拖拽图片/视频即可。
5. Headless 模式：headless-run 命令，无界面批量处理。
6. Batch 模式：batch-run 批量处理多个文件。
7. 作业系统（Job System）：完整的 job-list / job-create / job-submit / job-run / job-retry 工作流，支持复杂多步骤任务。
8. Benchmark：内置 benchmark 命令测试你的机器性能。
9. Force Download：force-download 命令自动下载所有依赖模型。
10. 多模型可选：人脸检测器、人脸换脸模型、人脸增强器都有多个可选模型，在 Web UI 里切换。
11. 跨平台：Windows、macOS、Linux 全支持。
12. Gradio Web UI：基于 Gradio 构建，浏览器里操作，不用装复杂的桌面环境。

三、全套官方链接

四、硬件与环境前置要求

官方 README 未在 README 正文中列出具体显存要求，但官方文档（docs.facefusion.io）明确：

• GPU：推荐 NVIDIA GPU，显存 6GB 以上（跑视频换脸建议 8GB+）；
• 系统：Windows 10/11、macOS 12+、Linux（Ubuntu 20.04+）；
• Python：源码部署需要 Python 3.10+；
• 内存：16GB+ RAM；
• 存储：首次运行会自动下载约 2-5GB 模型文件。

官方出处：README "Installation" 小节指向 docs.facefusion.io/installation。

补充说明：无 GPU 能不能跑？能，但极慢。官方文档提到 CPU 模式可用，但处理 10 秒视频可能要几十分钟到几小时。建议至少有一张 6GB 显存的 NVIDIA GPU（如 RTX 3060），视频换脸建议 8GB+（如 RTX 3070/4060Ti 以上）。Apple Silicon Mac 用 MPS 加速，速度介于 CPU 和 NVIDIA GPU 之间。AMD 显卡在 Linux 上通过 ROCm 也能跑，但官方文档支持度不如 NVIDIA。

五、多平台部署步骤

5.1 Windows 一键安装（官方推荐新手）

官方 README 原文："our Windows Installer and macOS Installer get you started."

第 1 步：打开 http://windows-installer.facefusion.io 下载 Windows 安装包。 第 2 步：双击安装包，按向导下一步完成安装。 第 3 步：启动 FaceFusion，浏览器会自动打开 Web UI。

这个方式不需要装 Python、不需要装 CUDA、不需要敲命令，适合完全不懂技术的用户。

5.2 macOS 一键安装

第 1 步：打开 http://macos-installer.facefusion.io 下载 macOS 安装包。 第 2 步：双击 .dmg 文件，拖到 Applications 文件夹。 第 3 步：启动 FaceFusion，浏览器打开 Web UI。

注意：Apple Silicon（M1/M2/M3）和 Intel Mac 都支持，但 Intel Mac 没有 CUDA，换脸速度会慢很多。

5.3 Linux/macOS 源码部署（官方）

官方 README 原文："Run the command: python facefusion.py [commands] [options]"

第 1 步：克隆仓库：

git clone https://github.com/facefusion/facefusion.git
cd facefusion

第 2 步：安装依赖（按官方文档）：

pip install -r requirements.txt

第 3 步：首次运行自动下载模型：

python facefusion.py run

第 4 步：浏览器打开 http://localhost:7860（Gradio 默认端口），进入 Web UI。

逐段解释：git clone 拉源码；pip install -r requirements.txt 装 Python 依赖（包括 PyTorch、Gradio 等）；python facefusion.py run 启动 Web UI，首次运行会自动下载所有需要的模型文件。

六、配置文件全部参数解释

FaceFusion 无独立配置文件，参数通过命令行传入或在 Web UI 里调。按官方 README 的 commands 列表整理：

补充说明：--source-path、--target-path、--output-path 是 headless-run 的核心参数，分别指定源图片、目标文件、输出文件。--face-enhancer-weight 控制人脸增强的强度（0-1），值越高越锐化但可能失真。--server-port 控制 Web UI 端口。所有参数都可以在 Web UI 里可视化调整，也可以用命令行参数覆盖。

