cv_unet_image-colorization快速部署：GitHub Actions自动化构建Docker镜像并推送Registry

1. 项目概述

今天给大家介绍一个特别实用的工具——基于ModelScope的cv_unet_image-colorization模型开发的黑白照片上色工具。这个工具最大的特点是完全本地运行，不需要联网，不用担心隐私问题，而且修复了PyTorch新版本加载旧模型的兼容性问题。

想象一下，你家里那些老照片、黑白照片，只需要上传一下，就能自动变成彩色照片，让记忆重新鲜活起来。这个工具就是专门做这个的，而且部署起来特别简单，通过GitHub Actions可以自动构建Docker镜像并推送到镜像仓库，真正做到一键部署。

核心解决的问题：

• PyTorch 2.6+版本加载旧模型会报错，我们做了兼容性修复
• 传统黑白照片上色需要专业软件，现在网页就能搞定
• 隐私安全问题，所有处理都在本地完成

2. 技术架构解析

2.1 模型核心架构

这个工具用的是ResNet编码器加上UNet生成对抗网络的组合架构。简单来说，ResNet负责理解图片里有什么东西，UNet负责给这些东西上合适的颜色。

就像一个有经验的画师，先观察黑白照片里有什么（人、树、天空、建筑），然后根据常识给每个部分涂上合适的颜色。皮肤用肉色，树叶用绿色，天空用蓝色，而且颜色过渡很自然，不会出现奇怪的色块。

2.2 兼容性修复

PyTorch 2.6版本开始加强了安全限制，导致很多旧模型加载不了。我们重写了torch.load方法，设置了weights_only=False，这样就解决了兼容性问题。这个修复很关键，不然工具根本跑不起来。

2.3 性能优化

工具强制使用GPU运行，如果你的电脑有NVIDIA显卡，处理速度会快很多。一张普通的老照片，几秒钟就能上好色，不需要漫长等待。

3. 环境准备与本地部署

3.1 系统要求

在开始自动化部署之前，我们先看看本地运行需要什么环境：

• 操作系统：Ubuntu 18.04+ / CentOS 7+ / Windows 10+（推荐Linux）
• Docker：版本20.10+
• GPU：NVIDIA显卡（可选，但推荐有）
• 内存：至少8GB RAM
• 存储：至少10GB可用空间

如果你的本地环境符合要求，可以直接拉取我们自动构建好的镜像使用。

3.2 本地快速启动

如果你不想自己构建，可以直接用我们已经构建好的镜像：

# 拉取镜像
docker pull your-registry/cv_unet_image-colorization:latest

# 运行容器
docker run -p 8501:8501 \
  --gpus all \
  -v $(pwd)/photos:/app/photos \
  your-registry/cv_unet_image-colorization:latest

运行成功后，在浏览器打开http://localhost:8501就能看到操作界面了。

4. GitHub Actions自动化构建

4.1 工作流配置

下面是完整的GitHub Actions工作流配置，实现了自动构建和推送镜像：

name: Build and Push Docker Image

on:
  push:
    branches: [ main ]
    tags: [ 'v*' ]
  pull_request:
    branches: [ main ]

jobs:
  build-and-push:
    runs-on: ubuntu-latest
    
    steps:
    - name: Checkout code
      uses: actions/checkout@v3

    - name: Set up Docker Buildx
      uses: docker/setup-buildx-action@v2

    - name: Log in to registry
      uses: docker/login-action@v2
      with:
        registry: your-registry.com
        username: ${{ secrets.REGISTRY_USERNAME }}
        password: ${{ secrets.REGISTRY_PASSWORD }}

    - name: Extract metadata for Docker
      id: meta
      uses: docker/metadata-action@v4
      with:
        images: your-registry.com/cv_unet_image-colorization

    - name: Build and push
      uses: docker/build-push-action@v4
      with:
        context: .
        push: true
        tags: ${{ steps.meta.outputs.tags }}
        labels: ${{ steps.meta.outputs.labels }}
        cache-from: type=gha
        cache-to: type=gha,mode=max

