媒体生成计算机视觉深度学习人工智能大模型【免费下载链接】mmagicOpenMMLab Multimodal Advanced, Generative, and Intelligent Creation Toolbox. Unlock the magic : Generative-AI (AIGC), easy-to-use APIs, awsome model zoo, diffusion models, for text-to-image generation, image/video restoration/enhancement, etc.项目地址https://gitcode.com/gh_mirrors/mm/mmagic点击查看免费下载MMagicMultimodal Advanced, Generative, and Intelligent Creation是 OpenMMLab 推出的多模态 AIGC 工具箱继承自 MMEditing 与 MMGeneration覆盖图像/视频生成、编辑、复原等十余类任务。本文将基于仓库 README 与源码完整讲解 MMagic 的定位与特性、环境安装、Model Zoo 算法全景以及以MMagicInferencer为核心的统一推理 API 实战帮助你在自己的图片与视频上快速跑通 Stable Diffusion、ESRGAN、BasicVSR 等主流模型。一、MMagic 是什么从 MMEditing、MMGeneration 到统一 AIGC 工具箱MMagic 是一个基于 PyTorch 的开源图像与视频编辑、生成工具箱属于 OpenMMLab 项目的一部分。它在 OpenMMLab 2.0 框架MMEngine MMCV的基础上合并了原本两个独立的仓库MMEditing专注于图像与视频编辑/复原的低层视觉算法GAN 与 CNN 两类MMGeneration专注于图像生成的生成模型GAN、扩散模型等。合并后的 MMagic 全面承接了两个前身仓库中的任务、模型、评估指标与损失函数并将所有组件的接口统一到 MMEngine 之上见 mmagic/init.py其中通过断言校验 MMCV 与 MMEngine 的版本兼容范围。这意味着如果你过去熟悉 MMEditing 0.x / 1.x 或 MMGeneration 的用法可以通过迁移文档平滑过渡到 MMagic 1.x 的新接口。当前仓库的代码版本为1.2.0dev0见 mmagic/version.py对应 README 中宣告的MMagic v1.2.0发布2023 年 12 月 18 日该版本的一大亮点是仓库中新增了强大的图像修复算法PowerPaint位于 projects/powerpaint/README.md。完整版本历史可查看 docs/en/changelog.md。1.1 三大核心特性README 将 MMagic 的能力归纳为三个方面SOTA 生成模型提供前沿的生成式模型用于处理、编辑与合成图像和视频强大而流行的应用覆盖图像复原、文生图Text-to-Image、3D 感知生成3D-aware Generation、图像修复Inpainting、抠图Matting、超分辨率与图像生成等热门应用同时支持 Stable Diffusion 微调以及 ControlNet Animation结合 SAM、GAN 插值、GAN Projection、GAN 编辑等玩法高效的模块化框架基于 MMEngine 与 MMCV把编辑框架解耦为不同模块可以像拼 Lego 一样组合出定制化的编辑框架并通过不同层级的 API 精细控制训练过程借助 MMEngine 的MMSeparateDistributedDataParallel动态架构的分布式训练也能轻松实现。1.2 环境最佳实践README 明确指出main 分支上的最佳实践环境为Python 3.9 与 PyTorch 2.0。结合 mmagic/init.py 的源码约束安装时还需满足mmcv 2.0.0, 2.2.0源码中MMCV_MIN 2.0.0、MMCV_MAX 2.2.0mmengine 0.4.0, 1.0.0源码中MMENGINE_MIN 0.4.0、MMENGINE_MAX 1.0.0。版本不匹配时导入mmagic会直接触发断言报错并提示应安装的版本区间。二、安装指南从零搭建 MMagic 环境MMagic 依赖 PyTorch、MMEngine 与 MMCV。下面给出 README 中的快速安装三步走以及更完整的定制化安装选项。2.1 快速安装三步Step 1. 安装 PyTorch按照 PyTorch 官方指引安装适配你机器的 PyTorch 版本GPU 平台建议按 CUDA 版本选择对应安装命令。Step 2. 使用 MIM 安装 MMCV、MMEngine 与 MMagicMIM 是 OpenMMLab 的包管理工具可以自动解决 MMCV 与 PyTorch/CUDA 之间的复杂依赖关系pip3 install openmim mim install mmcv2.0.0 mim install mmengine mim install mmagicStep 3. 验证安装cd ~ python -c import mmagic; print(mmagic.__version__) # 示例输出1.0.0当前仓库为 1.2.0dev0成功打印出版本号即代表安装完成。2.2 从源码安装体验最新开发版如果你想使用最新开发分支而非稳定发布版可以克隆仓库并以可编辑模式安装git clone https://gitcode.com/gh_mirrors/mm/mmagic.git cd mmagic pip3 install -e .关于pip install -e .的说明详见 docs/en/get_started/install.md-e表示可编辑模式editable mode。import mmagic时直接导入克隆目录下的模块修改源码后无需重新安装即可生效对开发者尤其方便.