图片自动分层的完整通关路线用Layerdivider在5分钟内把插画拆成可编辑PSD文件【免费下载链接】layerdividerA tool to divide a single illustration into a layered structure.项目地址: https://gitcode.com/gh_mirrors/la/layerdivider阅读提示本文约 2000 字围绕一个开源项目Layerdivider一款基于 AI 的图片自动分层工具展开。读完你会知道它适合谁、怎么在 5 分钟内跑通第一次分层、以及如何把它从玩具用成生产力。一、凌晨一点的崩溃手动分层到底有多慢先讲一个我反复经历的场景。设计稿交付前甲方说把这里蓝色的方块改成绿色顺便让那个三角形动起来。你打开图片一看——好家伙整张图已经合并成一个图层。想改只能掏出套索、魔棒、钢笔沿着色块边缘一点一点描。一张简单的插画描边加修边 2 到 3 小时就没了边缘稍微复杂一点还得面对锯齿和漏选。这还没算上改完一个色、再改下一个色的重复劳动。那一刻你真正需要的不是更熟练的抠图手法而是一个能把成品像素逆向还原成独立图层的工具。Layerdivider 做的就是这件事。它是个开源项目核心能力一句话就能说清把一张摊平的单张插画自动拆解成多层可编辑的 PSD 文件。你交给它一张图它还给你一份结构清晰、每个色块独立成层的分层工程。想改颜色、想挪元素、想给某个部件做动画都不再是重画一遍级别的工作量。二、先说清楚它不是什么不是滤镜也不是抠图神器很多人第一次看到图片自动分层会下意识套用熟悉的概念。为了避免误会我们先划清边界。它不是不是一键滤镜不会给你风格化的成品不是纯粹的抠图/去背工具尽管它内置了背景分离能力不是 AI 画图生成器它不创造新内容只重组已有内容。它是什么一个逆向工程工具。类比一下前端工程师拿到打包压缩后的 JS 代码会想尽办法还原出可读的源码Layerdivider 相当于给图片做同样的解包——把合成后的像素按颜色区域或物体边界还原回独立的图层。它内部提供两条拆解路径拆解路径原理适合对象色彩驱动模式color_base_mode按像素 RGB 聚类再以 CIEDE2000 色差标准合并相似色Logo、图标、扁平插画等色块分明的图语义分割模式segment_mode借助 SAMSegment Anything识别物体边界人物、风景、产品照片等复杂场景两条路径都走同一条终点线输出一份可直接丢进 Photoshop 的 PSD 文件。区别只在用颜色拆还是用语义拆。三、四个理由决定了我把它留在常用工具箱说再多不如看效果。下面这张是 Layerdivider 的官方示例输入一张由红、蓝、绿、黄四个色块组成的扁平插画经过图片自动分层后每个色块被拆成独立图层输出图上直接标注了各层的归属在真正动手之前先讲清楚它凭什么值得留在你的工具箱——四个理由一条主线省时间、零成本、覆盖广、上手快。理由一把小时级的手工活压到分钟级手动分层的耗时随着图层数线性增长Layerdivider 则不同它先对全图像素做 MiniBatchKMeans 聚类再按 CIEDE2000 色差阈值迭代合并近似色块最后按图层输出 PSD。整个流程全自动一张中等复杂度的插画几分钟内就能出结果同样的活手动做往往要以小时计。时间成本上的差距是第一眼就能感受到的。理由二本地运行免费且不碰隐私它不需要注册账号、不需要充值积分、也没有按次计费的墙。依赖装好之后所有计算都在你自己的电脑上完成图片不会上传到任何第三方服务器。对设计师来说免费固然重要图片不出本机在商业项目里更是刚需。理由三两条引擎线从扁平插画到真实照片通吃色彩驱动模式专治 Logo、图标、UI 组件这类色块边界清晰的图语义分割模式则能处理人物肖像、风景、产品图这种颜色讲不清楚的场景——先让 SAM 把物体轮廓画出来再据此建图层。两种模式互补覆盖面比只能按颜色拆的工具宽出一截。理由四全程浏览器操作不需要会 PhotoshopLayerdivider 用 Gradio 搭了个 Web 界面启动后浏览器打开localhost:7860就能用。上传图片、选模式、点按钮、下载 PSD四步走完。你完全不需要精通钢笔工具或通道抠图第一次打开界面就能操作。四、5分钟跑通第一次图片自动分层三条命令搞定最快的一条路写在下面。前提是你已经装好了 Python 3.10.8README 里明确要求的版本和 Git。Windows 用户把仓库克隆到本地后先运行install.ps1装依赖首次使用再运行run_gui.ps1启动界面。macOS / Linux 用户打开终端执行# 1. 克隆项目仓库到本地 git clone https://gitcode.com/gh_mirrors/la/layerdivider # 2. 