基于Web的GPEN接口封装：Flask部署实战教程-深圳市維司達科技有限公司

基于Web的GPEN接口封装：Flask部署实战教程

你是否已经成功运行了GPEN人像修复模型，却苦于无法让非技术用户方便地使用？或者你想把这个强大的图像增强能力集成到自己的网站或应用中？本文将手把手带你用Flask框架为 GPEN 模型封装一个简洁、可用的 Web 接口，实现“上传→处理→下载”全流程自动化。

不需要深厚的前端知识，也不需要复杂的工程架构。我们只聚焦最核心的部分：如何把命令行脚本变成一个可通过浏览器访问的服务。整个过程清晰明了，适合刚入门AI服务部署的同学快速上手。

1. 准备工作：理解基础环境与推理流程

在开始封装之前，先确认你的镜像环境已就绪，并能正常执行原始推理脚本。这一步是后续所有操作的基础。

1.1 环境激活与路径确认

首先确保你处于正确的 Conda 环境中：

conda activate torch25 cd /root/GPEN

这是模型代码的主目录，inference_gpen.py脚本也位于此处。如果你尝试运行python inference_gpen.py并看到输出图像生成，说明环境没有问题。

1.2 推理脚本的关键参数解析

原生脚本支持以下关键参数：

-i或--input：指定输入图片路径
-o或--output：自定义输出文件名（可选）
默认行为：若不传参，则处理内置测试图Solvay_conference_1927.jpg

我们要做的，就是让 Flask 接收用户上传的图片，保存为临时文件，然后调用这个脚本进行处理，最后返回结果。

2. 构建Flask应用：从零搭建Web服务

我们将创建一个极简但完整的 Flask 应用，包含三个核心功能：主页展示、图片上传和结果下载。

2.1 创建项目结构

在/root目录下新建一个文件夹用于存放 Web 服务代码：

mkdir -p /root/gpen_webapp cd /root/gpen_webapp

创建以下文件：

app.py：主应用逻辑
templates/：HTML模板目录
static/：静态资源目录（如CSS、JS）

mkdir templates static

2.2 编写主页HTML模板

在templates/index.html中添加如下内容：

<!DOCTYPE html> <html> <head> <title>GPEN人像修复在线体验</title> <style> body { font-family: Arial, sans-serif; margin: 40px; } .upload-box { border: 2px dashed #ccc; padding: 30px; text-align: center; } input[type="submit"] { margin-top: 20px; padding: 10px 20px; } </style> </head> <body> <h1> GPEN人像修复增强服务</h1> <p>上传一张模糊或低质量的人像照片，AI将自动为你提升画质、还原细节。</p> <div class="upload-box"> <form method="post" enctype="multipart/form-data"> <input type="file" name="image" accept="image/*" required /> <br><br> <input type="text" name="output_name" placeholder="输出文件名（可选）" /> <br><br> <input type="submit" value="开始修复" /> </form> </div> </body> </html>

这是一个非常干净的上传界面，用户可以选择图片并指定输出名称（可选）。

3. 核心逻辑实现：调用GPEN模型处理图像

现在我们来编写app.py，这是整个 Web 服务的核心。

3.1 完整代码实现

import os import subprocess from flask import Flask, request, send_file, render_template app = Flask(__name__) app.config['UPLOAD_FOLDER'] = '/tmp/uploads' app.config['RESULT_FOLDER'] = '/tmp/results' # 确保目录存在 os.makedirs(app.config['UPLOAD_FOLDER'], exist_ok=True) os.makedirs(app.config['RESULT_FOLDER'], exist_ok=True) @app.route('/', methods=['GET', 'POST']) def index(): if request.method == 'POST': # 获取上传的文件 if 'image' not in request.files: return '未选择文件', 400 file = request.files['image'] if file.filename == '': return '未选择文件', 400 # 保存上传的图片 input_path = os.path.join(app.config['UPLOAD_FOLDER'], file.filename) file.save(input_path) # 设置输出路径 output_name = request.form.get('output_name') if not output_name: output_name = f"output_{os.path.splitext(file.filename)[0]}.png" output_path = os.path.join(app.config['RESULT_FOLDER'], output_name) # 调用GPEN推理脚本 try: result = subprocess.run( [ 'python', '/root/GPEN/inference_gpen.py', '-i', input_path, '-o', output_path ], capture_output=True, text=True, cwd='/root/GPEN' ) if result.returncode != 0: return f'处理失败：{result.stderr}', 500 # 返回处理后的图片供下载 return send_file(output_path, as_attachment=True) except Exception as e: return f'执行出错：{str(e)}', 500 return render_template('index.html') if __name__ == '__main__': app.run(host='0.0.0.0', port=5000, debug=False)

