GPEN命令行参数大全：-i -o指定输入输出实战演示
你是不是也遇到过这样的问题：下载好了GPEN人像修复模型，却卡在“怎么把我的照片喂进去”这一步？明明看到命令里有-i和-o，但试了几次不是报错“file not found”，就是输出文件名不对、路径乱跑，甚至修复结果直接覆盖了原图……别急，这篇就带你彻底搞懂GPEN推理脚本的命令行参数逻辑，不讲虚的，只说你真正会用到的——尤其是-i（输入）和-o（输出）这两个最常用、也最容易踩坑的参数。
我们用的是CSDN星图上预装好的GPEN人像修复增强模型镜像。它不是从零搭环境的折腾版本，而是真正“开箱即用”的工程化镜像：PyTorch 2.5、CUDA 12.4、Python 3.11 全部配平，facexlib人脸对齐、basicsr超分底层、OpenCV图像处理等关键依赖一个不少，连模型权重都提前下好放在本地缓存里。你不需要 pip install、不用手动下载模型、更不用改路径——只要进对目录，参数写对，一张模糊旧照，几秒就能变清晰人像。
下面我们就从最基础的调用开始，一层层拆解inference_gpen.py支持的所有命令行参数，重点聚焦-i和-o的实际组合用法，并给出真实可复现的命令示例、常见错误还原和避坑建议。所有操作均基于镜像内预置环境，无需额外配置。
1. 参数总览：哪些参数真正影响你的输入输出流程
GPEN的推理脚本inference_gpen.py支持十余个命令行参数，但对绝大多数用户来说，真正需要关注、且直接影响“能不能跑通”“结果出在哪”的，其实就五个核心参数。其他参数（如--size、--channel）属于效果微调项，可以后续再学。我们先划清主次：
| 参数 | 短格式 | 长格式 | 是否必需 | 作用说明 | 小白一句话理解 |
|---|---|---|---|---|---|
| 输入路径 | -i | --input | 否（但没它就没得修） | 指定要修复的原始图片位置 | “你要修哪张照片？告诉它路径” |
| 输出路径 | -o | --output | ❌ 否（默认自动生成） | 指定修复后图片保存位置 | “修完放哪儿？你自己说了算” |
| 模型路径 | -m | --model_path | ❌ 否（镜像已预置） | 指定GPEN生成器权重文件 | “用哪个模型修？镜像里已配好” |
| 人脸检测器 | --detect_model | — | ❌ 否（镜像已预置） | 指定dlib或retinaface检测模型 | “怎么找脸？镜像里两个都备着” |
| GPU设备 | --gpu | — | ❌ 否（默认0） | 指定使用哪块GPU（如0,1） | “用哪张显卡修？默认第一张” |
你会发现，-i和-o是唯二完全由你掌控、且直接决定工作流起点和终点的参数。它们不涉及模型结构、不牵扯训练逻辑，就是纯粹的“文件搬运工”。但恰恰因为简单，反而容易被忽略细节——比如路径是否带空格、相对路径从哪算起、扩展名要不要手写……这些细节，才是你反复失败的真正原因。
2.-i参数详解：三种写法，对应三种使用场景
-i（或--input）的作用非常明确：告诉脚本“我要修的这张图，现在存放在哪里”。但它接受的路径格式有讲究，不同写法适用于不同场景。我们用镜像内的实际目录结构来演示（假设你已执行cd /root/GPEN）：
2.1 绝对路径：最稳妥，适合脚本批量调用
绝对路径以/开头，指向系统中某个确定位置。它的优势是不会因当前工作目录变化而失效，特别适合写成自动化脚本。
python inference_gpen.py -i /root/my_photos/family_old.jpg -o /root/output/family_fixed.png正确点：
/root/my_photos/family_old.jpg是完整路径，脚本能精准定位- 输出也用绝对路径，避免结果“找不到家”
注意点：
- 确保路径中没有中文、空格、特殊符号（如
/root/我的照片/会报错） - 如果路径含空格，必须用引号包裹：
-i "/root/my photos/old.jpg"
2.2 相对路径：最常用，适合交互式快速测试
相对路径以当前工作目录为基准。当你执行cd /root/GPEN后，所有相对路径都从/root/GPEN这个文件夹开始算。
# 假设你的照片就放在GPEN项目根目录下 python inference_gpen.py -i test_input.jpg -o result_fixed.jpg # 或者放在子文件夹里（比如images/） python inference_gpen.py -i images/portrait_blur.jpg -o output/enhanced_portrait.png正确点：
test_input.jpg表示/root/GPEN/test_input.jpgimages/portrait_blur.jpg表示/root/GPEN/images/portrait_blur.jpg
注意点：
- 不要加
./前缀（虽然语法允许，但GPEN脚本内部处理时可能异常） - 子目录必须事先存在，否则脚本会报
FileNotFoundError，但不会自动创建目录
2.3 不带-i：走默认路径，适合首次体验
如果你完全不写-i参数，脚本会自动加载内置测试图：Solvay_conference_1927.jpg（那张著名的1927年索尔维会议科学家合影）。这是开发者预留的“出厂测试图”，方便你第一时间验证环境是否正常。