进入项目目录并安装 Python 依赖 cd layerdivider pip3 install -r requirements.txt # 3. 启动图形界面浏览器访问 localhost:7860 python3 demo.py小提示requirements.txt里有 PyTorch、ONNX 这类体积较大的依赖首次安装需要等一会儿属正常现象。界面起来之后完整操作链只有四步上传图片——建议先从色块分明的简单插画开始别一上来就丢复杂照片选择模式——扁平图选color_base_mode复杂场景选segment_mode首次使用语义模式需要下载 SAM 模型到segment_model/目录点击 Create PSD——如果用的是语义模式先点Segment生成掩码再点 Create PSD下载输出——界面会列出 base、bright、shadow 等分层预览同时提供一个可下载的 PSD 文件。一套流程走下来通常用不了 5 分钟。第一份可编辑 PSD 文件到手后建议立刻用 Photoshop 打开它确认每个色块真的成了独立图层——这是建立信心的关键一步。五、进阶玩法从能分层到分得好的三条路径工具能跑通只是起点。真正拉开差距的是你对参数和工作流的理解。这里分享三条我踩过坑之后沉淀下来的路径。路径一读懂四个核心参数分层质量立马上一个台阶色彩驱动模式的输出质量几乎由四个参数决定参数作用建议起点loops聚类-合并-模糊的迭代轮数越多结果越稳定简单图 4~6复杂图 8~12init_cluster初始聚类数量越大拆得越细颜色丰富的图取 15~30ciede_threshold色差合并阈值越小合并越少、分层越精细3~6blur_size模糊核大小越大边缘越平滑2~5一句话口诀想要更细的分层就把 init_cluster 调大、ciede_threshold 调小想要更干净的边缘就把 blur_size 控制在 2~5 之间、别过度模糊。路径二normal 与 composite 两种输出对应两种用途layer_mode有两个选项很多人忽略了它们的差别normal输出 base bright shadow 三层结构全部是普通混合模式适合拿去继续做基础编辑composite输出 base screen滤色 multiply正片叠底 subtract减去 addition线性减淡的图层组合适合做特效合成、动画底稿这类需要光效的工作。简单判断要改图用 normal要玩光用 composite。路径三用一段小脚本把批量分层流水线化界面适合单张处理批量需求可以用 Python 直接调底层接口。核心算法在ldivider/ld_processor.py里入口函数是get_baseimport cv2 from ldivider.ld_processor import get_base img cv2.imread(sample.jpg) img cv2.cvtColor(img, cv2.COLOR_BGR2RGBA) # loops6 迭代6轮cls_num15 初始聚成15类 # threshold5 色差合并阈值size3 模糊核大小 df get_base(img, loops6, cls_num15, threshold5, size3, h_split256, v_split256, n_cluster500, alpha100, th_rate0.1, bg_splitFalse) print(拆分出, df[label].nunique(), 个图层)把这段放进for循环遍历一个目录就是最简单的批量图片自动分层流水线。想深入研究ldivider/目录下的ld_convertor.py格式转换、ld_segment.py语义分割和ld_utils.pyPSD 写入都值得翻一翻README.md里有每个参数的完整说明。六、常见疑问与解决方案绕开新手最容易踩的坑Q装依赖总是报错怎么办不要裸装。先用虚拟环境隔离python3 -m venv layerdivider_env source layerdivider_env/bin/activate pip install -r requirements.txt同时确认 Python 版本是 3.10.8这是项目声明过的目标版本版本不匹配是很多奇怪报错的根源。Q第一次运行语义分割模式提示缺模型或下载很慢SAM 模型文件要放在segment_model/目录下。如果网络环境下载困难可以找镜像源手动下载后放进该目录再运行python3 demo.py即可识别。Q大图处理特别慢甚至内存告急三个对策按优先级来先用缩略图把参数试好再上原图跑正式结果适当降低 loops 轮数质量差异通常不明显拆大图前先做一次降采样确认效果后再对原图处理。