chaiNNer


chaiNNer 是一款基于节点的图像处理 GUI，旨在让图像处理任务的串联变得简单且可定制。最初作为一款 AI 超分辨率应用诞生，如今 chaiNNer 已发展成为一款极其灵活且功能强大的程序化图像处理工具。

chaiNNer 让你对图像处理工作流拥有极高的自定义能力，这是很少有其他工具能做到的。你不仅可以完全掌控整个处理流程，只需通过连接几个节点就能完成极其复杂的任务。

此外，chaiNNer 还是跨平台的，这意味着你可以在 Windows、macOS 和 Linux 上运行它。

如需帮助、提出建议或只是想聊聊天，欢迎加入 chaiNNer Discord 社区。

chaiNNer 目前仍在积极开发中。如果你熟悉 TypeScript、React 或 Python，欢迎为本项目贡献力量，帮助我们持续改进！

安装

从 GitHub 发布页面 下载最新版本，并运行最适合你系统的安装程序即可。非常简单。

你甚至无需预先安装 Python，因为 chaiNNer 在启动时会自动下载一个独立的集成式 Python 版本。之后，你可以通过依赖管理器安装所有其他依赖项。

如果你仍然希望使用系统自带的 Python 环境，可以启用“使用系统 Python”选项。不过，强烈建议使用集成式 Python。若选择使用系统 Python，则需要 Python 3.10 或更高版本（推荐 3.11 及以上）。

如果你想体验最新的更改和优化，可以尝试我们的 夜间构建版本。

使用方法

基本用法

尽管由于选项众多，chaiNNer 初次使用时可能会让人感到有些复杂，但实际上它非常易于上手。例如，要进行图像超分辨率处理，你只需执行以下步骤：

不过，在此之前，你需要先通过依赖管理器安装其中一个神经网络框架。可以通过右上角的按钮访问该功能。chaiNNer 支持 PyTorch（部分模型架构）、NCNN、ONNX 和 TensorRT。对于 NVIDIA 用户，推荐使用 PyTorch 或 TensorRT 进行超分辨率；而对于 AMD 用户，则推荐使用 NCNN（或在 Linux 上搭配 ROCm 的 PyTorch）。

所有其他 Python 依赖项都会自动安装，而且 chaiNNer 自带集成式 Python 支持，因此你无需修改现有的 Python 配置。

接下来，只需将选择面板中的节点名称拖放到编辑器中即可。然后，从一个节点的端口拖动到另一个节点的端口以建立连接。每个端口都按类型进行了颜色编码，连接时只会显示兼容的连接方式，这使得你很容易知道应该将哪些节点连接在一起。

当编辑器中搭建好工作链后，点击顶部栏的绿色“运行”按钮即可开始执行。你会看到节点之间的连接会动态显示，处理完成后则会恢复原状。你可以分别使用红色“停止”按钮和黄色“暂停”按钮来停止或暂停处理过程。

别忘了，chaiNNer 还可以用于许多非超分辨率的图像处理任务哦！

小贴士与技巧

要选择多个节点，请按住 Shift 键并拖动以框选所有需要选择的节点。你也可以直接单击某个节点将其单独选中。选中节点后，按下 Backspace 或 Delete 键即可将其从编辑器中删除。

要对文件夹中的多张图片进行批量处理，可以使用“加载图片”节点；如果要处理视频，则使用“加载视频”节点。需要注意的是，你不能在同一链条中同时使用“加载图片”和“加载视频”节点（或任何两个执行批量迭代的节点）。不过，你可以在链条中组合输出（收集）节点，例如将“保存图片”与“加载视频”结合使用，或将“保存视频”与“加载图片”结合使用。

在编辑器视图中右键单击，会弹出一个内联节点列表供你选择。你也可以通过将连接线拖到编辑器中而非实际建立连接的方式来调出该菜单，此时会显示可自动创建连接的兼容节点。

有用资源

• Kim 的 chaiNNer 模板库
  • 一系列实用的工作链模板，适合刚接触 chaiNNer 的用户快速上手。
• OpenModelDB 模型数据库
  • 由社区训练的一系列优秀的超分辨率模型集合。
• 超分辨率模型交互式可视化对比
  • 一个在线的模型对比工具。作者还提供了一份 精选模型列表。

兼容性说明

• 不支持 macOS 10.x 及更早版本。

• 不支持 Windows 8.1 及更早版本。

• Apple Silicon Mac 通过 PyTorch MPS 加速得到支持。ONNX 仅支持 CPU 执行提供者，而 NCNN 在某些配置下可能无法正常工作。

• 部分使用非 NVIDIA 显卡的 NCNN 用户可能会遇到全黑输出的问题。目前尚不清楚如何解决这个问题，但似乎是由显卡驱动因内存不足而崩溃导致的。如果出现这种情况，可以尝试手动设置分块大小。

• 对于 Linux 用户，要使用剪贴板相关节点，需要安装 xclip，或者对于 Wayland 用户，需要安装 wl-copy。

GPU 支持

Nvidia GPU： 通过 PyTorch（CUDA）、ONNX 和 TensorRT 提供全面支持。对于受支持的模型，TensorRT 能够提供最佳性能。

AMD GPU：

• 在 Linux 系统上，AMD GPU 可以通过 ROCm 使用 PyTorch。
• NCNN 在所有平台上均支持 AMD GPU。

Apple Silicon（M1/M2/M3）： 支持 PyTorch MPS 加速。

Intel GPU： Intel GPU 支持 NCNN 推理。

CPU： 所有框架都支持仅使用 CPU 的模式作为备用方案。

对于 NCNN，请确保在设置中选择您想要使用的 GPU。它可能会默认使用您的集成显卡！

模型架构支持

ChaiNNer 目前仅支持有限数量的神经网络架构。未来将支持更多架构。

PyTorch

自 v0.21.0 起，ChaiNNer 使用我们新推出的名为 Spandrel 的包来支持 PyTorch 模型架构。有关支持的列表，请查看 此处。

NCNN

单张图像超分辨率

• 从技术上讲，只要遵循典型的基于 CNN 的超分辨率结构，几乎任何 SR 模型都应该可以工作。不过，我目前只测试过 ESRGAN（及其变体）和 Waifu2x。