七、启动、后台常驻与开机自启

Web UI 方式直接 python facefusion.py run 即可。headless 模式做服务：

# 假设你要把 facefusion 做成后台服务
python facefusion.py headless-run \
  --source-path /data/source.jpg \
  --target-path /data/target.mp4 \
  --output-path /data/output.mp4

systemd unit：

[Unit]
Description=FaceFusion Headless Service
After=network.target

[Service]
User=your_user
WorkingDirectory=/your/path/facefusion
ExecStart=/usr/bin/python facefusion.py headless-run --source-path /data/source.jpg --target-path /data/target.mp4 --output-path /data/output.mp4
Restart=on-failure

[Install]
WantedBy=multi-user.target

sudo systemctl daemon-reload
sudo systemctl enable --now facefusion

修改端口：Web UI 模式默认 7860，可用 --server-port 参数改。

八、功能实操教程

第 1 步：用 Windows 安装包装好 FaceFusion，启动后浏览器打开 Web UI。

第 2 步：在 Web UI 里： 1. Source 区域上传一张源人脸图片（正面、清晰、光线好）； 2. Target 区域上传目标图片或视频； 3. 选择想要的功能：Face Swap（换脸）、Face Enhancer（人脸增强）、Face Restorer（人脸修复）； 4. 点 Start 按钮开始处理。

第 3 步：等待处理完成。处理速度取决于你的 GPU——8GB 显存显卡处理 10 秒视频大约 1-3 分钟。

第 4 步：处理完成后，在 Output 区域预览结果，下载到本地。

第 5 步：Headless 模式（命令行批量处理）：

python facefusion.py headless-run \
  --source-path my_face.jpg \
  --target-path input_video.mp4 \
  --output-path output_video.mp4 \
  --face-enhancer-weight 0.5

这个命令会直接在终端跑完，不打开浏览器，适合脚本化批量处理。

第 6 步：Benchmark 测试你的机器：

python facefusion.py benchmark

终端会输出你的 GPU 推理速度、模型加载时间等，帮你判断这台机器能不能跑得动视频换脸。

第 7 步：Force Download 重新下载模型：

python facefusion.py force-download

如果上次模型下载中断、文件损坏，用这个命令强制重新下载所有模型。

第 8 步：作业系统（Job System）——这是 FaceFusion 区别于其他换脸工具的杀手锏。你可以把复杂的多步任务保存成 job，反复跑、批量跑：

# 列出所有作业
python facefusion.py job-list

# 创建一个新 job
python facefusion.py job-create

# 提交 job 到队列
python facefusion.py job-submit

# 运行所有排队的 job
python facefusion.py job-run-all

# 重试失败的 job
python facefusion.py job-retry-all

典型用法：你有 100 个视频要换同一张脸，不需要在 Web UI 里手动操作 100 次，而是创建一个 job 模板，批量提交，然后 job-run-all 一次跑完。这对生产环境（比如批量处理素材）非常有用。

第 9 步：选择合适的人脸检测模型。FaceFusion 内置多种人脸检测器，在 Web UI 的 Face Detector 下拉框里选： - retinaface：精度高，速度中等，适合大多数场景； - yunet：速度快，精度稍低，适合实时视频； - scrfd：折中方案。

如果你的目标视频里人脸很小、角度很偏，选 retinaface；如果是直播实时换脸，选 yunet。

九、全套报错故障排查

1. 报错：ModuleNotFoundError: No module named 'torch'。 原因分析：没装 PyTorch 或依赖没装全。 分步解决方案：pip install -r requirements.txt；如果 CUDA 版 PyTorch 装不上，先去 pytorch.org 官网按你的 CUDA 版本手动装。

2. 报错：CUDA out of memory。 原因分析：显存不够。 分步解决方案：关掉其他占显存的程序；在 Web UI 里把分辨率调小；缩短视频长度；或换用 --face-selector-order 只处理检测到的第一张脸。

3. 报错：模型下载失败或很慢。 原因分析：首次运行要从 GitHub/远程服务器下载 2-5GB 模型。 分步解决方案：用 python facefusion.py force-download 单独跑下载；或设置代理后重试。

4. 报错：换脸结果人脸扭曲、模糊。 原因分析：源图片质量差，或目标人脸角度太大。 分步解决方案：换一张正面、清晰、光线好的源图片；在 Web UI 里开启 Face Enhancer 提升清晰度。