Q分层结果边缘脏、颜色糊成一片这是调参问题不是工具问题。按三板斧来init_cluster往上加拆得更细、ciede_threshold往下压合并更少、blur_size保持在中间值别过度模糊。如果原图是照片级内容干脆切换语义分割模式让它按物体边界拆而不是按颜色拆。Q背景也被拆成一层怎么去掉界面里的 BG Settings 面板提供背景分离相关参数split_bg、h_split、v_split、n_cluster、alpha、th_rate。对纯色背景的图通常勾选背景分离并调低alpha阈值就能把背景单独踢出去。Qnormal 和 composite到底选哪个先想清楚用途要改色改字的交付稿用 normal要做发光、叠加、动画特效用 composite。默认值 normal 是安全的起步选项。七、下一步行动从一张最简单的图开始工具再强也要靠动手验证。给你一条具体的行动路线先用官方示例图测试——仓库里的 images/layerdivider_input_sample.jpg 就是现成的试金石色块分明、结果一目了然把第一次成功运行时的参数记成模板——好参数是可复用的资产别用完就忘给源码留个书签——分层算法核心在 ldivider/ld_processor.pyPSD 输出逻辑在 ldivider/ld_utils.py想深入理解图片自动分层的内部原理从这里开始读从简单到复杂逐步升级测试对象——几何插画 → 扁平角色 → 带光影的场景每上一个台阶你对参数和工作流的理解就深一层。图片自动分层这件事价值不在自动两个字本身而在于它把设计师从重复劳动里解放出来让精力能回到真正重要的地方——创意本身。而 Layerdivider 提供的是其中最省心的一条路免费、本地、五分钟上手。剩下的就看你什么时候把第一张图拖进那个上传框了。【免费下载链接】layerdividerA tool to divide a single illustration into a layered structure.项目地址: https://gitcode.com/gh_mirrors/la/layerdivider创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 图片自动分层的完整通关路线：用Layerdivider在5分钟内把插画拆成可编辑PSD文件
图片自动分层的完整通关路线用Layerdivider在5分钟内把插画拆成可编辑PSD文件【免费下载链接】layerdividerA tool to divide a single illustration into a layered structure.项目地址: https://gitcode.com/gh_mirrors/la/layerdivider阅读提示本文约 2000 字围绕一个开源项目Layerdivider一款基于 AI 的图片自动分层工具展开。读完你会知道它适合谁、怎么在 5 分钟内跑通第一次分层、以及如何把它从玩具用成生产力。一、凌晨一点的崩溃手动分层到底有多慢先讲一个我反复经历的场景。设计稿交付前甲方说把这里蓝色的方块改成绿色顺便让那个三角形动起来。你打开图片一看——好家伙整张图已经合并成一个图层。想改只能掏出套索、魔棒、钢笔沿着色块边缘一点一点描。一张简单的插画描边加修边 2 到 3 小时就没了边缘稍微复杂一点还得面对锯齿和漏选。这还没算上改完一个色、再改下一个色的重复劳动。那一刻你真正需要的不是更熟练的抠图手法而是一个能把成品像素逆向还原成独立图层的工具。Layerdivider 做的就是这件事。它是个开源项目核心能力一句话就能说清把一张摊平的单张插画自动拆解成多层可编辑的 PSD 文件。你交给它一张图它还给你一份结构清晰、每个色块独立成层的分层工程。想改颜色、想挪元素、想给某个部件做动画都不再是重画一遍级别的工作量。二、先说清楚它不是什么不是滤镜也不是抠图神器很多人第一次看到图片自动分层会下意识套用熟悉的概念。为了避免误会我们先划清边界。它不是不是一键滤镜不会给你风格化的成品不是纯粹的抠图/去背工具尽管它内置了背景分离能力不是 AI 画图生成器它不创造新内容只重组已有内容。它是什么一个逆向工程工具。类比一下前端工程师拿到打包压缩后的 JS 代码会想尽办法还原出可读的源码Layerdivider 相当于给图片做同样的解包——把合成后的像素按颜色区域或物体边界还原回独立的图层。它内部提供两条拆解路径拆解路径原理适合对象色彩驱动模式color_base_mode按像素 RGB 聚类再以 CIEDE2000 色差标准合并相似色Logo、图标、扁平插画等色块分明的图语义分割模式segment_mode借助 SAMSegment Anything识别物体边界人物、风景、产品照片等复杂场景两条路径都走同一条终点线输出一份可直接丢进 Photoshop 的 PSD 文件。