部署前先明确适用场景
FaceFusion是一类面向图像、视频人脸融合与替换处理的AI工具，适合需要在本地服务器完成素材处理、批量测试、内网演示或模型效果评估的团队使用。与在线服务相比，Linux服务器部署的优势是数据不必上传到第三方平台，算力资源可控，也便于结合脚本做批处理。但它对显卡驱动、Python版本、依赖库和视频组件要求较高，部署前应先确认服务器是否满足基础条件。
推荐配置为Ubuntu 20.04/22.04或Debian系系统，NVIDIA显卡优先，显存建议8GB起步，处理高清视频或多任务时建议更高。CPU环境也能运行，但速度会明显下降，更适合功能验证。磁盘空间建议预留30GB以上，用于项目文件、Python环境、模型文件、临时视频和输出结果。生产环境还应准备独立运行用户，避免直接使用root长期运行服务。
一、系统环境准备
首先更新系统软件源并安装基础工具。常用依赖包括git、curl、wget、ffmpeg、python3相关组件、构建工具等。Ubuntu环境可执行：
sudo apt update && sudo apt upgrade -y
sudo apt install -y git curl wget ffmpeg build-essential python3 python3-venv python3-pip
如果使用NVIDIA显卡，需要确认驱动和CUDA运行环境可用。执行nvidia-smi，能看到显卡型号、驱动版本和显存占用，说明驱动基本正常。若命令不存在或报错，应先安装匹配的显卡驱动，再继续部署。需要注意，CUDA Toolkit不一定必须完整安装，很多深度学习框架会通过预编译包提供运行组件，但驱动版本必须与所选框架兼容。
服务器建议创建专用目录，例如/opt/facefusion或/home/ai/facefusion，并确保该用户拥有读写权限。素材目录、输出目录和日志目录也应提前规划，避免运行一段时间后因临时文件堆积导致磁盘写满。
二、获取FaceFusion项目并创建Python环境
进入准备好的目录后拉取项目代码：
git clone https://github.com/facefusion/facefusion.git
cd facefusion
为了避免污染系统Python，建议使用venv或Conda。轻量部署可使用venv：
python3 -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade pip setuptools wheel
随后根据项目说明安装依赖。不同版本的FaceFusion依赖文件可能有所变化，通常可先查看项目根目录中的README、install脚本或requirements文件。常见方式为：
pip install -r requirements.txt
如果项目提供官方安装脚本，应优先使用官方方式，因为它会根据CPU、CUDA、ROCm等运行后端处理依赖。安装过程中若下载较慢，可配置可信的软件源镜像，但不要随意安装来源不明的二进制包。依赖安装完成后，建议执行一次基础命令查看是否能正常显示帮助信息，例如python facefusion.py --help，若能输出参数列表，说明主程序已可被调用。
三、模型文件与首次启动
FaceFusion运行时通常会自动下载所需模型文件，首次启动可能等待较久。若服务器不能直接访问外部资源，可在可用环境中下载模型后再上传到服务器指定缓存目录。模型目录位置可能随版本变化，应以项目文档或启动日志为准。
启动Web界面的常见命令类似：
python facefusion.py run --host 0.0.0.0 --port 7860
其中--host 0.0.0.0表示允许服务器网卡对外提供访问，--port用于指定端口。如果只在本机测试，可使用127.0.0.1。公网服务器不要直接暴露管理界面，至少应通过安全组限制来源IP，或使用反向袋里增加访问控制。若服务器已有其他服务占用7860端口，可改为7861、8080等未占用端口。
启动后在浏览器访问https://服务器地址:端口，即可进入界面。首次测试建议使用低分辨率样例素材，确认上传、预览、处理和导出流程正常后，再逐步增加视频长度和清晰度。若一开始就处理大文件，出现显存不足或进程退出时排查成本会更高。
四、后台运行的三种方式
临时测试可使用tmux或screen。以tmux为例：
tmux new -s facefusion