4.2 密钥配置

在GitHub仓库的Settings → Secrets中配置以下密钥：

• REGISTRY_USERNAME：镜像仓库用户名
• REGISTRY_PASSWORD：镜像仓库密码或访问令牌

这样配置后，每次向main分支推送代码或者打tag时，都会自动触发构建流程。

5. Dockerfile详解

5.1 基础镜像选择

FROM pytorch/pytorch:2.0.1-cuda11.7-cudnn8-runtime

# 设置工作目录
WORKDIR /app

# 设置环境变量
ENV PYTHONUNBUFFERED=1 \
    PYTHONDONTWRITEBYTECODE=1

我们选择PyTorch官方镜像作为基础，已经预装了CUDA和cuDNN，省去了很多配置麻烦。

5.2 依赖安装

# 复制依赖文件
COPY requirements.txt .

# 安装Python依赖
RUN pip install --no-cache-dir -r requirements.txt && \
    pip install --no-cache-dir modelscope==1.4.0 -f https://modelscope.oss-cn-beijing.aliyuncs.com/releases/repo.html

这里特别注意modelscope的安装方式，需要从阿里云的源安装。

5.3 应用代码和模型配置

# 复制应用代码
COPY . .

# 创建照片存储目录
RUN mkdir -p photos

# 暴露端口
EXPOSE 8501

# 启动命令
CMD ["streamlit", "run", "app.py", "--server.port=8501", "--server.address=0.0.0.0"]

6. 使用指南

6.1 界面操作

启动工具后，你会看到一个很简洁的界面。左侧是上传图片的区域，右侧是图片显示和操作区域。

操作步骤：

1. 点击"选择一张黑白/老照片"按钮上传图片
2. 上传后左侧显示原图，右侧显示处理区域
3. 点击"开始上色"按钮
4. 等待几秒钟，右侧就会显示彩色结果

整个过程就像使用普通的网页应用一样简单，不需要任何技术背景。

6.2 支持格式

工具支持常见的图片格式：

• JPG/JPEG
• PNG
• BMP（会自动转换）

建议使用清晰度较高的图片，这样上色效果更好。老照片可能有划痕或噪点，工具会尽量保持原貌的同时添加颜色。

6.3 效果预期

这个工具的上色效果很自然，不会出现夸张或不合理的颜色。比如：

• 人像皮肤会呈现自然的肤色
• 植物会是绿色系
• 天空和水面会是蓝色系
• 建筑会保持原本的材质颜色

效果取决于原图的质量和清晰度，清晰的原图能得到更好的上色结果。

7. 实际应用场景

7.1 家庭老照片修复

很多人家里都有祖辈的黑白照片，这些珍贵的记忆通过上色技术重新焕发光彩。我看到很多用户用来处理：

• 爷爷奶奶的结婚照
• 父母小时候的照片
• 家族合影老照片

7.2 历史资料数字化

博物馆、档案馆可以用这个工具处理历史照片：

• 历史事件记录照片
• 历史建筑老照片
• 文物资料图片

7.3 艺术创作

设计师和艺术家也可以用这个工具：

• 黑白插图上色
• 概念艺术着色
• 教学演示素材

8. 技术细节优化

8.1 内存管理

在处理大尺寸图片时，我们做了内存优化：

def process_image(image_path):
    # 加载图片时进行尺寸优化
    img = Image.open(image_path)
    if max(img.size) > 1024:
        img = img.resize((1024, 1024), Image.LANCZOS)
    
    # 其他处理逻辑...

这样可以防止内存溢出，确保工具稳定运行。

8.2 错误处理

完善的错误处理机制让工具更加稳定：

try:
    result = pipeline(input_image)
except Exception as e:
    logger.error(f"Processing failed: {str(e)}")
    return None

任何错误都会被捕获并记录，不会导致整个服务崩溃。

9. 总结

通过GitHub Actions自动化构建Docker镜像，我们实现了一个完整的一键部署方案。这个黑白照片上色工具不仅技术先进，而且部署简单，使用方便。

主要优势：

• 完全本地运行，保护隐私安全
• 自动化构建部署，减少手动操作
• 使用简单，无需技术背景
• 效果自然，颜色还原真实

无论是个人用户想要修复老照片，还是机构用户需要处理历史资料，这个工具都能提供很好的解决方案。而且开源免费，可以随意使用和修改。

---

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。