区别只在用颜色拆还是用语义拆。三、四个理由决定了我把它留在常用工具箱说再多不如看效果。下面这张是 Layerdivider 的官方示例输入一张由红、蓝、绿、黄四个色块组成的扁平插画经过图片自动分层后每个色块被拆成独立图层输出图上直接标注了各层的归属在真正动手之前先讲清楚它凭什么值得留在你的工具箱——四个理由一条主线省时间、零成本、覆盖广、上手快。理由一把小时级的手工活压到分钟级手动分层的耗时随着图层数线性增长Layerdivider 则不同它先对全图像素做 MiniBatchKMeans 聚类再按 CIEDE2000 色差阈值迭代合并近似色块最后按图层输出 PSD。整个流程全自动一张中等复杂度的插画几分钟内就能出结果同样的活手动做往往要以小时计。时间成本上的差距是第一眼就能感受到的。理由二本地运行免费且不碰隐私它不需要注册账号、不需要充值积分、也没有按次计费的墙。依赖装好之后所有计算都在你自己的电脑上完成图片不会上传到任何第三方服务器。对设计师来说免费固然重要图片不出本机在商业项目里更是刚需。理由三两条引擎线从扁平插画到真实照片通吃色彩驱动模式专治 Logo、图标、UI 组件这类色块边界清晰的图语义分割模式则能处理人物肖像、风景、产品图这种颜色讲不清楚的场景——先让 SAM 把物体轮廓画出来再据此建图层。两种模式互补覆盖面比只能按颜色拆的工具宽出一截。理由四全程浏览器操作不需要会 PhotoshopLayerdivider 用 Gradio 搭了个 Web 界面启动后浏览器打开localhost:7860就能用。上传图片、选模式、点按钮、下载 PSD四步走完。你完全不需要精通钢笔工具或通道抠图第一次打开界面就能操作。四、5分钟跑通第一次图片自动分层三条命令搞定最快的一条路写在下面。前提是你已经装好了 Python 3.10.8README 里明确要求的版本和 Git。Windows 用户把仓库克隆到本地后先运行install.ps1装依赖首次使用再运行run_gui.ps1启动界面。macOS / Linux 用户打开终端执行# 1. 克隆项目仓库到本地 git clone https://gitcode.com/gh_mirrors/la/layerdivider # 2. 进入项目目录并安装 Python 依赖 cd layerdivider pip3 install -r requirements.txt # 3. 启动图形界面浏览器访问 localhost:7860 python3 demo.py小提示requirements.txt里有 PyTorch、ONNX 这类体积较大的依赖首次安装需要等一会儿属正常现象。界面起来之后完整操作链只有四步上传图片——建议先从色块分明的简单插画开始别一上来就丢复杂照片选择模式——扁平图选color_base_mode复杂场景选segment_mode首次使用语义模式需要下载 SAM 模型到segment_model/目录点击 Create PSD——如果用的是语义模式先点Segment生成掩码再点 Create PSD下载输出——界面会列出 base、bright、shadow 等分层预览同时提供一个可下载的 PSD 文件。一套流程走下来通常用不了 5 分钟。第一份可编辑 PSD 文件到手后建议立刻用 Photoshop 打开它确认每个色块真的成了独立图层——这是建立信心的关键一步。五、进阶玩法从能分层到分得好的三条路径工具能跑通只是起点。真正拉开差距的是你对参数和工作流的理解。这里分享三条我踩过坑之后沉淀下来的路径。路径一读懂四个核心参数分层质量立马上一个台阶色彩驱动模式的输出质量几乎由四个参数决定参数作用建议起点loops聚类-合并-模糊的迭代轮数越多结果越稳定简单图 4~6复杂图 8~12init_cluster初始聚类数量越大拆得越细颜色丰富的图取 15~30ciede_threshold色差合并阈值越小合并越少、分层越精细3~6blur_size模糊核大小越大边缘越平滑2~5一句话口诀想要更细的分层就把 init_cluster 调大、ciede_threshold 调小想要更干净的边缘就把 blur_size 控制在 2~5 之间、别过度模糊。路径二normal 与 composite 两种输出对应两种用途layer_mode有两个选项很多人忽略了它们的差别normal输出 base bright shadow 三层结构全部是普通混合模式适合拿去继续做基础编辑composite输出 base screen滤色 multiply正片叠底 subtract减去 addition线性减淡的图层组合适合做特效合成、动画底稿这类需要光效的工作。