表示安装当前目录下的代码如需安装更多依赖如 pre-commit hooks 与单元测试所需可执行pip install -e .[all]。2.3 定制化安装选项CUDA 版本选择Ampere 架构 GPU如 GeForce 30 系、A100必须使用 CUDA 11更老的 GPU 上 CUDA 11 向后兼容但 CUDA 10.2 更轻量、兼容性更好。按最佳实践安装时只需安装 CUDA 运行时库若要从源码编译 MMCV 或开发自定义 CUDA 算子则需要安装与 PyTorch CUDA 版本匹配的完整 CUDA Toolkit。不使用 MIM 安装 MMCV可以按 PyTorch 与 CUDA 版本手动指定 find-url例如为 PyTorch 1.10.x CUDA 11.3 执行pip install mmcv2.0.0 -f https://download.openmmlab.com/mmcv/dist/cu113/torch1.10/index.htmlDocker 方式仓库提供 docker/Dockerfile需 Docker 19.03可构建镜像并运行docker build -t mmagic docker/ docker run --gpus all --shm-size8g -it -v {DATA_DIR}:/mmagic/data mmagic多版本 MMagic 并存开发tools/train.py、tools/test.py等脚本通过PYTHONPATH$(dirname $0)/..:$PYTHONPATH优先使用当前目录下的 MMagic若想改用环境中安装的默认版本删除脚本中该行即可见 docs/en/get_started/install.md。安装过程中遇到问题可先查阅 docs/en/faq.md仍无法解决再到仓库 Issues 反馈。三、快速上手几行代码完成文生图推理安装完成后用 MMagic 从文本生成图像只需几行代码这也是 README 与 docs/en/get_started/quick_run.md 给出的入门示例from mmagic.apis import MMagicInferencer sd_inferencer MMagicInferencer(model_namestable_diffusion) text_prompts A panda is having dinner at KFC result_out_dir output/sd_res.png sd_inferencer.infer(texttext_prompts, result_out_dirresult_out_dir)运行后会在output/目录下生成sd_res.png结果图。等价地也可以直接使用仓库提供的命令行 demo 脚本 demo/mmagic_inference_demo.pypython demo/mmagic_inference_demo.py \ --model-name stable_diffusion \ --text A panda is having dinner at KFC \ --result-out-dir ./output/sd_res.png更进一步如果想把生成的照片变得更清晰MMagic 同样可以用超分辨率模型完成from mmagic.apis import MMagicInferencer config configs/esrgan/esrgan_x4c64b23g32_1xb16-400k_div2k.py checkpoint https://download.openmmlab.com/mmediting/restorers/esrgan/esrgan_x4c64b23g32_1x16_400k_div2k_20200508-f8ccaf3b.pth img_path tests/data/image/lq/baboon_x4.png editor MMagicInferencer(esrgan, model_configconfig, model_ckptcheckpoint) output editor.infer(imgimg_path, result_out_diroutput.png)这里通过model_config与model_ckpt显式指定了自定义配置与权重覆盖了model_nameesrgan的默认配置——这一机制在下一节会结合源码展开。四、统一推理 API 源码级解析MMagicInferencerMMagicInferencer位于 mmagic/apis/mmagic_inferencer.py是 MMagic 面向所有模型的高层统一推理入口。理解它就能理解整个工具箱的推理设计。4.1 构造函数与参数MMagicInferencer(model_name, model_settingNone, config_nameNone, model_configNone, model_ckptNone, deviceNone, extra_parametersNone, seed2022)参数含义默认值model_name推理模型名称如stable_diffusion、esrgan、pix2pixNonemodel_setting同一模型下的具体设置索引对应 metafile 中第几个配置0config_name按配置名称精确选择某个设置Nonemodel_config自定义配置文件路径覆盖默认配置会触发 UserWarningNonemodel_ckpt自定义权重路径覆盖默认权重会触发 UserWarningNonedevice推理设备cudaextra_parameters不同模型特有的额外参数如文本提示、control 图等Noneseed推理随机种子2022其内部机制是构造函数首先init_default_scope(mmagic)注册 mmagic 模块然后调用init_inference_supported_models_cfg()解析configs/model_name/metafile.yml从 YAML 中提取每个模型的任务类型Results[0].Task与配置/权重列表settings_get_inferencer_kwargs据此组装出task、config、ckpt等参数最终交给内部Inferencers分发到对应任务类型的推理器见 mmagic/apis/inferencers 目录下的text2image_inferencer.py、image_super_resolution_inferencer.py、inpainting_inferencer.py、video_restoration_inferencer.py等 16 个文件。