source .venv/bin/activate
python facefusion.py run --host 0.0.0.0 --port 7860
按Ctrl+B再按D即可离开会话，服务继续运行。重新进入可执行tmux attach -t facefusion。
简单后台运行也可使用nohup：
nohup python facefusion.py run --host 0.0.0.0 --port 7860 > logs/app.log 2>&1 &
这种方式上手快，但进程异常退出后不会自动拉起，适合短期演示，不适合作为长期服务。
更稳妥的方式是配置systemd。创建服务文件/etc/systemd/system/facefusion.service，设置WorkingDirectory为项目目录，ExecStart指向虚拟环境中的python和启动命令，User填写专用运行用户。保存后执行：
sudo systemctl daemon-reload
sudo systemctl enable facefusion
sudo systemctl start facefusion
sudo systemctl status facefusion
systemd的好处是可随系统启动，并能统一查看日志：journalctl -u facefusion -f。若需要自动重启，可在服务配置中加入Restart=always和RestartSec=5。修改服务文件后记得重新daemon-reload并重启服务。
五、常见问题与排查思路
1. 启动时报Python版本不匹配：检查python --version。项目可能要求特定版本，建议使用官方推荐版本，必要时通过pyenv或Conda创建独立环境。
2. 提示缺少ffmpeg：执行ffmpeg -version确认是否安装。视频读取、编码和导出高度依赖ffmpeg，缺失时很多功能无法正常工作。
3. 显存不足：降低输出分辨率、减少并发任务、关闭其他占用显卡的进程，或选择更轻量的处理参数。可通过nvidia-smi观察显存变化。
4. 页面无法访问：确认服务是否在运行，端口是否监听，可用ss -lntp查看；再检查云服务器防火墙、安全组和本机防火墙规则。若只监听127.0.0.1，外部浏览器无法访问。
5. 依赖安装失败：优先升级pip、setuptools、wheel；确认系统已安装编译工具；若是深度学习框架版本冲突，应按项目推荐组合重新安装，不要混装多个不兼容版本。
6. 处理结果异常或速度很慢：检查是否真正调用GPU，查看启动日志和nvidia-smi。如果显卡无占用，可能安装了CPU版本依赖，需要重新安装匹配CUDA的运行包。
六、升级、回退与维护建议
升级前先停止服务并备份当前版本信息，包括git commit、requirements文件、配置参数和模型目录。可执行git status确认本地是否改动，避免升级时覆盖自定义内容。常规升级方式为git pull后重新安装依赖，再启动测试。
生产环境不建议直接在正在使用的目录升级。更稳的做法是复制一份新目录，安装新环境，使用测试端口验证无误后再切换systemd指向。若升级后出现兼容问题，可回到旧目录或使用git checkout切回旧提交。模型文件体积较大，回退时也要注意模型版本是否与代码版本匹配。
日常维护重点包括清理临时文件、限制上传文件大小、定期查看日志、监控磁盘空间和显存占用。对于多人使用的服务器，应划分素材目录权限，避免误删或混用文件。长视频任务建议排队执行，不要让多个高负载任务同时抢占显存。
七、安全边界与合规提醒
人脸融合类工具具有较强的生成能力，部署和使用时必须取得素材相关人员的明确授权，不应用于误导性传播、冒充他人、损害名誉或绕过身份核验等场景。团队内部测试也应使用授权素材或公开许可素材，并为输出结果增加标识说明，避免被误认为真实记录。
服务器层面不要把Web界面直接开放给所有访问者。建议限制访问来源、使用强口令的反向袋里或放在内网环境中。上传目录不要赋予过高权限，服务进程不要使用root长期运行。若涉及客户素材，应设定保留周期，处理完成后及时清理，日志中也不要记录敏感文件名或个人信息。
整体来看，FaceFusion在Linux服务器上的部署并不复杂，难点主要集中在显卡环境、Python依赖、模型下载和长期运行管理。按“先验证环境、再安装依赖、低负载测试、最后后台托管”的顺序推进，可以减少大多数安装故障，也便于后续升级维护。