python inference_gpen.py # 等价于 python inference_gpen.py -i Solvay_conference_1927.jpg优点：零配置，秒启动，适合刚打开终端的新手。
❌ 缺点：你永远修不了自己的照片——除非你把它重命名为Solvay_conference_1927.jpg并放到/root/GPEN/下（不推荐）。
关键提醒：无论用哪种路径写法，
-i后面必须紧跟一个存在的、可读的图片文件（支持.jpg,.jpeg,.png,.bmp）。如果文件不存在、权限不足、或根本不是图片，脚本会在加载阶段直接报错退出，不会进入修复流程。
3.-o参数详解：命名自由，但路径规则不能破
-o（或--output）是你对结果的“主权声明”：你想让修复后的高清人像叫什么名字？存在哪个文件夹？全由你定。它比-i更灵活，但也更容易因“想当然”而出错。
3.1 只指定文件名：结果保存在当前目录
python inference_gpen.py -i my_face.jpg -o fixed_face.png效果：
- 输入：
/root/GPEN/my_face.jpg - 输出：
/root/GPEN/fixed_face.png（和输入在同一目录）
适用场景：快速测试、单张图临时修复、不想动目录结构。
3.2 指定完整路径+文件名：精准控制存储位置
python inference_gpen.py -i /home/user/input/old_id.jpg -o /home/user/output/id_enhanced.jpg效果：
- 输入从
/home/user/input/读取 - 输出强制写入
/home/user/output/（注意：该目录必须已存在！）
适用场景：生产环境批量处理、按日期/人物分类存储、与上游/下游系统对接。
3.3 只指定目录（不带文件名）：这是无效写法！
# ❌ 错误！以下命令会报错 python inference_gpen.py -i photo.jpg -o /root/results/原因：GPEN脚本要求-o参数必须包含完整的文件名和扩展名（如result.png），它不会自动为你补.png。如果你只给一个目录，脚本会尝试把整个目录当“文件名”去写，导致OSError: [Errno 21] Is a directory。
正确做法：
- 手动补全：
-o /root/results/photo_fixed.png - 或用shell变量简化：
-o "/root/results/$(basename -s .jpg photo.jpg)_fixed.png"
3.4 扩展名决定输出格式，且必须与输入兼容
GPEN支持的输出格式取决于你写的扩展名：
你写的-o扩展名 | 实际输出格式 | 说明 |
|---|---|---|
.png | PNG | 无损压缩，推荐用于保存高质量人像，保留透明通道（如有） |
.jpg/.jpeg | JPEG | 有损压缩，文件小，适合网页展示、社交分享 |
.bmp | BMP | 未压缩，体积巨大，一般不用 |
重要限制：输出格式不能随意指定。例如，如果你输入是photo.png，但-o写成result.jpg，脚本会正常运行；但如果你输入是photo.bmp，而-o写成result.png，同样没问题。真正不能跨的是位深度和色彩空间，不过日常人像图基本都是RGB 8-bit，所以只要你用常见扩展名，就不会出错。
4.-i与-o黄金组合：5个真实可用的命令模板
光讲规则不够，我们直接给你5个在镜像里复制粘贴就能跑通的命令。每个都标注了适用场景和潜在风险，帮你避开90%的初学者陷阱。
4.1 单张图快速修复（新手首选）
# 把你的照片放到/root/GPEN/目录下，重命名为input.jpg cp ~/Downloads/my_photo.jpg /root/GPEN/input.jpg # 运行修复，结果叫output.png，就在同一目录 python inference_gpen.py -i input.jpg -o output.png为什么安全：路径简单、无空格、无嵌套、扩展名标准。
输出位置：/root/GPEN/output.png
4.2 批量修复同一目录下所有JPG照片
# 创建输出文件夹 mkdir -p /root/GPEN/batch_output # 用for循环逐张处理（注意：确保输入目录只有.jpg文件） for img in /root/GPEN/batch_input/*.jpg; do # 提取文件名（不含路径和扩展名） name=$(basename "$img" .jpg) # 执行修复，输出到batch_output目录，保持原名+enhanced后缀 python inference_gpen.py -i "$img" -o "/root/GPEN/batch_output/${name}_enhanced.png" done为什么高效：一条命令处理几十张，输出自动归类。
注意：$img用双引号包裹，防止文件名含空格时报错。
4.3 修复并覆盖原图（谨慎使用！）
# 警告：此操作不可逆！请先备份原图 python inference_gpen.py -i original.jpg -o original.jpg适用场景：磁盘空间紧张，且确认原图质量极差、无需保留。
❌ 风险：一旦输出失败（如显存不足），原图可能被损坏或清空。强烈建议仅在测试环境尝试。