4.2 infer 方法的统一输入约定infer()是实际执行推理的入口不同任务通过不同参数组合传入输入源码 docstring 明确标注了各参数适用的模型类型editor.infer(imgNone, videoNone, labelNone, trimapNone, maskNone, result_out_dir, **kwargs)参数适用任务img图像类任务超分、修复、抠图、复原、上色、翻译等的输入图像路径video视频类任务视频超分、视频插帧的输入视频路径label条件生成模型如 BigGAN的类别标签trimap抠图模型如 GCA、DIM的三分图路径mask图像修复模型如 GlobalLocal、DeepFillv2的掩码路径result_out_dir输出图像/视频路径其中**kwargs可继续透传任务特有参数例如文本到图像任务的text、ControlNet 的control等可通过print_extra_parameters()查看当前模型支持的特有参数。4.3 内置支持的模型清单源码中inference_supported_models列表给出了MMagicInferencer直接支持的所有模型名共覆盖 40 余个模型上色inst_colorization条件生成biggan、sngan_proj、sagan无条件生成dcgan、deblurganv2、wgan-gp、lsgan、ggan、pggan、styleganv1、styleganv2、styleganv3抠图dim、indexnet、gca修复aot_gan、deepfillv1、deepfillv2、global_local、partial_conv图像翻译pix2pix、cyclegan图像超分srcnn、srgan_resnet、edsr、esrgan、rdn、dic、ttsr、glean、real_esrgan视频插帧flavr、cain视频复原edvr、tdan、basicvsr、iconvsr、basicvsr_pp、real_basicvsr图像复原nafnet、swinir、restormer文生图controlnet、disco_diffusion、stable_diffusion3D 感知生成eg3d动画/编辑类controlnet_animation、draggan、diffusers_pipeline另外MMagicInferencer还提供了三个静态查询方法get_inference_supported_models()列出全部支持模型、get_inference_supported_tasks()列出全部支持任务、get_task_supported_models(task)按任务反查模型它们与 demo 脚本的--print-supported-models/--print-supported-tasks/--print-task-supported-models参数一一对应。4.4 命令行 demo 脚本全参数demo/mmagic_inference_demo.py 将上述 API 包装成命令行工具常用参数如下--img 输入图像路径 --video 输入视频路径 --label 条件生成模型的类别标签int --trimap 抠图模型的三分图路径 --mask 修复模型的掩码路径 --text 文生图模型的文本提示 --result-out-dir 输出图像或视频路径 --model-name 预训练算法名称 --model-setting 算法配置序号 --config-name 按名称选择配置 --model-config 自定义配置文件路径 --model-ckpt 自定义权重文件路径 --device 推理设备默认 cuda --extra-parameters 模型特有参数DictAction 解析如 --control xxx --seed 随机种子默认 2022脚本还支持将未识别的--key value成对参数自动转换为user_defined字典透传给infer()源码中会对参数键做-转_、数字字符串转 int 的处理。五、Model ZooMMagic 支持的算法全景README 的 Model Zoo 按任务类别列出了完整算法清单每个算法均可点击进入对应 configs 目录下的 README 查看详细用法、训练配置与指标。