ONNX

单张图像超分辨率

• 与 NCNN 类似，理论上只要遵循典型的基于 CNN 的超分辨率结构，几乎任何 SR 模型都可以使用。不过，我目前只测试过 ESRGAN。

背景去除

• u2net | u2net、u2netp、u2net_cloth_seg、u2net_human_seg、silueta
• isnet | isnet

TensorRT

TensorRT 为 Nvidia GPU 提供优化的推理能力。模型必须转换为 TensorRT 引擎格式才能使用。这在受支持的硬件上能够提供最佳性能。

故障排除

有关故障排除的信息，请参阅 故障排除文档。

自行构建 ChaiNNer

我在 GitHub 上提供了 ChaiNNer 的预编译版本。然而，如果您希望自行构建 ChaiNNer，只需运行 npm install（请确保已安装至少 npm v7）以安装所有 Node.js 依赖项，然后运行 npm run make 来构建应用程序。

常见问题解答

有关常见问题解答的信息，请参阅 FAQ 文档。

文档

如需深入了解 ChaiNNer 的各个方面，包括 CLI 使用、数据表示以及贡献者指南等，请参阅我们的 ChaiNNer Wiki。

chaiNNer 快速上手指南

chaiNNer 是一款基于节点流程图的图像处理 GUI 工具，最初专为 AI 图像超分辨率（放大）设计，现已发展为支持复杂图像处理流水线的强大平台。它允许用户通过拖拽和连接节点来定制处理流程，支持 Windows、macOS 和 Linux。

环境准备

系统要求

• Windows: Windows 10 或更高版本（不支持 8.1 及以下）。
• macOS: macOS 11 (Big Sur) 或更高版本（不支持 10.x 及以下）。
  • Apple Silicon (M1/M2/M3): 支持 PyTorch MPS 加速。
• Linux: 主流发行版。
  • 剪贴板功能: 需安装 xclip 或 wl-copy (Wayland)。

硬件与框架支持

chaiNNer 启动时会自动下载独立的 Python 环境，无需预先安装 Python。根据显卡选择推荐的推理后端：

• NVIDIA 显卡: 推荐 PyTorch (CUDA) 或 TensorRT（性能最佳）。
• AMD 显卡:
  • Linux: 推荐 PyTorch (ROCm)。
  • 全平台: 可使用 NCNN。
• Intel 显卡: 推荐使用 NCNN。
• CPU: 所有框架均支持纯 CPU 模式作为备选。

注意: 若使用 NCNN 且遇到黑屏输出，请尝试在设置中手动调整分块（Tiling）大小。

安装步骤

1. 下载安装包

访问 GitHub Releases 页面 下载适合你系统的最新安装包（.exe, .dmg, 或 .AppImage 等）。

注：目前官方未提供国内镜像源，若下载速度慢，建议使用网络加速工具或寻找可靠的国内镜像站资源。

2. 运行安装

• Windows/macOS: 双击运行下载的安装程序，按提示完成安装。
• Linux: 赋予执行权限并运行（以 AppImage 为例）：

  chmod +x chaiNNer-*.AppImage
  ./chaiNNer-*.AppImage
  

3. 配置依赖

首次启动时，chaiNNer 会自动下载并配置内置的 Python 环境。

1. 点击界面右上角的 Dependency Manager（依赖管理器）按钮。
2. 根据你的硬件选择并安装对应的神经网络框架：
   • NVIDIA 用户：安装 PyTorch 或 TensorRT。
   • AMD/Intel 用户：安装 NCNN (或 Linux 下的 PyTorch ROCm)。
3. 等待安装完成，其他 Python 依赖将自动处理。

基本使用

最简单的图像放大流程

1. 添加节点

   • 在左侧面板找到节点，直接拖拽至编辑区，或双击节点名称。
   • 依次添加以下三个节点：
     1. Load Image (加载图片)
     2. Upscale Image (放大图片)
     3. Save Image (保存图片)

2. 连接节点

   • 将鼠标悬停在节点边缘的连接点（Handle）上，拖动连线。
   • 连接顺序：Load Image 输出 → Upscale Image 输入；Upscale Image 输出 → Save Image 输入。
   • 提示：连接点颜色对应数据类型，系统仅允许兼容的节点相连。

3. 配置模型

   • 点击 Upscale Image 节点，在属性面板中选择已下载的超分模型（可从 OpenModelDB 获取社区训练模型）。

4. 运行流程

   • 点击顶部工具栏的绿色 Run 按钮。
   • 观察连线动画：动画流动表示正在处理，动画停止表示该步骤完成。
   • 处理完成后，检查输出文件夹即可看到放大后的图片。

进阶技巧

• 批量处理: 使用 Load Images 节点代替 Load Image 可处理整个文件夹的图片。
• 多选操作: 按住 Shift 拖拽框选多个节点，按 Delete 键可批量删除。
• 快捷菜单: 在编辑区空白处右键，或从节点拉出连线后松开，可直接弹出兼容节点列表供快速选择。