基于SRGAN的图像超分辨率实例

之前自学了有关图像超分辨处理方面的知识，这篇博文参考了这位博主的例子：博客地址，完整地跑了一下代码，记录一下自己的学习过程
工程文件：压缩包链接
提取码：1111

1.建议新建一个专门的环境，之后的各种配置基于此环境（Python版本选择3.6）

2.安装CUDA
安装之前，我们首先要确定本机是否有独立显卡。以win10为例，在控制面板\系统和安全\系统找到设备管理器下的显示适配器中，查看是否有独立显卡，如下图所示：

接下来就可以开始安装cuda，打来官网：https://developer.nvidia.com/cuda-toolkit-archive，

由于需要适配Pytorch1.4，因此我们选择CUDA Toolkit 10.1进行下载，并按以下配置下载到本地

双击安装，可以改变解压目录（路径最好不要有中文名），然后选择默认安装方式即
可。
测试一下cuda是否安装成功。打开cmd命令终端，然后输入命令：nvcc -V
如下图所示，安装成功。

3.安装cudnn
cudnn官网下载地址：https://developer.nvidia.com/cudnn
单击Download Cudnn，注册账号后才能开始下载，之后选择如下版本：

按自己系统选择，我的是win10，所以选则如下图：

下载之后，解压缩，将CUDNN压缩包里面的bin、clude、lib文件直接复制到CUDA的安装目录下（C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1），直接覆盖
安装即可完成。
添加系统环境变量到path中：
C:\Program Files\NVIDIA Corporation\NVSMI
然后在Windows PowerShell终端中运行命令,可以查看GPU使用情况：
nvidia-smi

4.安装pytorch
在anaconda中找到之前新建的环境，以环境名sr为例，打开命令行终端，输入如下指令，开始安装：

pip install torch===1.4.0 torchvision===0.5.0 -f https://download.pytorch.org/whl/torch_stable.html

后边加阿里云镜像源加速:

-i https://mirrors.aliyun.com/pypi/simple/

安装完成后，验证是否成功并且能够成功调用cudnn，在该环境下（sr）,输入python进入python环境，输入命令，如下图显示版本号即pytorch安装成功：

import torch
print(torch.__version__)

接着，验证pytorch调用cuda是否正确，显示为true即调用成功：

安装cpu版tensorflow,利用tensorboard可视化运行结果

pip install tensorflow==2.1.0 -i https://mirrors.aliyun.com/pypi/simple/

安装scikit-image（提供PSNR和SSIM的计算）

pip install scikit-image==0.16.2 -i https://mirrors.aliyun.com/pypi/simple/

至此，项目所需配置基本完成。
7. 下载项目工程文件（COCO2014数据集因为有18个G左右，所以仅给出部分数据）
下载到本地后，打开Pycharm导入工程文件，然后选择新建的python环境即可，如下图所示：

项目组织架构

8.1项目根目录下有8个.py文件和3个文件夹，下面对各个文件和文件夹进行简单说明。

1） create_data_lists.py：生成数据列表，检查数据集中的图像文件尺寸，并将符合的图像文件名写入JSON文件列表供后续Pytorch调用；
2） datasets.py：用于构建数据集加载器，主要沿用Pytorch标准数据加载器格式进行封装；
3） models.py：模型结构文件，存储各个模型的结构定义；
4） utils.py：工具函数文件，所有项目中涉及到的一些自定义函数均放置在该文件中；
5） train_srresnet.py：用于训练SRResNet算法；
6） train_srgan.py：用于训练SRGAN算法；
7） eval.py：用于模型评估，主要以计算测试集的PSNR和SSIM为主；
8） test.py：用于单张样本测试，运用训练好的模型为单张图像进行超分重建；
9） data：用于存放训练和测试数据集以及文件列表；
10） results：用于存放运行结果，包括训练好的模型以及单张样本测试结果；
11） runs: 模型训练过程中的各项指标记录，可以作为数据文件利用tensorboard来查看训练结果，在程序运行的过程中可以再开一个终端运行下述命令：tensorboard --logdir runs，从而打开tensorboard监视器，打开后可以在浏览器中访问：http://localhost:6006/ 来监视训练结果。