下表完整整理如下5.1 条件 / 无条件 GANConditional GANsSNGAN / Projection GANICLR2018、SAGANICML2019、BIGGAN / BIGGAN-DEEPICLR2018Unconditional GANsDCGANICLR2016、WGAN-GPNeurIPS2017、LSGANICCV2017、GGANArXiv2017、PGGANICLR2018、SinGANICCV2019、StyleGANV1CVPR2019、StyleGANV2CVPR2019、StyleGANV3NeurIPS2021、DragGan20235.2 图像复原与超分Image RestorationSwinIRICCVW2021、NAFNetECCV2022、RestormerCVPR2022Image Super-ResolutionSRCNNTPAMI2015、SRResNet SRGANCVPR2016、EDSRCVPR2017、ESRGANECCV2018、RDNCVPR2018、DICCVPR2020、TTSRCVPR2020、GLEANCVPR2021、LIIFCVPR2021、Real-ESRGANICCVW20215.3 视频超分与插帧Video Super-ResolutionEDVRCVPR2018、TOFIJCV2019、TDANCVPR2020、BasicVSRCVPR2021、IconVSRCVPR2021、BasicVSRCVPR2022、RealBasicVSRCVPR2022Video InterpolationTOFlowIJCV2019、CAINAAAI2020、FLAVRCVPR20215.4 上色与图像翻译Image ColorizationInstColorizationCVPR2020Image TranslationPix2PixCVPR2017、CycleGANICCV20175.5 修复与抠图InpaintingGlobal LocalToG2017、DeepFillv1CVPR2018、PConvECCV2018、DeepFillv2CVPR2019、AOT-GANTVCG2019、Stable Diffusion InpaintingCVPR2022MattingDIMCVPR2017、IndexNetICCV2019、GCAAAAI20205.6 文生图 / 文生视频与 3D 生成Text-to-Image(Video)GLIDENeurIPS2021、Guided DiffusionNeurIPS2021、Disco-Diffusion2022、Stable-Diffusion2022、DreamBooth2022、Textual Inversion2022、Prompt-to-Prompt / Null-text Inversion2022、ControlNet2023、ControlNet Animation2023、Stable Diffusion XL2023、AnimateDiff2023、ViCo2023、FastComposer2023、PowerPaint20233D-aware GenerationEG3DCVPR20225.7 读懂一个模型配置以 ESRGAN 为例以 README 与快速上手示例中提到的 ESRGAN 配置 configs/esrgan/esrgan_x4c64b23g32_1xb16-400k_div2k.py 为例可以直观理解 MMagic 的模块化配置风格_base_ ./esrgan_psnr-x4c64b23g32_1xb16-1000k_div2k.py scale 4 model dict( typeESRGAN, generatordict( typeRRDBNet, in_channels3, out_channels3, mid_channels64, num_blocks23, growth_channels32, upscale_factorscale, init_cfgdict(typePretrained, checkpointpretrain_generator_url, prefixgenerator.)), discriminatordict(typeModifiedVGG, in_channels3, mid_channels64), pixel_lossdict(typeL1Loss, loss_weight1e-2, reductionmean), perceptual_lossdict(typePerceptualLoss, layer_weights{34: 1.0}, vgg_typevgg19, perceptual_weight1.0, style_weight0, norm_imgFalse), gan_lossdict(typeGANLoss, gan_typevanilla, loss_weight5e-3, real_label_val1.0, fake_label_val0), data_preprocessordict(typeDataPreprocessor, mean[0., 0., 0.], std[255., 255., 255.]))要点解读通过_base_继承 PSNR 预训练阶段的配置实现两阶段训练先 PSNR 后 GAN的复用model_wrapper_cfg使用MMSeparateDistributedDataParallel分离式 DDP 让生成器与判别器可独立同步生成器 RRDBNet64 中间通道、23 个残差块、32 增长通道、4 倍上采样以 PSNR 阶段权重初始化判别器使用 ModifiedVGG损失由 L11e-2、感知损失vgg19第 34 层权重 1.0与 vanilla GAN 损失5e-3加权组合训练循环为IterBasedTrainLoop400k 迭代、每 5k 迭代验证一次优化器为 Adamlr1e-4学习率在 50k/100k/200k/300k 处以 0.5 倍衰减MultiStepLR。同样configs/stable_diffusion/stable-diffusion_ddim_denoisingunet.py 展示了扩散模型配置风格通过DiffuserWrapper直接以from_pretrained方式加载 Hugging Face 的UNet2DConditionModel、AutoencoderKL与 CLIP 文本编码器默认runwayml/stable-diffusion-v1-5并配置EditDDIMSchedulervariance_typelearned_range、1000 个训练时间步等model.typeStableDiffusion一键组装。