5. 报错：Windows 安装包启动后浏览器打不开。 原因分析：默认端口 7860 被占用。 分步解决方案：在启动命令里加 --server-port 7861 换个端口。

6. 报错：macOS 上运行报 OSError: dlopen(...) failed。 原因分析：Apple Silicon 上某些依赖需要 arm64 版本。 分步解决方案：用官方 macOS 安装包而不是源码部署；或确认你的 Python 是 arm64 版本（python3 -c "import platform; print(platform.machine())"）。

7. 报错：换脸结果闪烁、帧间不一致。 原因分析：视频逐帧处理时，人脸检测在不同帧之间不稳定。 分步解决方案：在 Web UI 里开启 Face Landmarker（人脸关键点对齐），或换用更稳定的检测器（retinaface）；如果视频很短，可以先抽帧、处理、再合帧。

8. 报错：ffmpeg not found。 原因分析：视频处理需要 ffmpeg 解码/编码。 分步解决方案：Windows 安装包已内置 ffmpeg；源码部署需要自己装：sudo apt install ffmpeg（Ubuntu）或 brew install ffmpeg（macOS）。

9. 报错：Web UI 打开后页面空白。 原因分析：Gradio 前端资源加载失败，或浏览器缓存。 分步解决方案：强制刷新浏览器（Ctrl+Shift+R）；换 Chrome/Edge 试试；或用 --server-name 0.0.0.0 参数让服务监听所有网卡。

十、升级、回滚与卸载

升级：源码方式 git pull + pip install -r requirements.txt；一键安装包方式在应用内检查更新。FaceFusion 更新比较频繁，建议每次升级前先看 GitHub Releases 页面的 changelog，确认有没有 breaking change。

备份建议：FaceFusion 本身无用户数据，但你自己的 source/target/output 文件记得备份；模型缓存目录（默认在项目目录下的 .assets/ 或 ~/.cache/）可以单独备份，下次部署不用重新下载——这一步很重要，因为模型文件加起来有几个 GB，重新下载很费时间。

回滚：git checkout <旧版本tag>。FaceFusion 的版本号在 GitHub Releases 里都有 tag。

卸载：一键安装包在"应用管理"里卸载；源码方式直接删文件夹 + pip uninstall facefusion；systemd 方式 sudo systemctl disable --now facefusion 并删 unit 文件。

十一、商用许可与合规风险提示

FaceFusion 采用 OpenRAIL-AS 协议——这是一种"负责任 AI"开源协议，比传统 MIT/Apache 多了使用场景限制。协议允许商用、修改、分发，但明确禁止： 1. 未经授权的深度伪造（deepfake）他人； 2. 用于诈骗、骚扰、诽谤； 3. 用于合成色情内容； 4. 用于欺骗性政治宣传。

合规建议：商用前务必完整阅读 OpenRAIL-AS 协议原文；处理名人/公众人物面部时需获得授权；产品上线前建议加"AI 生成内容"水印/标注。本教程不构成法律意见。

参考链接

• GitHub 仓库：https://github.com/facefusion/facefusion
• 官方文档：https://docs.facefusion.io
• Windows 安装包：http://windows-installer.facefusion.io
• macOS 安装包：http://macos-installer.facefusion.io

附录：新手常见问题 FAQ

Q1：我是新手，该用 Windows 安装包还是源码部署？ A：强烈推荐 Windows 安装包。源码部署需要装 Python、CUDA、PyTorch、ffmpeg，任何一个环节出问题都会卡住。官方 README 也明确说源码部署"not recommended for beginners"。

Q2：换脸效果不好，是哪里的问题？ A：90% 的情况是源图片质量问题。源图片要满足：正面、光线均匀、表情自然、分辨率不低于 512x512。如果源图是侧脸、逆光、戴口罩，换脸效果一定差。

Q3：处理视频特别慢怎么办？ A：先跑一次 python facefusion.py benchmark 看看你的机器基线。如果太慢，把视频分辨率调低（比如 720p 降到 480p）、缩短视频时长、换更快的人脸检测器（yunet）。

Q4：可以换多人脸吗？ A：可以。FaceFusion 支持自动检测目标图里的多张人脸，你可以在 Web UI 里指定哪张源脸对应哪张目标脸。