批量去水印新利器：基于 YOLOv11 + LaMA 的开源 Python 脚本，1000 张图/分钟

9 days ago

批量去水印新利器：基于 YOLOv11 + LaMA 的开源 Python 脚本，1000 张图/分钟

背景

处理大规模图片数据集时，水印是个棘手的问题。训练扩散模型如果用了带水印的图片，生成结果会在角落出现水印图案的伪影。但手动一张张去水印在数万张图片面前完全不现实。

Reddit 上一位开发者 jferments 遇到了这个问题——他要处理一个 360 万张图片、超过 500GB 的数据集，分布在 18 万个子目录中。现有的去水印工具用于单张或小批量没问题，但对于这种规模的数据集，没有一个工具能胜任。

他的解决方案是写了一个 Python 脚本：watermark_remover，结合 YOLOv11 进行水印检测、LaMA 进行修复填充，支持多 GPU 并行处理。在一台双 RTX 4090 的机器上，速度可以达到 每分钟处理 1000 张以上图片。

核心流程

脚本的工作流非常简洁：

递归扫描输入目录，保持目录结构不变
用 YOLOv11（专门针对水印检测微调的版本）检测每张图中的水印位置
生成水印遮罩，并支持膨胀（dilate）参数来覆盖边缘虚影
用 LaMA（Simple-LaMa） 模型智能修复遮罩区域
输出到目标目录，保持原始目录结构

整个过程支持随时 暂停和恢复——按下 Ctrl+C 会优雅退出，保存进度到 .processing_log.txt，下次重新运行会自动跳过已处理的图片。

安装

git clone https://github.com/jferments/watermark_remover.git
cd watermark_remover
pip install -r requirements.txt

还需要下载水印检测模型权重：

wget https://huggingface.co/spaces/fancyfeast/joycaption-watermark-detection/resolve/main/yolo11x-train28-best.pt

使用

# 基础用法：处理单目录
python3 watermark_remover.py -i /path/to/inputs -o /path/to/outputs

# 递归扫描所有子目录
python3 watermark_remover.py -i /path/to/inputs -o /path/to/outputs -R

命令行参数详解

参数	用途	默认值
`-i, --input`	输入文件夹路径（必填）	—
`-o, --output`	输出文件夹路径（必填），自动保留目录结构	—
`-w, --weights`	YOLOv11 模型权重路径	`yolo11x-train28-best.pt`
`--conf`	检测置信度阈值（0.0-1.0），越低检测越多但可能误检	0.1
`--dilate`	遮罩膨胀像素数，覆盖边缘虚影；设为 0 禁用	15
`-R, --recursive`	递归扫描输入目录的所有子目录	否
`--cpu-workers`	CPU 写入进程数	全部 CPU 核心
`--debug`	保存中间调试图（原始遮罩 + 预览遮罩）到 debug 目录	否

技术细节

YOLOv11 水印检测模型

这个模型来自 HuggingFace 上的 fancyfeast/joycaption-watermark-detection 项目，基于 YOLOv11x 在大量水印图片上微调。YOLO 系列以实时目标检测著称，v11x 是其中参数量最大的版本，检测精度最高。

置信度阈值设为 0.1，意味着即使模型只有 10% 的把握也会标出潜在水印——宁可误检也不错漏。结合 LaMA 的修复能力，误检区域也能被自然修复，不会产生明显瑕疵。

遮罩膨胀（Dilate）

水印边缘往往有一圈半透明过渡区或光晕，直接按检测框修复可能留下可见的"边框线"。--dilate 15 会让遮罩向外扩展 15 个像素，覆盖这个过渡区域。大多数情况下默认值就够了，但如果水印边缘有特别明显的发光效果，可以调大这个值。

多 GPU 并行

脚本利用 PyTorch 的多 GPU 支持，检测和修复任务在多个 GPU 之间分配。CPU 负责 I/O（读取/写入图片），GPU 负责推理计算，两者流水线并行，最大化吞吐量。

适用场景

训练数据清洗：清洗大规模图片数据集中的水印，避免训练出的模型产生水印伪影
电商图片处理：批量去除商品图片中的平台水印或 Logo
存档资料整理：清理老旧存档图片中的版权标记
学术研究：需要大量"干净"图片作为训练或测试数据时
企业级应用：集成到自动化图片处理流水线中

性能表现

硬件配置	处理速度	适用场景
双 RTX 4090	1000+ 张/分钟	数百万级数据集
单 RTX 4090	400-600 张/分钟	数十万级数据集
RTX 3060/4060	100-200 张/分钟	数万级数据集
CPU only	5-20 张/分钟	少量图片

暂停和恢复机制

处理大规模数据集时，意外中断是家常便饭。这个脚本的处理方式很贴心：

它会在输出目录中维护一个 .processing_log.txt，记录已处理的文件路径
中断后重新运行相同的命令，会自动读取日志、跳过已处理文件
新增的图片也会被正确处理——不会因为日志中有同名文件就跳过不同内容的图片

这使得脚本可以安全地运行在长时间任务中，即使服务器重启也能从中断处继续。

与其他批量方案对比

方案	适用规模	是否需要 GPU	自动化程度
watermark_remover 脚本	百万级	✅需要	全自动，支持暂停恢复
ComfyUI 工作流	千级	✅需要	半自动
在线批量工具	百级	❌不需要	全自动，有数量限制
手动 PS 处理	十级	❌不需要	手动

注意事项

脚本自带了明确的使用声明：仅供教育和演示目的使用。移除水印可能涉及版权问题，用户需要自行确保法律合规性。如果是处理自己拥有的图片或明确授权的素材，这个工具就很合适。

小结

watermark_remover 解决了一个很具体但也很痛的问题——大规模数据集的批量去水印。它不追求华丽的界面或丰富功能，而是专注于一件事：快速、可靠地处理大量图片。YOLOv11 的精准检测加上 LaMA 的自然修复，配合多 GPU 并行和断点续传，构成了一个实用主义者会欣赏的工程方案。

项目地址：https://github.com/jferments/watermark_remover

Author

Admin