这也印证了 README 中所说的通过 DiffuserWrapper 调用基础模型与采样策略的能力。六、典型应用实操从文生图到视频复原除了文生图MMagic 的统一推理 API 让其他任务同样只需几行代码。以下示例均来自 docs/en/user_guides/inference.md并与 demo 脚本一一对应。6.1 无条件 GAN 采样StyleGANv1无条件 GAN 不需要任何输入直接输出一张图像from mmagic.apis import MMagicInferencer editor MMagicInferencer(styleganv1) results editor.infer(result_out_dir./output/styleganv1_res.png)命令行等价python demo/mmagic_inference_demo.py \ --model-name styleganv1 \ --result-out-dir demo_unconditional_styleganv1_res.jpg6.2 条件 GAN 采样BigGAN条件 GAN 以类别标签为输入editor MMagicInferencer(biggan, model_setting1) results editor.infer(label1, result_out_dir./output/biggan_res.jpg)命令行等价--model-setting 1选择 metafile 中的第 2 个配置python demo/mmagic_inference_demo.py \ --model-name biggan \ --model-setting 1 \ --label 1 \ --result-out-dir demo_conditional_biggan_res.jpg6.3 图像翻译Pix2Pixeditor MMagicInferencer(pix2pix) results editor.infer(imgimg_path, result_out_dirresult_out_dir)命令行等价python demo/mmagic_inference_demo.py \ --model-name pix2pix \ --img ${IMAGE_PATH} \ --result-out-dir ${SAVE_PATH}6.4 图像超分辨率ESRGANeditor MMagicInferencer(esrgan) results editor.infer(img./input.png, result_out_dir./output.png)6.5 视频超分辨率BasicVSR与视频插帧FLAVR视频类任务把img换成video参数即可editor MMagicInferencer(basicvsr) results editor.infer(video./input.mp4, result_out_dir./output.mp4) editor MMagicInferencer(flavr) results editor.infer(video./input.mp4, result_out_dir./output.mp4)命令行等价python demo/mmagic_inference_demo.py \ --model-name basicvsr \ --video ${VIDEO_PATH} \ --result-out-dir ${SAVE_PATH} python demo/mmagic_inference_demo.py \ --model-name flavr \ --video ${VIDEO_PATH} \ --result-out-dir ${SAVE_PATH}6.6 图像修复Global Local与抠图GCA修复任务需要同时传入图像与掩码editor MMagicInferencer(global_local, model_setting1) results editor.infer(img./celeba_test.png, mask./bbox_mask.png, result_out_dir./output.jpg)抠图任务需要图像与三分图editor MMagicInferencer(gca) results editor.infer(img./GT05.jpg, trimap./GT05_trimap.jpg, result_out_dir./output.png)6.7 3D 感知生成EG3D、图像复原NAFNet与上色InstColorization# EG3D输出多视角渲染结果到目录 editor MMagicInferencer(eg3d) results editor.infer(result_out_dir./output/eg3d-output) # NAFNet图像复原 editor MMagicInferencer(nafnet) results editor.infer(img./0901x2.png, result_out_dir./output.png) # InstColorization图像上色 editor MMagicInferencer(inst_colorization) results editor.infer(img./gray.jpg, result_out_dir./output.png)七、框架升级OpenMMLab 2.0 带来的新特性README 总结了 MMagic 基于 OpenMMLab 2.0 框架MMEngine MMCV的四大升级点重构 DataSample支持 batch 维度的组合与拆分方便数据样本在训练与推理间流转重构 DataPreprocessor统一各类任务在训练与推理过程中的数据格式重构 MultiValLoop 与 MultiTestLoop同时支持生成类指标如 FID与重建类指标如 SSIM的评估并支持一次评估多个数据集可视化能力支持在本地文件、TensorBoard 与 WandB 上可视化结果PyTorch 2.0 加速README 声称有 33 个算法获得 PyTorch 2.0 加速支持。