fft npainting lama输出目录自定义：修改save路径实战
1. 背景与目标
你可能已经用过fft npainting lama这个图像修复工具，它基于 FFT（快速傅里叶变换）和深度学习模型实现高质量的图像重绘与物品移除。默认情况下，修复后的图像会保存在固定路径下，比如/root/cv_fft_inpainting_lama/outputs/。但在实际使用中，我们常常希望将结果输出到自定义目录，比如挂载的NAS、外部存储或项目指定文件夹。
本文将带你实战修改fft npainting lama的 save 路径，实现灵活输出，适用于二次开发、自动化流程集成或团队协作场景。整个过程无需复杂代码重构，只需定位关键配置并做安全调整。
2. 系统结构回顾
2.1 项目目录结构
/root/cv_fft_inpainting_lama/ ├── app.py # WebUI主程序 ├── config.yaml # 配置文件（可能包含路径设置） ├── start_app.sh # 启动脚本 ├── models/ # 模型权重存放 ├── inputs/ # 输入图像临时目录 ├── outputs/ # 默认输出目录 ← 我们要改的就是这里 └── utils/inference.py # 推理逻辑核心模块注意：不同部署版本路径可能略有差异，但整体结构一致。
3. 定位保存路径代码位置
3.1 查找输出写入逻辑
打开项目中的核心推理文件：
nano /root/cv_fft_inpainting_lama/utils/inference.py搜索关键词"save"或"output"，找到类似如下代码段：
import os from PIL import Image def save_output(image, output_dir="/root/cv_fft_inpainting_lama/outputs"): if not os.path.exists(output_dir): os.makedirs(output_dir) timestamp = datetime.now().strftime("%Y%m%d%H%M%S") filename = f"output_{timestamp}.png" filepath = os.path.join(output_dir, filename) image.save(filepath) return filepath这就是控制图像保存的核心函数 ——save_output()，其中output_dir是硬编码的默认路径。
4. 修改输出路径的三种方式
4.1 方法一：直接修改默认路径（最简单）
步骤：
- 编辑
inference.py - 找到
save_output函数 - 将硬编码路径改为你的目标目录
# 修改前 output_dir="/root/cv_fft_inpainting_lama/outputs" # 修改后（示例） output_dir="/mnt/mydisk/ai_repair_results"创建目标目录（如未存在）：
mkdir -p /mnt/mydisk/ai_repair_results chown -R root:root /mnt/mydisk/ai_repair_results优点：简单直接，适合固定用途
❌缺点：不支持动态切换，需重启服务生效
4.2 方法二：通过环境变量传参（推荐）
让路径可配置，提升灵活性。
修改save_output函数：
import os def save_output(image): output_dir = os.getenv("FFT_OUTPUT_DIR", "/root/cv_fft_inpainting_lama/outputs") if not os.path.exists(output_dir): os.makedirs(output_dir) timestamp = datetime.now().strftime("%Y%m%d%H%M%S") filename = f"output_{timestamp}.png" filepath = os.path.join(output_dir, filename) image.save(filepath) return filepath设置环境变量（两种方式）
方式 A：启动前导出
export FFT_OUTPUT_DIR="/home/user/repair_outputs" cd /root/cv_fft_inpainting_lama bash start_app.sh方式 B：在start_app.sh中内置
编辑脚本：
nano /root/cv_fft_inpainting_lama/start_app.sh添加一行：
export FFT_OUTPUT_DIR="/data/ai_images/removed_objects"然后正常启动即可。
优点：无需改代码，部署时自由切换路径
支持 Docker 化部署时通过-e参数传递
推荐用于生产环境或多人共用系统
4.3 方法三：WebUI 前端传参（高级定制）
如果你正在做二次开发，可以扩展 WebUI 功能，让用户在界面上输入保存路径。
实现思路：
在前端 HTML/JS 中增加一个输入框：
<input type="text" id="savePath" placeholder="/custom/output/path" />将该值作为参数发送给后端 API
后端接收并验证路径合法性，再调用
save_output(image, custom_path)
示例后端接口修改（app.py）：
@app.route('/inpaint', methods=['POST']) def inpaint(): data = request.json image_base64 = data['image'] mask_base64 = data['mask'] custom_output_dir = data.get('output_dir') # 新增字段 # ...处理图像... result_image = model.inpaint(img, mask) # 使用用户指定路径 if custom_output_dir and is_safe_path(custom_output_dir): filepath = save_output(result_image, custom_output_dir) else: filepath = save_output(result_image) return jsonify({"result": "success", "saved_to": filepath})安全提示：必须校验路径合法性，防止路径穿越攻击（如
../../../etc/passwd）
优点：完全动态，适合企业级应用
❌缺点：需要前后端协同开发，有一定门槛
5. 权限与路径安全注意事项
5.1 文件系统权限问题
确保运行服务的用户对目标目录有写权限：
# 检查当前用户 whoami # 授予写权限 sudo chown -R $(whoami) /your/custom/output/path sudo chmod -R 755 /your/custom/output/path5.2 路径合法性校验（防注入）
建议添加基础校验函数：
import os def is_safe_path(path): base_dir = "/mnt" # 允许的根目录 try: real_base = os.path.realpath(base_dir) real_path = os.path.realpath(path) return os.path.commonpath([real_base]) == os.path.commonpath([real_base, real_path]) except: return False避免恶意路径导致系统文件被覆盖。
6. 测试验证流程
6.1 修改完成后测试步骤
重启服务：
cd /root/cv_fft_inpainting_lama bash start_app.sh访问 WebUI：
http://你的IP:7860上传一张图片，涂抹区域，点击“开始修复”
查看状态栏返回的保存路径是否为新路径
登录服务器检查文件是否存在：
ls -l /your/custom/output/path/打开图片确认内容正确无误
7. 结合自动化脚本使用（拓展场景）
你可以将这个能力整合进批处理脚本中，例如：
#!/bin/bash # batch_remove_watermark.sh export FFT_OUTPUT_DIR="/data/batch_run_20250405/watermark_removed" cd /root/cv_fft_inpainting_lama nohup python -m flask run --host=0.0.0.0 --port=7860 > app.log 2>&1 & sleep 10 # 等待服务启动 echo "服务已启动，开始推送任务..." # 这里可以用 curl 模拟前端请求自动修复图像这样就能实现无人值守的批量图像修复流水线。
8. 总结
8.1 三种路径修改方式对比
| 方法 | 难度 | 灵活性 | 是否推荐 | 适用场景 |
|---|---|---|---|---|
| 直接修改代码路径 | ☆☆☆☆ | 低 | 初学者 | 固定用途 |
| 环境变量控制 | ☆☆☆ | 高 | 强烈推荐 | 多环境部署 |
| WebUI 动态传参 | ☆ | 极高 | 二次开发/产品化 |
8.2 核心要点回顾
- 图像保存路径通常位于
utils/inference.py或类似模块 - 推荐使用环境变量控制输出路径，兼顾安全与灵活
- 修改后务必测试路径可写性和权限问题
- 若用于生产，请加入路径白名单校验机制
- 可结合定时任务、Docker、CI/CD 实现自动化图像处理流水线
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。
