Kolorowanie zdjęć i poprawa jakości

Przywróć czas swoich wspomnienień

JAK przywrócić CZAR starym fotografiom, domowym sposobem, na własnym komputerze, wykorzystując potencjał Linuxa

Kolorowanie zdjęć i poprawa jakości – przywróć czar wspomnień z pomocą sztucznej inteligencji

Profesjonalna platforma AI w Twoim domu – Kolorowanie zdjęć i poprawa jakości

Kolorowanie zdjęć i poprawa jakości

Stare, zwłaszcza wyblakłe fotografie to często jedyne okno do przeszłości. Dzięki współczesnej technologii sztucznej inteligencji możesz przywrócić im życie, np. kolory i ostrość – bez potrzeby korzystania z drogich usług online. W tym przewodniku pokażemy, jak w systemie Linux Ubuntu 22 zainstalować i skonfigurować dwa potężne narzędzia oparte na modelach głębokiego uczenia: DDColor oraz CodeFormer.
Oba projekty działają jednocześnie i lokalnie, w odizolowanych środowiskach Miniconda, co zapewnia maksymalną stabilność, bezpieczeństwo i elastyczność.

🧩 Dlaczego Miniconda?

Instalacja zaawansowanych projektów AI często prowadzi do konfliktów między bibliotekami Pythona i wersjami frameworków, takich jak PyTorch czy OpenCV. Aby tego uniknąć, tworzymy dla każdego narzędzia osobne środowisko w Miniconda.
Dzięki temu:

unikamy błędów wynikających z niezgodnych wersji bibliotek,
możemy niezależnie aktualizować projekty,
środowisko pozostaje czyste i powtarzalne,
system Linux pozostaje stabilny i niezaśmiecony zależnościami.

To rozwiązanie pozwala na profesjonalne zarządzanie pakietami i uruchamianie nawet kilku różnych projektów AI równolegle, bez ryzyka konfliktów.

Instalacja środowiska Miniconda w Ubuntu 22

# Pobranie instalatora Miniconda
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

# Instalacja
bash Miniconda3-latest-Linux-x86_64.sh

# Aktywacja
source ~/miniconda3/bin/activate

W tym przewodniku przeprowadzimy w środowisku ubuntu 22 instalacje 2 oddzielnych projektów , każdy z nich będzie instalowany w środowisku miniconda , żeby wykluczyć niezgodność zależności.

Kolorowanie zdjęć i poprawa jakości

Celem tego przewodnika jest zapoznanie się z instalacją narzędzi operacja kolorowania obrazu a następnie ulepszanie i zmiana rozdzielczości

Projekt1 – DDCOLOR https://github.com/piddnad/DDColor
Projekt2 – CODEFORMER https://github.com/sczhou/CodeFormer

Projekt1 DDColor

DDColor umożliwia uzyskanie żywych i naturalnych kolorów na starych, czarno-białych fotografiach historycznych.

Krótko mówiąc: DDColor wykorzystuje wieloskalowe funkcje wizualne w celu optymalizacji łatwych do zapamiętania tokenów kolorów (tj. zapytań o kolory) i osiąga najnowocześniejszą wydajność automatycznego kolorowania obrazu.

Instalujemy Projekt DDColor – uruchom terminal 1 :

🎨 DDColor: automatyczne kolorowanie czarno-białych zdjęć

Źródło projektu: https://github.com/piddnad/DDColor

DDColor to nowoczesne narzędzie oparte na sieciach neuronowych typu Diffusion Model, które automatycznie przywraca kolory na starych, czarno-białych zdjęciach.
Model został zaprojektowany tak, aby dopasowywać barwy w sposób realistyczny, z zachowaniem naturalnych tonacji skóry, nieba i tła.

conda create -n ddcolor python=3.9
conda activate ddcolor

Kolorowanie zdjęć i poprawa jakości

Instalacja:

cd Downloads
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh
git clone https://github.com/piddnad/DDColor.git
cd DDColor
conda create -n ddcolor python=3.9
conda activate ddcolor
pip install torch==2.2.0 torchvision==0.17.0 torchaudio==2.2.0 --index-url https://download.pytorch.org/whl/cu118

pip install -r requirements.txt
python3 setup.py develop  
pip install modelscope
pip install gradio gradio_imageslider timm
python gradio_app.py
Przejdź do strony 127.0.0.1:8080

Zalety DDColor

Automatyczne rozpoznawanie obiektów i naturalne dopasowanie barw,
Możliwość pracy na procesorze lub GPU,
Wysoka jakość odwzorowania nawet przy zdjęciach niskiej rozdzielczości,
Otwartoźródłowa licencja i aktywna społeczność na GitHub.

Więcej ciekawostek o DDColor u zródłe : https://github.com/piddnad/DDColor

🧠 CodeFormer: rekonstrukcja twarzy i poprawa jakości obrazu

Źródło projektu: https://github.com/sczhou/CodeFormer

CodeFormer to narzędzie klasy premium, które wykorzystuje sztuczną inteligencję do poprawy jakości zdjęć, zwłaszcza portretów.
Model potrafi odtworzyć detale twarzy, np. poprawić ostrość i wypełnić brakujące fragmenty przy zachowaniu naturalnego wyglądu.

Ku solidnej renowacji twarzy osób niewidomych z wykorzystaniem transformacji wyszukiwania kodów

Instalujemy Projekt CodeFormer – uruchom terminal 2:

🔧 Rekonstrukcja twarzy i poprawa jakości obrazu

Repozytorium: github.com/sczhou/CodeFormer

CodeFormer to zaawansowane narzędzie do przywracania jakości zdjęć, szczególnie w przypadku twarzy. Model potrafi nie tylko poprawić ostrość i detale, ale też inteligentnie odtworzyć brakujące fragmenty, zachowując realizm i spójność stylistyczną.

