[反馈与教程] YouTube 视频：Instant Character 本地部署 (依赖推断, Gradio降级, 量化运行) 及用户体验反馈，3090 上测试

[softicelee2]

Instant Character (腾讯) 团队和社区的朋友们，大家好！
为了探索在消费级硬件上运行的可能性，并分享部署经验（包括遇到的显著困难），我制作了一个 YouTube 视频。视频中记录了在线 Demo 体验，并重点展示了在本地 Ubuntu 环境下，通过大量试错推断依赖、进行代码修改以启用量化、并使用我自编写的 Gradio WebUI 成功部署和运行 Instant Character 的全过程。
视频链接在这里： [https://youtu.be/_iW-K0AKFLk]
视频核心内容概览：
(00:10) 项目介绍：Instant Character (腾讯开发) 功能 - 基于 Flux，使用参考人物图片+提示词，生成保持人物一致性的图像。
(00:50) 在线 Demo (Hugging Face) 体验： 展示了上传人物图片 + 输入提示词描述场景/风格 -> 生成图片的功能，效果不错且利用了缓存。
(03:32) 本地部署准备 (GitHub & Hugging Face)：
浏览 GitHub 仓库，提及模型文件需从 Hugging Face 下载。
重要反馈：GitHub 仓库严重缺少本地部署所需的详细指南和依赖信息 ([04:14] - [04:37])。
(04:37) 极其困难的本地部署步骤 (Ubuntu - 基于大量试错)：
克隆项目仓库。
创建并激活 Conda 环境。
关键反馈 - 依赖地狱与文档缺失:
指出官方完全没有提供 requirements.txt 文件 ([05:18])。
视频展示了根据 Hugging Face Demo 代码和反复试错推断出的依赖列表 ([05:38] - [06:17])。
重要依赖修复： 为了 WebUI (app.py 或自制脚本) 正常运行，必须降级 gradio 包 到特定版本 ([08:26] - [08:46])，否则 WebUI 文件上传等功能会失效。(这是运行 Web 界面的关键)。
重要优化步骤： 为了在消费级显卡 (24GB) 上运行，必须安装 bitsandbytes 和 accelerate ([06:13])，并在代码中启用模型的量化加载（如 8-bit 或 4-bit），否则无法运行或速度极慢。(官方代码和文档未提供此关键优化说明)。
(09:10) 模型文件准备：
演示了将预下载的模型文件拷贝到本地目录。
(10:04) 自制 WebUI (web_ui.py) 代码与官方 app.py 问题：
展示了自编写的 Gradio WebUI 脚本，明确指定加载本地模型并启用了量化 ([10:13])。
指出官方提供的 app.py 存在问题：
默认会执行预计算/缓存示例，在本地部署时耗时极长（15分钟 x 2 = 30分钟以上）且无必要 ([10:53] - [11:55])。
没有提供方便的加载本地模型和启用量化的配置。
视频中演示了修改官方 app.py 跳过预计算或直接使用自制 WebUI。
(15:18) 启动并使用自制 WebUI (启用量化)：
运行自编写的 web_ui.py。
展示模型加载过程，显存和内存占用情况（量化后可在 24GB 显存 + 64GB 内存运行）。
(17:10) 本地 WebUI 演示：
上传自定义人物图片。
输入提示词描述场景/风格。
执行推理，生成时间约 15-20 分钟/图 ([15:15] & [20:41])。
展示生成结果，确认人物形象和服装保持了较好的一致性，背景和风格符合提示词。