最近我试了一个很有意思的开源项目，叫 FASHN VTON v1.5。
体验完之后，我的第一感觉就是：
这东西，真的很适合做 AI 换装、虚拟试衣、电商服装展示。先看效果
参考图
生成结果
官方示例：
因为它和很多传统虚拟试穿方案不太一样。 很多方案上来就要做人像分割、服装抠图、区域掩模、各种前处理，光是部署就能把人劝退。
但 FASHN VTON v1.5 走的是另一条路：
不需要分割掩模，直接就在像素空间里生成逼真的试穿结果。
你只需要准备两张图：
- 一张人物图
- 一张服装图
模型就能直接生成这个人物“穿上这件衣服之后”的效果图。
而且最关键的是，它不仅支持服装平铺图，还支持服装穿在人身上的参考图。 这点就很实用了，因为很多时候你手里拿到的素材，并不是标准的白底商品图，而是模特展示图。
1、不用分割掩模，省掉很多麻烦
这绝对是它最吸引我的一点。
以前很多虚拟试穿项目，流程往往是这样的：
先做人像解析，再做衣服区域分割，再生成掩模，再去做试穿合成。
听起来就很麻烦。
而 FASHN VTON v1.5 的思路更直接：
不依赖额外的分割掩模，直接生成结果。
这意味着什么？
意味着你在实际使用时，省掉了很多前处理环节。 对普通用户来说更简单，对开发者来说也更容易接进自己的工作流里。
2、支持两种服装输入，实用性很强
这个模型支持两类服装图：
- model：衣服穿在人身上的图
- flat-lay：衣服平铺图
这个设计真的很贴近现实。
因为实际做内容、做商品展示、做换装参考时，你经常会遇到两种素材混着来：
有时候是单独衣服图， 有时候是模特上身图。
它都能处理，这就比很多“只认标准商品图”的模型灵活多了。
3、本地就能跑，适合自己搭环境
官方仓库提供的是最小推理代码，模型权重大概 2GB 左右。
也就是说，如果你本身会一点 Python，或者平时就有本地 AI 环境，想自己部署跑一下，这个项目上手并不算特别难。
对喜欢折腾本地模型的人来说，这种项目就很舒服：
不用全程依赖在线服务，自己就能验证效果。
4、特别适合做 AI 内容和商业场景
我觉得这个项目非常适合这几类人：
- 做 AI 换装内容的创作者
- 做服饰电商的卖家
- 想做试穿功能的开发者
- 喜欢研究本地 AI 工作流的人
尤其是电商场景，真的很有想象空间。
比如：
- 商品上身预览
- 模特图换款
- 不同服装搭配演示
- 社媒营销图生成
- 服装展示图优化
你会发现，这不是单纯“好玩”，而是已经有一点“能拿来干活”的味道了。
本地部署其实不复杂
如果你想自己动手跑一下，下面是最基础的部署方式。
第一步：克隆仓库
git clone https://github.com/fashn-AI/fashn-vton-1.5.git
cd fashn-vton-1.5
第二步：创建虚拟环境并安装依赖
Linux / macOS：
python -m venv .venv && source .venv/bin/activate
pip install -e .
如果你是 Windows：
python -m venv .venv
.venv\Scripts\activate
pip install -e .