4.4 指定GPU设备 + 自定义输出（多卡用户）
# 假设你有两块GPU，想用第二块（ID=1）来跑，避免和其它任务抢资源 python inference_gpen.py -i portrait.jpg -o enhanced.png --gpu 1为什么必要：单机多卡时，不指定--gpu默认用GPU 0，可能被其它进程占满显存导致OOM。
输出位置：/root/GPEN/enhanced.png
4.5 处理带空格的路径（Windows用户迁移常见）
# Windows习惯：照片在"My Photos"文件夹 # 正确写法：用单引号或双引号包裹整个路径 python inference_gpen.py -i '/root/My Photos/2010_family.jpg' -o '/root/My Photos/2010_family_fixed.png' # 或者用双引号（效果相同） python inference_gpen.py -i "/root/My Photos/2010_family.jpg" -o "/root/My Photos/2010_family_fixed.png"关键：引号必须同时包裹-i和-o的值，不能只包一部分。
5. 常见报错还原与速查解决方案
即使参数写对，也可能因环境细节报错。以下是我们在镜像中高频复现的5个错误，附带10秒内可验证的解决步骤：
| 报错信息（截取关键段） | 最可能原因 | 3步速查法 | 一键修复命令 |
|---|---|---|---|
FileNotFoundError: [Errno 2] No such file or directory: 'xxx.jpg' | -i路径写错，或文件真不存在 | 1.ls -l xxx.jpg看文件是否存在2. pwd确认当前目录3. file xxx.jpg确认是图片 | cp /path/to/real/photo.jpg /root/GPEN/ && cd /root/GPEN |
OSError: [Errno 21] Is a directory: '/root/output/' | -o只写了目录，没写文件名 | 1. 检查-o后面有没有.png等扩展名2. echo "test" > /root/output/test.txt看目录是否可写 | 改成：-o /root/output/result.png |
cv2.error: OpenCV(4.9.0) ... error: (-215:Assertion failed) !_src.empty() | 输入图片损坏，或路径指向非图片文件 | 1.identify xxx.jpg（需ImageMagick）2. head -c 20 xxx.jpg | hexdump -C看是否JPEG头3. 用 eog xxx.jpg图形界面打开 | 换一张确认正常的JPG/PNG |
RuntimeError: CUDA out of memory... | 图片太大（如>4000x3000）或GPU显存不足 | 1.nvidia-smi看显存占用2. identify -format "%wx%h\n" xxx.jpg看分辨率3. free -h看系统内存 | 加参数：--size 1024（缩放至1024px宽再修复） |
ModuleNotFoundError: No module named 'facexlib' | 环境未激活 | 1.which python看是否在/root/miniconda3/envs/torch25/bin/python2. conda env list看torch25是否存在3. python -c "import facexlib; print('OK')" | conda activate torch25 && cd /root/GPEN |
记住：90%的GPEN运行失败，根源都在输入输出路径上，而不是模型或代码本身。每次报错，先问自己三个问题：
- 我的
-i路径，用ls命令能列出来吗？ - 我的
-o路径，包含完整的文件名和扩展名了吗？ - 我当前在
/root/GPEN目录下吗？（用pwd确认）
6. 总结：掌握-i和-o，你就掌握了GPEN的钥匙
回顾一下，我们今天没有讲模型原理、没有调超参、也没有碰训练代码——我们只聚焦在如何把你的照片，稳稳当当地送进去，再干干净净地取出来。而这，正是工程落地的第一步，也是最关键的一步。
你已经知道：
-i不是随便写个名字就行，它必须是存在、可读、格式正确的图片路径，绝对路径最稳，相对路径最常用；-o不是“随便起个名”，它必须是带扩展名的完整文件路径，目录要提前建好，名字要符合Linux文件规范；-i和-o可以自由组合，但路径中的空格、中文、特殊符号，永远是隐形杀手，用引号包裹是最简单的防御；- 所有报错，优先检查路径——
ls、pwd、file这三个命令，就是你的瑞士军刀。
现在，打开你的终端，进入/root/GPEN，挑一张最想修复的老照片，用今天学到的任意一个模板命令跑起来。几秒钟后，你会看到一张细节清晰、皮肤自然、眼神有光的人像——那一刻，你不是在调参，你是在唤醒记忆。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。