8.2整个代码运行顺序如下：
1）运行create_data_lists.py文件用于为数据集生成文件列表；
2）运行train_srresnet.py进行SRResNet算法训练，训练结束后在results文件夹中会生成checkpoint_srresnet.pth模型文件；(已经训练完毕可以直接调用)
3）运行eval.py文件对测试集进行评估，计算每个测试集的平均PSNR、SSIM值；
4）运行test.py文件对results文件夹下名为test.jpg的图像进行超分还原，还原结果存储在results文件夹下面；
5）运行train_srgan.py文件进行SRGAN算法训练，训练结束后在results文件夹中会生成checkpoint_srgan.pth模型文件；(已经训练完毕可以直接调用)
6）修改并运行eval.py文件对测试集进行评估，计算每个测试集的平均PSNR、SSIM值；·
7）修改并运行test.py文件对results文件夹下名为test.jpg的图像进行超分还原，还原结果存储在results文件夹下面；

基于SRGAN的图像超分辨率实例相关推荐

基于SRGAN实现图像超分辨率重建或复原
基于SRGAN实现图像超分辨率重建或复原 2018年04月20日 11:50:26 山水之间2018 阅读数 14064 文章标签: SRGAN图像超分辨率重建更多分类专栏: 深度学习图像处理 ...
超分辨率——基于SRGAN的图像超分辨率重建(Pytorch实现)
基于SRGAN的图像超分辨率重建本文偏新手项,因此只是作为定性学习使用,因此不涉及最后的定量评估环节目录基于SRGAN的图像超分辨率重建 1 简要介绍 2 代码实现 2.1 开发环境 2.2 主 ...
基于SRGAN的图像超分辨率处理
基于SRGAN的图像超分辨率处理相关代码算法原理图像超分任务文章创新点网络结构生成网络: 1. 整体结构图 2. 网络细节图判别网络 1. 整体结构图 2. 网络细节图损失函数 con ...
小米9拍照黑科技：基于NAS的图像超分辨率算法
作者:Xiangxiang Chu, Bo Zhang等丨机器之心编译丨雷军表示:这是一篇小米最新出炉的论文,基于弹性搜索在图像超分辨率问题上取得了令人震惊的结果,该模型已开源. 本篇是基于 N ...
基于Python的图像超分辨率（Image Super Resolution）
资源下载地址:https://download.csdn.net/download/sheziqiong/85596189 一.业务背景本实验将使用时深度学习技术对图像进行超分辨率重建,设计到的技术 ...
学习笔记之——基于深度学习的图像超分辨率重建
最近开展图像超分辨率( Image Super Resolution)方面的研究,做了一些列的调研,并结合本人的理解总结成本博文~(本博文仅用于本人的学习笔记,不做商业用途) 本博文涉及的paper已 ...
基于深度学习的图像超分辨率重建
最近开展图像超分辨率( Image Super Resolution)方面的研究,做了一些列的调研,并结合本人的理解总结成本博文~(本博文仅用于本人的学习笔记,不做商业用途) 本博文涉及的paper已 ...
图像超分辨率算法：CVPR2020
图像超分辨率算法:CVPR2020 Unpaired Image Super-Resolution using Pseudo-Supervision 论文地址: http://openaccess.t ...
基于深度学习的超分辨率综述
1.单图像超分辨率重建 SISR方法框架由两部分组成,非线性映射学习和上采样模块. 非线性映射学习模块负责完成LR到HR的映射,这过程中利用损失函数引导和监督学习的进程:上采样模块实现重建图像的放大, ...

基于SRGAN的图像超分辨率实例

基于SRGAN的图像超分辨率实例相关推荐

最新文章

热门文章