此外MMagic 完整承接了 MMEditing 与 MMGeneration 的所有任务、模型、指标与损失函数并把各组件的接口统一到 MMEngine 之上。框架的模块化设计DataPreprocessor、模型、损失、优化器、调度器、评估器、可视化器均可在 mmagic 源码树中按模块找到对应实现意味着你可以只替换某一个组件来定制自己的算法。八、社区贡献与 Projects 机制MMagic 鼓励社区贡献者参与建设。README 中列举的社区贡献项目包括SDXLokotakuAnimateDiffElliotQiViCoFerryHuangDragGanqsun1FastComposerxiaomileprojects 目录向所有人开放让社区成员可以方便地把自己的项目加入 MMagic 生态例如仓库中的 PowerPaint、GLIDE、Prompt-to-Prompt 等。具体贡献规范可参考 MMCV 与 MMEngine 的 CONTRIBUTING 文档。九、引用与许可如果 MMagic 对你的研究有帮助README 建议按如下方式引用misc{mmagic2023, title {{MMagic}: {OpenMMLab} Multimodal Advanced, Generative, and Intelligent Creation Toolbox}, author {{MMagic Contributors}}, howpublished {\url{https://github.com/open-mmlab/mmagic}}, year {2023} }前身项目 MMEditing 的引用方式misc{mmediting2022, title {{MMEditing}: {OpenMMLab} Image and Video Editing Toolbox}, author {{MMEditing Contributors}}, howpublished {\url{https://github.com/open-mmlab/mmediting}}, year {2022} }项目以 Apache 2.0 协议 发布商用前请仔细核对 LICENSE 条款。十、OpenMMLab 家族生态MMagic 是 OpenMMLab 开源生态的一员与以下兄弟项目共享统一框架与工具链MMEngine深度学习训练基础库、MMCV计算机视觉基础库、MIMOpenMMLab 包管理工具、MMPreTrain预训练工具箱、MMDetection检测、MMDetection3D3D 检测、MMRotate旋转框检测、MMSegmentation分割、MMOCR文字检测识别、MMPose姿态估计、MMHuman3D3D 人体、MMSelfSup自监督、MMRazor模型压缩、MMFewShot少样本、MMAction2动作理解、MMTracking视频感知、MMFlow光流、MMDeploy模型部署等。熟悉任一 OpenMMLab 项目的用户都可以快速上手 MMagic——统一的 Registry、Config 与 Runner 体系让跨项目迁移成本极低。结语从本文可以看出MMagic 的价值在于三点一是以统一 API 覆盖从传统 GAN 到扩散模型的完整生成与编辑任务谱系二是基于 OpenMMLab 2.0 的模块化框架让定制算法像拼积木一样灵活三是承接 MMEditing/MMGeneration 的庞大模型库并持续通过社区 Projects 引入 PowerPaint、AnimateDiff 等新算法。安装好环境后建议从MMagicInferencer的几行推理代码入手再逐步深入各任务的配置文件与训练脚本开始你的 AIGC 探索之旅。赞分享媒体生成计算机视觉深度学习人工智能大模型【免费下载链接】mmagicOpenMMLab Multimodal Advanced, Generative, and Intelligent Creation Toolbox. Unlock the magic : Generative-AI (AIGC), easy-to-use APIs, awsome model zoo, diffusion models, for text-to-image generation, image/video restoration/enhancement, etc.项目地址https://gitcode.com/gh_mirrors/mm/mmagic点击查看免费下载相关推荐MMSegmentation 1.x 深度实战指南OpenMMLab 语义分割工具箱的架构、安装、推理与模型库全解析MMSegmentation 1.x 深度实战指南OpenMMLab 语义分割工具箱的架构、安装、推理与模型库全解析 导读 本文以 MMSegmentatio人工智能深度学习计算机视觉BAGEL革命性多模态AI模型统一理解与生成的新范式BAGEL革命性多模态AI模型统一理解与生成的新范式 在人工智能快速发展的今天 BAGEL多模态AI模型 以其创新的架构设计和卓越的性能表现正在重新定义人工智能大模型基础模型多模态计算机视觉媒体生成深度学习预训练微调模型评测CVNets语义分割完全指南DeepLabv3与PSPNet实战CVNets语义分割完全指南DeepLabv3与PSPNet实战 CVNets是一个功能强大的计算机视觉网络训练库提供了DeepLabv3和PSPNet等先上一篇终极Keep a Changelog模板大全26种语言的专业变更日志获取指南下一篇Watchexec过滤机制详解globset与ignore模块的完美配合创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考