✨ Zalety CodeFormer:

Rekonstrukcja uszkodzonych lub rozmytych zdjęć,
Inteligentne przywracanie detali twarzy,
Obsługa wysokich rozdzielczości,
Możliwość pracy offline, bez wysyłania danych do chmury.

Instalacja CodeFormer w osobnym środowisku

cd Downloads
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh
git clone https://github.com/sczhou/CodeFormer
cd CodeFormer
conda create -n codeformer python=3.8 -y
conda activate codeformer
pip3 install -r requirements.txt
python basicsr/setup.py develo
conda install -c conda-forge dlib

Wnioskowanie – pobierz wytrenowane modele:

Pobierz wstępnie wytrenowane modele facelib i dlib z [ Wydania | Dysk Google | OneDrive ] do weights/facelibfolderu. Możesz pobrać wstępnie wytrenowane modele ręcznie LUB pobrać je, uruchamiając następujące polecenie:

python scripts/download_pretrained_models.py facelib
python scripts/download_pretrained_models.py dlib (only for dlib face detector)

Pobierz wstępnie wytrenowane modele CodeFormer z
Wydania
Dysk Google | OneDrive ] do folderu
weights/CodeFormer . Możesz pobrać wstępnie wytrenowane modele ręcznie LUB pobrać je, uruchamiając następujące polecenie:

python scripts/download_pretrained_models.py CodeFormer

Więcej zaawansowanych ustaień na stronie żródłowej : https://github.com/sczhou/CodeFormer.git

Projekt połączony DDColor + CodeFormer

Barbara Brylska - Kolorowanie zdjęć i poprawa jakości — Barbara Brylska orginal

Na tym etapie uruchamiamy 2 terminale a w każdym inne środowisko miniconda , takie rozwiązanie ma na celu utrzymanie porządku w zależnościach

Terminal 1

cd Downloads/DDColor
conda activate ddcolor
-->> dodaj czarno-białe zdjęcia do folderu ./assets/test_images <<--
python infer.py --model_path ./modelscope/damo/cv_ddcolor_image-colorization/pytorch_model.pt --input ./assets/test_images

python infer.py --model_path ./modelscope/damo/cv_ddcolor_image-colorization/pytorch_model.pt --input ./assets/test_images

-->> lub możesz pokombinować 

Domyślne-->  python infer_hf.py --model_name ddcolor_modelscope --input ./assets/test_images
Artystyczne-->  python infer_hf.py --model_name ddcolor_artistic --input ./assets/test_images

Terminal 2

cd Downloads/Codeformer
conda activate codeformer
python inference_codeformer.py -w 0.7 --has_aligned -i portret.jpg -o portret-code --bg_upsampler realesrgan --face_upsample -s 4

Podsumowanie – Kolorowanie zdjęć i poprawa jakości

ErnestHemingway - Kolorowanie zdjęć i poprawa jakości — Ernest Hemingway orginal

🧾 To dopiero pierwszy krok w odrestaurowywaniu zdjęć

Projekty DDColor i CodeFormer stanowią pierwszy etap profesjonalnej renowacji fotografii – punkt wyjścia w procesie, który łączy technologię sztucznej inteligencji z ludzką wrażliwością i warsztatem graficznym.

Te dwa narzędzia pozwalają automatycznie przywrócić barwy, detale i strukturę zdjęć sprzed dziesięcioleci, przy minimalnym nakładzie pracy i bez kosztów zewnętrznych usług.
To jednak dopiero początek pełnej restauracji obrazu.

Ambitniejsi graficy, fotografowie i retuszerzy mogą potraktować efekty pracy DDColor i CodeFormer jako bazę do dalszej obróbki w profesjonalnych narzędziach graficznych, takich jak Adobe Photoshop, GIMP, Darktable czy Krita.
Na tym etapie możliwe jest:

✴️ Usuwanie pyłków, szumów i artefaktów kompresji,
🎨 Korekcja tonacji i kolorystyki, aby dopasować klimat zdjęcia do jego epoki,
🧠 Wzmacnianie kontrastu lokalnego i głębi,
🖋️ Retusz detali, które wymagają ludzkiej precyzji i estetycznego wyczucia.

Właśnie połączenie algorytmów AI z ręcznym dopracowaniem pozwala uzyskać rezultaty, które często przewyższają oryginał – oddając emocje i charakter chwili zatrzymanej w kadrze.

💡 Warto zapamiętać:
DDColor i CodeFormer to nie koniec – to nowoczesne narzędzia wstępnej rekonstrukcji, które otwierają drzwi do dalszej, kreatywnej pracy nad zdjęciem.
Sztuczna inteligencja odtwarza strukturę i kolor, a człowiek nadaje fotografii duszę

🚀 Integracja DDColor i CodeFormer w jednym procesie

Instalacja DDColor i CodeFormer w środowisku Miniconda na systemie Linux Ubuntu to profesjonalne rozwiązanie, które pozwala każdemu użytkownikowi na stworzenie własnego studia do renowacji zdjęć przy użyciu sztucznej inteligencji.

Po zainstalowaniu obu projektów w osobnych środowiskach Miniconda, można łatwo stworzyć dwustopniowy pipeline:

DDColor – koloruje czarno-białe zdjęcie,
CodeFormer – następnie poprawia jakość, rozdzielczość i szczegóły.

Takie połączenie pozwala osiągnąć efekt fotorealistycznej renowacji zdjęcia — idealny do digitalizacji archiwów rodzinnych, muzealnych lub artystycznych.