作为一个初学者，这篇文章的完成主要是借助了这篇文章：faceswap Guide Extraction - A Workflow和D9区的 deepfakes/faceswap gui详细使用教程的一系列文章，感谢他们的付出，没有这些老师为我做指引就没有这篇文章，再此我只是做一个缝合。

原项目链接：https://github.com/deepfakes/faceswap

faceswap是当前最主流的开源换脸项目之一，目前在github上star数36.8k。

faceswap是领先的免费开源多平台Deepfakes软件。

由TensorFlow、Kera和Python提供支持；Faceswap将在Windows、MacOS和Linux上运行。

它支持使用CPU或GPU训练模型，对AMD和NVIDIA的支持不太一样，这里主要以NVIDIA的CUDA核心为例。

附项目网站：https://faceswap.dev/

https://github.com/deepfakes/faceswap.git

可以通过git直接下载原项目，也可以只用已经打包好的releases版本(目前版本为2.0.0)：

https://github.com/deepfakes/faceswap/releases/tag/v2.0.0

对于源码方式，需要手动使用项目内的setup.py安装相关的组件包，对于使用exe方式的用户可以通过可视化的方式下一步安装。注意：这一步需要下载大量组件，且为了之后的训练模型，建议预留出至少4G的大小。

安装完成后桌面可见图标。

这里需要提前准备好被换脸的素材和换脸的素材，我这里分别拿两段视频为例，如果是图片亦可，需要注意的是视频也是会被处理成一帧一帧的图片的，对于新手而言，1000~3000张有效人脸图片较为合适，换算为视频大概为30秒到一分钟的视频比较合理。

初次进行换脸，准备的视频图片素材应尽量避免人脸模糊、人脸被遮挡、人脸在画面边缘导致不全等情况。

互换的两个素材尽量保持肤色接近，表情接近，以达到更好的效果。

展示项目结构（仅供参考，可不一致）：F:\FaceswapRepos\20210608Tjf├─Media (存放初始视频素材，后期的对齐文件会自动生成在此)├─A_Image (存放被换脸视频处理后得到的大头图片)├─B_Image (存放换脸视频处理后得到的大头图片)├─Output (最终输出的图片素材)└─Training (存放训练模型文件)

faceswap的Extract模块主要包含3个功能：

人脸识别：在图片或视频的图像帧中找出人脸

人脸对齐：在识别到的人脸上找到“地标”（共68个特征点），从而确定人脸的方向

生成遮罩（可选项）：遮罩可以突出人脸部分，遮罩外的像素将被认为是背景或障碍物

通过faceswap的extract模块我们可以得到以下2类文件：

主要用于Train模块以进行后续的模型训练；

可用于Train模块后续的模型训练（但非必须），它包含了可能会被用到的遮罩信息，此外，当Train模块中勾选“Warp to Landmarks”时，它可以提供人脸“地标”信息；

对于Convert模块来说，虽然对齐文件不是必不可少的，但它会极大的影响最终换脸的实际效果，除了包含可能会被用到的遮罩信息以外，它更重要的作用是告诉Convert模块原始图片或原始视频帧中需要被“换脸”的人脸位置。

创建一个新项目并保存：

Input Dir: 这里我们可以选择一个视频文件，也可以选择一个包含一系列图片的文件夹，作为Extract的素材源

Output Dir: 这里我们可以选择一个文件夹，作为提取出的人脸图片的存放路径

Alignments: 计算得到的对齐文件目录，这里留空的话faceswap默认会把对齐文件输出到上面的“Input Dir”文件夹。

Detector, Aligner: 选择检测和对准算法，目前最优选择是：S3FD + FAN

Masker:

BiSeNet-FP - 在 CelebHQ-Masked 数据集上训练的相对轻量级的 NN 掩码。 从 https://github.com/zllrunning/face-parsing.PyTorch 移植。

此遮罩在其配置设置中具有附加选项，允许在遮罩区域内包含/排除头发、耳朵、眼睛和眼镜。

这是唯一与“全头”训练兼容的遮罩生成插件，因为头发需要包含在面罩区域内才能以这种方式进行训练。

BiSeNet-FP with Hair and ears excluded from the mask (默认设置)：

BiSeNet-FP with Hair and ears included in the mask (全头部训练所需的头发)：

Unet-Dfl - 一个基于神经网络算法的遮罩生成插件，由开源社区成员训练维护

VGG-Clear - 另一个基于神经网络算法的遮罩生成插件，用于智能分割大部分正面的遮挡。

VGG-Obstructed - 设计用于对大部分正面脸进行智能分割。面具模型已经专门训练来识别一些面部障碍(手和眼镜)。

Normalization: 这一技术对输入提取器的图像进行处理，以便在光照困难的情况下更好地找到人脸。不同的标准化方法适用于不同的数据集，但我发现“hist”是最好的全能型。这将稍微慢提取，但它可以导致更好的对齐

Rotate Images: 不用管（除了CV2-DNN之外，对于所有的检测器来说，这是完全没有必要的。目前的探测器完全有能力在任何方向上发现面，所以这只会减慢你的进程，而收效甚微。）

可以看到训练到接近十万次左右的时候，大概花了10个小时左右。