【笔记】FaceFusion 3.3.0 CUDA GPU 环境 Docker 构建与运行全流程记录_facefusion3.3

FaceFusion 3.3.0 使用 Docker 本地部署 (CUDA GPU支持) 操作记录（基于克隆仓库的原始流程）

​一、基础环境准备​

 facefusion/facefusion-docker：行业领先的人脸作平台

【笔记】Docker 配置阿里云镜像加速（公共地址即开即用，无需手动创建实例）-CSDN博客

1. ​克隆仓库​

   git clone https://github.com/facefusion/facefusion-docker.gitcd facefusion-dockergit pull

2. ​验证仓库内容​

   • 确认包含以下核心文件：
     • Dockerfile（基础镜像构建）
     • Dockerfile.cuda（CUDA优化镜像构建）
     • docker-compose.cuda.yml（CUDA环境配置）
3. Docker Desktop 运行正常
   • 确保 Docker 运行状态正常
   • 确保网络加速设置正常，Docker 能够顺利拉取镜像 

​二、Docker 镜像构建​

​1. 拉取 CUDA 基础镜像（首次运行需执行）​​

docker pull nvidia/cuda:12.9.1-cudnn-runtime-ubuntu24.04

• ​目的​：体积较大，提前拉取，确保容器内 CUDA 版本与 FaceFusion 兼容

后续操作建议​

1. ​下载完成后验证镜像​：

   docker images | grep nvidia/cuda

   确认镜像是否成功拉取（如存在 nvidia/cuda:12.9.1-cudnn-runtime-ubuntu24.04）。
   

2. ​运行容器测试​：

   docker run --gpus all --rm nvidia/cuda:12.9.1-cudnn-runtime-ubuntu24.04 nvidia-smi

   若成功输出 GPU 信息，说明镜像和驱动兼容。
   

​2. 构建 CUDA 优化镜像​

docker compose -f docker-compose.cuda.yml build --no-cache

• ​关键动作​：
  • 基于 Dockerfile.cuda 构建镜像
  • 安装 Python 3.12、FFmpeg 等依赖
  • 执行 install.py 安装 FaceFusion 核心功能等
• ​日志示例​：

​三、容器启动与验证​

​1. 启动容器​

docker compose -f docker-compose.cuda.yml up -d

• ​参数说明​：
  • -d：后台运行
  • 自动映射端口 7860:7860（访问 http://localhost:7860）

​2. 首次访问验证​

• ​浏览器输入​：http://localhost:7860
• ​成功标志​：
  • 界面显示 FaceFusion 3.3.0 的 Gradio WebUI
  • 控制台无报错（重点检查 CUDA 版本、依赖加载状态）

​四、核心功能测试​

​1. 换 *功能验证​

1. 上传源图片至 SOURCE 区域
2. 上传目标图片/视频至 TARGET 区域
3. 选择 face_swapper 处理器，点击 Start
4. ​预期结果​：
   • 实时预览换 *效果
   • 输出合成后的图片/视频至 OUTPUT 区域

​2. 性能监控​

• ​GPU 利用率​：通过 nvidia-smi 查看显存占用（正常范围 3-8GB）
• ​处理速度​：视频**处理约 15-30 FPS（取决于硬件配置）

【示例截图已被删除】

​五、问题排查（按需执行）​​

​六、操作流程图​

graph TD A[克隆仓库] --> B[进入项目目录] B --> C{首次运行?} C -->|是| D[拉取 CUDA 基础镜像] C -->|否| E[直接构建镜像] D --> F[构建 CUDA 镜像] E --> F F --> G[启动容器] G --> H[访问 WebUI 验证] H --> I[功能测试]

​总结​：全程严格遵循仓库原始配置，仅执行必要构建与启动操作，未修改任何代码或配置文件。成功实现 FaceFusion 的 CUDA GPU 加速运行，适用于本地开发与基础测试场景。