3.2 关键点说明

子进程调用：使用subprocess.run执行原始 Python 脚本，复用已有逻辑，避免重复造轮子。
临时目录管理：上传和输出分别放在/tmp/uploads和/tmp/results，便于清理且不影响主项目。
错误捕获：对脚本执行异常进行捕获，防止服务崩溃。
直接返回文件：使用send_file实现一键下载，用户体验更流畅。

4. 启动与测试：让服务跑起来

4.1 运行Flask应用

确保你在gpen_webapp目录下，执行：

python app.py

服务将在0.0.0.0:5000启动。如果是在本地或云服务器上运行，可以通过浏览器访问该地址。

注意：部分平台需开放端口或配置安全组规则才能外部访问。

4.2 测试流程演示

打开浏览器，进入http://<your-server-ip>:5000
选择一张人脸照片上传（支持 jpg/png 等常见格式）
可选填写输出文件名
点击“开始修复”
浏览器会自动下载修复后的高清图像

整个过程无需刷新页面即可完成，响应时间取决于图像大小和GPU性能，通常在几秒内完成。

5. 进阶优化建议：提升实用性与稳定性

虽然当前版本已经可以满足基本需求，但在实际部署中还可以做进一步优化。

5.1 添加进度提示与预览功能

目前用户上传后只能等待，无法得知处理状态。你可以通过以下方式改进：

在前端加入 loading 动画
使用 WebSocket 或轮询机制通知后端状态
处理完成后提供在线预览缩略图

5.2 文件类型与大小校验

为了防止恶意上传，在接收文件时增加检查：

ALLOWED_EXTENSIONS = {'png', 'jpg', 'jpeg'} def allowed_file(filename): return '.' in filename and filename.rsplit('.', 1)[1].lower() in ALLOWED_EXTENSIONS # 在视图中加入判断 if not allowed_file(file.filename): return '不支持的文件类型', 400

同时限制文件大小（例如不超过5MB），避免内存溢出。

5.3 日志记录与异常监控

添加日志有助于排查问题：

import logging logging.basicConfig(level=logging.INFO) app.logger.info(f"处理完成：{output_path}")

记录每次请求的时间、文件名和结果状态，便于后期分析。

5.4 支持批量处理（可选）

若需处理多张图片，可修改表单支持multiple属性，并循环调用推理脚本，最终打包成 ZIP 下载。

6. 总结

通过本文的实践，你应该已经成功将原本只能在命令行运行的 GPEN 人像修复模型，封装成了一个可通过浏览器访问的 Web 服务。整个过程并不复杂，核心思路是：

利用 Flask 接收用户上传
将文件路径传递给原有推理脚本
捕获输出并返回给用户

这种方法的优势在于低侵入性——你不需要改动原始模型代码，只需将其作为“黑盒”工具调用，非常适合快速原型开发和内部工具建设。

更重要的是，这种模式可以轻松迁移到其他图像处理任务上，比如超分辨率、风格迁移、去噪等，只要你有对应的命令行推理脚本，就能快速构建出可视化的交互界面。

下一步，你可以尝试：

给页面加上更美观的UI框架（如Bootstrap）
部署 Nginx + Gunicorn 提升并发能力
结合数据库记录用户历史记录
添加API鉴权机制供第三方调用

AI的价值不仅在于模型本身，更在于它能否被真正用起来。而一个好的接口封装，往往是连接技术和用户的桥梁。

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。

基于Web的GPEN接口封装：Flask部署实战教程