CentOS环境下如何安装GeneFace++

在 CentOS 上安装 GeneFace++ 的可行方案
一 前置条件与系统准备

• 硬件与驱动：准备支持 CUDA 11.7 的 NVIDIA GPU 并安装对应驱动；如需编译或运行部分依赖，建议提前安装 GCC、G++、Make、CMake、Git 等基础工具。
• 构建工具链：CentOS 7/8 自带的 GCC 版本较旧，建议使用 devtoolset-7（或更高）来获得较新的编译器与标准库支持。
• 多媒体依赖：安装 FFmpeg（含 libx264 编码器），用于视频/音频处理。
• Python 环境：使用 Miniconda 创建隔离环境，推荐 Python 3.9。

上述准备可参考在 CentOS 上部署 C/C++ 应用与框架的通用做法，以及 GeneFace++ 官方给出的环境组合（Python 3.9 + PyTorch 2.0.1 + CUDA 11.7 + ffmpeg）。
二 安装步骤

1. 安装系统依赖与构建工具

• 安装基础工具与 FFmpeg：

sudo yum groupinstall -y "Development Tools"
sudo yum install -y cmake git ffmpeg ffmpeg-devel

• 启用较新 GCC（示例为 devtoolset-7）：

sudo yum install -y centos-release-scl-rh centos-release-scl
sudo yum install -y devtoolset-7
echo "source /opt/rh/devtoolset-7/enable" >> ~/.bashrc && source ~/.bashrc

1. 创建并激活 Conda 环境

conda create -n geneface python=3.9 -y
conda activate geneface

1. 安装 PyTorch 与多媒体组件

conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 pytorch-cuda=11.7 -c pytorch -c nvidia
conda install -c conda-forge ffmpeg

1. 安装 PyTorch3D（源码方式，适配 CUDA 11.7）

pip install "git+https://github.com/facebookresearch/pytorch3d.git@stable"

1. 安装 MMCV（MIM 方式）

pip install cython openmim==0.3.9
mim install mmcv==2.1.0

1. 安装项目其余 Python 依赖

git clone https://github.com/yerfor/GeneFacePlusPlus.git
cd GeneFacePlusPlus
pip install -r docs/prepare_env/requirements.txt -v

1. 构建扩展（若项目提供脚本）

bash docs/prepare_env/install_ext.sh
以上版本与命令组合已在同类 Linux 环境中验证可用；如遇网络问题，可使用国内镜像源加速安装。
三 运行与验证

• 数据准备与预处理（示例）
• 视频预处理：将原始视频统一为 512×512、25 FPS

ffmpeg -i data/raw/videos/${VIDEO_ID}.mp4 -vf fps=25,scale=w=512:h=512 -qmin 1 -q:v 1 data/raw/videos/${VIDEO_ID}_512.mp4
mv data/raw/videos/${VIDEO_ID}.mp4 data/raw/videos/${VIDEO_ID}_to_rm.mp4
mv data/raw/videos/${VIDEO_ID}_512.mp4 data/raw/videos/${VIDEO_ID}.mp4

• 音频与特征：

ffmpeg -i data/raw/videos/${VIDEO_ID}.mp4 -f wav -ar 16000 data/processed/videos/${VIDEO_ID}/aud.wav
export HF_ENDPOINT=https://hf-mirror.com # 可选：使用镜像加速 HuggingFace 模型下载
python data_gen/utils/process_audio/extract_hubert.py --video_id=${VIDEO_ID}
python data_gen/utils/process_audio/extract_mel_f0.py --video_id=${VIDEO_ID}

• 图像与关键点：

mkdir -p data/processed/videos/${VIDEO_ID}/gt_imgs
ffmpeg -i data/raw/videos/${VIDEO_ID}.mp4 -vf fps=25,scale=w=512:h=512 -qmin 1 -q:v 1 -start_number 0 data/processed/videos/${VIDEO_ID}/gt_imgs/%08d.jpg
python data_gen/utils/process_video/extract_segment_imgs.py --ds_name=nerf --vid_dir=data/raw/videos/${VIDEO_ID}.mp4 --force_single_process
python data_gen/utils/process_video/extract_lm2d.py --ds_name=nerf --vid_dir=data/raw/videos/${VIDEO_ID}.mp4
python data_gen/utils/process_video/fit_3dmm_landmark.py --ds_name=nerf --vid_dir=data/raw/videos/${VIDEO_ID}.mp4 --reset --debug --id_mode=global
python data_gen/runs/binarizer_nerf.py --video_id=${VIDEO_ID}

• 训练与推理（示例）
• 训练 HeadNeRF：

CUDA_VISIBLE_DEVICES=0 python tasks/run.py --config=egs/datasets/${VIDEO_ID}/lm3d_radnerf_sr.yaml --exp_name=motion2video_nerf/${VIDEO_ID}_head --reset

• 训练 Torso（如出现报错，可按项目 issue 说明调整）：

CUDA_VISIBLE_DEVICES=0 python tasks/run.py --config=egs/datasets/${VIDEO_ID}/lm3d_radnerf_torso_sr.yaml --exp_name=motion2video_nerf/${VIDEO_ID}_torso --hparams=head_model_dir=checkpoints/motion2video_nerf/${VIDEO_ID}_head --reset
上述流程与命令与官方教程一致，适用于在 CentOS 完成端到端的数据准备、训练与推理。
四 常见问题与处理

• 驱动与 CUDA 不匹配：确保 NVIDIA 驱动 ≥ 515 以支持 CUDA 11.7；安装后在 shell 配置好 PATH/LD_LIBRARY_PATH（如 /usr/local/cuda-11.7/bin 与 /usr/local/cuda-11.7/lib64）。
• 编译器过旧导致构建失败：启用 devtoolset-7 或更高版本，再执行 pip 安装/扩展构建。
• 多媒体编解码问题：FFmpeg 需包含 libx264，否则视频转码/预处理会失败。
• 依赖下载慢或超时：为 pip/conda 配置国内镜像源；HuggingFace 可使用 HF_ENDPOINT=https://hf-mirror.com。
• 训练时报错（如 torso 阶段）：参考项目 issues/122 的修改方案进行适配。

以上问题在同类环境中较为常见，按对应措施处理即可恢复流程。