第三步：下载模型权重
python scripts/download_weights.py --weights-dir ./weights
模型权重总计大约 2GB，下载完成之后就可以开始推理了。
最小推理代码，几行就能跑起来
你可以新建一个 main.py 文件，写入下面的内容：
from fashn_vton import TryOnPipeline
from PIL import Image
# Initialize pipeline (automatically uses GPU if available)
pipeline = TryOnPipeline(weights_dir="./weights")
# Load images
person = Image.open("examples/data/model.webp").convert("RGB")
garment = Image.open("examples/data/garment.webp").convert("RGB")
# Run inference
result = pipeline(
person_image=person,
garment_image=garment,
category="tops", # "tops" | "bottoms" | "one-pieces"
)
# Save output
result.images[0].save("output.png")
然后直接运行：
python main.py
整个逻辑非常清晰：
- 加载模型
- 读取人物图
- 读取服装图
- 选择服装类别
- 执行推理
- 输出结果图
如果你只是想先快速试一下，这个方式已经够用了。
不想写代码，也可以直接命令行推理
如果你懒得自己写 main.py，也可以直接用官方示例命令：
python examples/basic_inference.py \
--weights-dir ./weights \
--person-image examples/data/model.webp \
--garment-image examples/data/garment.webp \
--category tops
这种方式特别适合：
- 测试环境有没有装好
- 快速验证模型能不能跑
- 后面做批处理脚本
category 参数怎么选？这个别选错
推理的时候有一个非常关键的参数：category
可选项一共有 3 个：
| category | 说明 |
|---|---|
tops | 上身服装：T 恤、衬衫、外套 |
bottoms | 下半身服装：裤子、裙子、短裤 |
one-pieces | 全身服装：连衣裙、连体裤 |
这个参数一定要按真实服装类型来选。
举个例子：
如果你拿的是外套、衬衫、短袖，那就选 tops。
如果你拿的是裤子、短裤、裙子，那就选 bottoms。
如果你拿的是连衣裙、连体裤这种整体服装，那就选 one-pieces。
这个地方选对了，生成结果通常会更稳定。
这个项目最适合怎么用？
如果你以前没接触过虚拟试穿，可以把它理解成这样：
左边放人物，右边放衣服，模型负责把衣服穿到人身上。
就这么简单。
而且右边这张参考图还不止一种玩法。
情况 1：右边是单独衣服图
这种就属于 flat-lay。
也就是只有服装本身，没有人穿着它。
情况 2：右边是模特穿着图
这种就属于 model。
也就是你拿一张别人已经穿着这件衣服的图，作为换装参考。
这个灵活度就很高了。
很多时候，你甚至可以直接拿一张电商模特图来做服装参考，这在实际内容创作里很有用。
不想折腾环境？我已经做了一键整合包
如果你看到这里，觉得项目挺强，但又不想自己装环境、配依赖、下载权重，那我也给你准备好了更省事的方案：
我已经做了一键整合包，解压即可使用。
这个整合包能做什么？
我把常用功能都整理进去了，开箱就能玩。
已经实现的功能包括：
- 解压即可运行
- 带完整示例
- 支持一次连续生成 1~10 张图片
- 可自定义 Seed 随机种子
- 操作逻辑清晰，新手也能快速上手
这个就很适合不想折腾 Python 环境的人。
整合包具体怎么用？
其实非常简单。
左边：上传你要换装的人物图
也就是目标人物。
右边：上传参考服装图
这里你需要判断右边这张图属于哪一种：
如果右边只有服装，没有人穿着
那就选：
flat-lay
如果右边是服装穿在人身上的图
那就选：
model
这个选项一定要对应清楚，不然效果会受影响。
Category 也已经写得很明白
整合包里你只需要按服装类型选择：
tops：上身，T 恤、衬衫、外套bottoms：下半身，裤子、裙子、短裤one-pieces：全身装，连衣裙、连体裤
基本上看文字就能懂，不用再去翻说明。
还可以连续抽图，挺适合“抽卡式”测试
这个我觉得很实用。
你可以自己设置：
- seed 随机种子
- 连续生成张数
支持范围是：
1～10 张
也就是说，你可以一次性多出几张图，自己挑最满意的效果。 对于 AI 图像类工具来说，这种“连续抽图”体验真的很重要。
如果你也想体验这套虚拟试穿模型，但不想自己折腾部署环境、下载权重、处理依赖问题，
我这边已经整理好一键整合包。
获取方式：
wx公众号 InnoTechX 回复关键词：fashn