简单判断要改图用 normal要玩光用 composite。路径三用一段小脚本把批量分层流水线化界面适合单张处理批量需求可以用 Python 直接调底层接口。核心算法在ldivider/ld_processor.py里入口函数是get_baseimport cv2 from ldivider.ld_processor import get_base img cv2.imread(sample.jpg) img cv2.cvtColor(img, cv2.COLOR_BGR2RGBA) # loops6 迭代6轮cls_num15 初始聚成15类 # threshold5 色差合并阈值size3 模糊核大小 df get_base(img, loops6, cls_num15, threshold5, size3, h_split256, v_split256, n_cluster500, alpha100, th_rate0.1, bg_splitFalse) print(拆分出, df[label].nunique(), 个图层)把这段放进for循环遍历一个目录就是最简单的批量图片自动分层流水线。想深入研究ldivider/目录下的ld_convertor.py格式转换、ld_segment.py语义分割和ld_utils.pyPSD 写入都值得翻一翻README.md里有每个参数的完整说明。六、常见疑问与解决方案绕开新手最容易踩的坑Q装依赖总是报错怎么办不要裸装。先用虚拟环境隔离python3 -m venv layerdivider_env source layerdivider_env/bin/activate pip install -r requirements.txt同时确认 Python 版本是 3.10.8这是项目声明过的目标版本版本不匹配是很多奇怪报错的根源。Q第一次运行语义分割模式提示缺模型或下载很慢SAM 模型文件要放在segment_model/目录下。如果网络环境下载困难可以找镜像源手动下载后放进该目录再运行python3 demo.py即可识别。Q大图处理特别慢甚至内存告急三个对策按优先级来先用缩略图把参数试好再上原图跑正式结果适当降低 loops 轮数质量差异通常不明显拆大图前先做一次降采样确认效果后再对原图处理。Q分层结果边缘脏、颜色糊成一片这是调参问题不是工具问题。按三板斧来init_cluster往上加拆得更细、ciede_threshold往下压合并更少、blur_size保持在中间值别过度模糊。如果原图是照片级内容干脆切换语义分割模式让它按物体边界拆而不是按颜色拆。Q背景也被拆成一层怎么去掉界面里的 BG Settings 面板提供背景分离相关参数split_bg、h_split、v_split、n_cluster、alpha、th_rate。对纯色背景的图通常勾选背景分离并调低alpha阈值就能把背景单独踢出去。Qnormal 和 composite到底选哪个先想清楚用途要改色改字的交付稿用 normal要做发光、叠加、动画特效用 composite。默认值 normal 是安全的起步选项。七、下一步行动从一张最简单的图开始工具再强也要靠动手验证。给你一条具体的行动路线先用官方示例图测试——仓库里的 images/layerdivider_input_sample.jpg 就是现成的试金石色块分明、结果一目了然把第一次成功运行时的参数记成模板——好参数是可复用的资产别用完就忘给源码留个书签——分层算法核心在 ldivider/ld_processor.pyPSD 输出逻辑在 ldivider/ld_utils.py想深入理解图片自动分层的内部原理从这里开始读从简单到复杂逐步升级测试对象——几何插画 → 扁平角色 → 带光影的场景每上一个台阶你对参数和工作流的理解就深一层。图片自动分层这件事价值不在自动两个字本身而在于它把设计师从重复劳动里解放出来让精力能回到真正重要的地方——创意本身。而 Layerdivider 提供的是其中最省心的一条路免费、本地、五分钟上手。剩下的就看你什么时候把第一张图拖进那个上传框了。【免费下载链接】layerdividerA tool to divide a single illustration into a layered structure.项目地址: https://gitcode.com/gh_mirrors/la/layerdivider创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考