C#调用Python脚本运行DDColor：跨语言集成解决方案-平芜编程栈

C#调用Python脚本运行DDColor：跨语言集成解决方案

在当今图像修复与AI视觉增强的实践中，一个典型的矛盾日益凸显：最强大的模型往往用 Python 写成，而用户真正愿意使用的界面却大多是 Windows 上的桌面程序。比如，你想让父母上传一张泛黄的老照片，一键还原成彩色影像——他们不会去装 Anaconda、配置环境变量，更别说搞懂 ComfyUI 的节点工作流。但你又不能把 PyTorch 模型重写成 C#。

于是，问题就变成了：如何让一个 WPF 窗口，悄悄启动背后一整套基于 Python 的深度学习流水线？

这正是本文要解决的核心场景——通过 C# 调用 Python 脚本，驱动 ComfyUI 中的 DDColor 模型完成黑白老照片智能上色。整个过程对用户完全透明，就像点击“开始”按钮后，魔法自然发生。

我们先从一个具体需求说起。假设你要开发一款“家庭老照片数字化工具”，核心功能是上传黑白照片，自动上色并保存结果。技术选型上：

前端用 C#（WPF/WinForms）构建友好界面；
后端用 Python 执行 DDColor 这类先进图像着色模型；
两者之间不靠 API 服务，也不打包整个解释器，而是以“进程调用 + 文件交换”的轻量方式协作。

这种方案既避免了复杂网络通信，又能复用成熟的 AI 生态，特别适合中小型项目快速落地。

DDColor 是近年来表现优异的图像着色算法之一，它基于深度学习架构，能够根据图像内容智能推测合理的色彩分布。更重要的是，它已被良好集成到 ComfyUI 这类可视化工作流平台中，形成可保存为 JSON 的处理流程。这意味着你可以把一次复杂的推理任务“固化”成一个文件，后续只需加载即可执行，无需重复编码。

例如：
-DDColor人物黑白修复.json：专为人脸肤色、服饰材质优化，推荐输入尺寸在 460–680 范围内；
-DDColor建筑黑白修复.json：针对建筑结构、天空植被等大场景训练，建议分辨率设为 960–1280。

这些预设工作流大大降低了使用门槛，也为我们通过外部程序调用提供了可能。

ComfyUI 本身支持命令行参数启动，并允许注入输入输出路径或动态修改节点配置。虽然它也提供 Web API 接口，但对于本地单机应用来说，直接运行脚本更为简洁可靠。C# 只需扮演“调度员”角色：准备好图片和参数，唤起 Python 子进程，等待任务完成，再读取结果。

实现的关键在于System.Diagnostics.Process类。它是 .NET 提供的标准机制，用于启动和控制外部进程。我们可以用它来调用python.exe，传入 ComfyUI 主程序路径及自定义参数，从而触发指定工作流的执行。

下面是一段经过实战验证的封装代码：

using System; using System.Diagnostics; using System.IO; using System.Threading.Tasks; public class DdcolorProcessor { private readonly string _pythonPath = "python"; private readonly string _comfyUiScriptPath = @"C:\comfyui\main.py"; private readonly string _workflowPerson = @"workflows/DDColor人物黑白修复.json"; private readonly string _workflowBuilding = @"workflows/DDColor建筑黑白修复.json"; private readonly string _inputImagePath = @"input/test.jpg"; private readonly string _outputFolderPath = @"output/"; public async Task<string> RunDdcolorAsync(bool isBuilding) { var workflowFile = isBuilding ? _workflowBuilding : _workflowPerson; var outputFileName = $"restored_{DateTime.Now:yyyyMMddHHmmss}.png"; var fullOutputPath = Path.Combine(_outputFolderPath, outputFileName); Directory.CreateDirectory(_outputFolderPath); var startInfo = new ProcessStartInfo { FileName = _pythonPath, Arguments = $"\"{_comfyUiScriptPath}\" " + $"--listen 127.0.0.1 " + $"--port 8188 " + $"--load-flow \"{workflowFile}\" " + $"--input-image \"{_inputImagePath}\" " + $"--output-folder \"{_outputFolderPath}\"", UseShellExecute = false, RedirectStandardOutput = true, RedirectStandardError = true, CreateNoWindow = true, WindowStyle = ProcessWindowStyle.Hidden }; using (var process = Process.Start(startInfo)) { if (process == null) throw new InvalidOperationException("无法启动 Python 进程。"); var outputTask = process.StandardOutput.ReadToEndAsync(); var errorTask = process.StandardError.ReadToEndAsync(); await process.WaitForExitAsync(); var output = await outputTask; var error = await errorTask; if (process.ExitCode != 0) { Console.WriteLine($"Python 脚本执行失败，错误信息：{error}"); throw new Exception($"DDColor 处理失败，退出码：{process.ExitCode}"); } Console.WriteLine("图像修复完成，日志：" + output); } return Directory.GetFiles(_outputFolderPath, "*.png") .OrderByDescending(File.GetCreationTime) .FirstOrDefault() ?? throw new FileNotFoundException("未找到生成的图像文件。"); } }

这段代码看似简单，实则暗藏几个工程细节：

路径安全处理：所有涉及文件路径的地方都用双引号包裹，防止空格导致命令解析错误；
异步非阻塞：使用WaitForExitAsync()避免 UI 线程冻结，保证用户体验流畅；
日志捕获：通过重定向标准输出和错误流，可以在前端实时显示处理进度或调试信息；
容错机制：检查进程是否成功启动、退出码是否正常、输出文件是否存在，层层兜底。

当然，在真实部署时还需考虑更多边界情况。比如，如果多个任务同时运行，共用同一个端口（如 8188）会导致冲突。此时可以改为随机分配端口，或改用无服务器模式（headless run），即一次性执行完即退出，不长期监听。

系统整体架构呈现出清晰的三层分离：

+----------------------------+ | C# 桌面应用程序层 | | - 用户界面 (WPF/WinForms) | | - 图像上传与结果显示 | | - 调用 Python 子进程 | +------------+---------------+ | v +----------------------------+ | Python 图像处理执行层 | | - ComfyUI 运行时环境 | | - 加载 DDColor 工作流 JSON | | - GPU 加速推理（CUDA） | +------------+---------------+ | v +----------------------------+ | 数据交换层 | | - 输入图像：file.jpg | | - 输出图像：output/*.png | | - 日志通信：stdout/stderr | +----------------------------+

各层职责分明：C# 管交互，Python 管计算，中间靠文件系统“摆渡”数据。这种松耦合设计不仅便于维护，还天然支持横向扩展——未来若需迁移到 HTTP API 模式，只需替换调用方式，业务逻辑几乎不用动。

实际工作流程如下：