超分辨率重建——SAN训练自己数据集及推理测试(详细图文教程)

目录

  • 一、源码包下载
  • 二、数据集准备
  • 三、预训练权重文件
  • 四、训练环境
  • 五、训练
    • 5.1 超参数修改
    • 5.2 训练模型
      • 5.2.1 命令方式训练
      • 5.2.2 Configuration配置参数方式训练
    • 5.3 模型保存
  • 六、推理测试
    • 6.1 超参数修改
    • 6.2 测试
      • 6.2.1 命令方式测试
      • 6.2.2 Configuration配置参数方式测试
    • 6.3 测试结果
    • 6.4 推理速度
  • 七、总结

一、源码包下载

源码包有官网提供的和我自己修改过代码提供的,建议学者直接下载我提供的源码包使用,可以少走很多弯路。

官网源码包下载链接:SAN官网

我提供的源码包:网盘源码包,提取码:0g99

论文地址:论文

我提供的源码包下载并解压后的样子如下:

超分辨率重建——SAN训练自己数据集及推理测试(详细图文教程)_第1张图片

二、数据集准备

在我提供的源码包中有部分训练集和测试集,位于根目录下的data_data文件夹中。DIV2K训练集官网提供的有900张图像,我提供的源码包中有100张,学者可以自己去官网下载完整版DIV2K数据集,我这里提供主要是想告诉学者训练集目录结构关系,如下:

超分辨率重建——SAN训练自己数据集及推理测试(详细图文教程)_第2张图片

三、预训练权重文件

预训练权重文件子在源码包中已经提供,存放位置如下,分别有超分2倍,3倍,4倍的预训练权重模型。

超分辨率重建——SAN训练自己数据集及推理测试(详细图文教程)_第3张图片

四、训练环境

测代码框架必须在低版本的Pytorch中才能运行,安装低版本的Pytorch如果遇到问题,参考我另外一篇博文:_update_worker_pids问题

我自己在Windows环境上训练并测试的,运行环境如下:

超分辨率重建——SAN训练自己数据集及推理测试(详细图文教程)_第4张图片

五、训练

5.1 超参数修改

该代码框架所有的路径都必须用绝对路径才能正确读取数据,不信的倔驴试试!

超分辨率重建——SAN训练自己数据集及推理测试(详细图文教程)_第5张图片

关于训练的所有超参数修改都在TrainCode文件夹下的option.py文件中,学者自行根据自己情况修改其它超参数。

5.2 训练模型

5.2.1 命令方式训练

先在终端通过下面命令进入到训练脚本路径下:

cd TrainCode

在输入下面命令进行训练:

ython main.py --model san --save save_name --scale 2 --n_resgroups 20 --n_resblocks 10 --n_feats 64 --reset --chop --save_results --patch_size 20 --cpu --batch_size 8

5.2.2 Configuration配置参数方式训练

超分辨率重建——SAN训练自己数据集及推理测试(详细图文教程)_第6张图片

超分辨率重建——SAN训练自己数据集及推理测试(详细图文教程)_第7张图片

超分辨率重建——SAN训练自己数据集及推理测试(详细图文教程)_第8张图片

上面两种填写配置参数的方式都可以训练,学者根据个人喜好选择。

配置参数填写好后就可以直接训练了,我自己是在CPU上训练的,因为Pytorch版本太低,牵连到CUDA和CuDNN版本不兼容的问题,要重新配置环境等问题,我懒得折腾了,就直接用CPU训练测试了,学者根据自己情况使用GPU或者CPU,如果要用GPU,把我提供的源码包main.py脚本中的代码注释了,如下:

超分辨率重建——SAN训练自己数据集及推理测试(详细图文教程)_第9张图片

5.3 模型保存

运行上面命令后,等待一段时间就开始训练了,如下:

超分辨率重建——SAN训练自己数据集及推理测试(详细图文教程)_第10张图片

训练过程的模型权重会自动保存到根目录下的experiment文件夹中,如下:

超分辨率重建——SAN训练自己数据集及推理测试(详细图文教程)_第11张图片

六、推理测试

6.1 超参数修改

测试脚本有一个专门对应的配置文件,名字也是option.py,参数很多,自行根据情况修改,如下:

超分辨率重建——SAN训练自己数据集及推理测试(详细图文教程)_第12张图片

下面是修改测试结果的保存路径,这部分代码是我自己添加的,官网源码包中没有保存测试结果的脚本,如下:

超分辨率重建——SAN训练自己数据集及推理测试(详细图文教程)_第13张图片

6.2 测试

6.2.1 命令方式测试

在终端输入以下命令进入到测试脚本的路径下:

cd TestCode/code

再输入以下命令后回车测试:

python main.py --model san --data_test MyImage --save save_name --scale 4 --n_resgroups 20 --n_resblocks 10 --n_feats 64 --reset --chop --save_results --test_only --testpath F:/Code/Python/SAN/SAN/Test_Images/INF --testset Set5 --pre_train F:/Code/Python/SAN/SAN/experiment/save_name/model/model_best.pt --cpu

上面命令中可以修改超分倍数:–scale参数;测试集路径:–testpath;训练好的模型权重路径:–pre_train;其它参数自行修改

6.2.2 Configuration配置参数方式测试

超分辨率重建——SAN训练自己数据集及推理测试(详细图文教程)_第14张图片

超分辨率重建——SAN训练自己数据集及推理测试(详细图文教程)_第15张图片

超分辨率重建——SAN训练自己数据集及推理测试(详细图文教程)_第16张图片

6.3 测试结果

运行过程如下:

在这里插入图片描述

测试保存的结果图像在根目录Result_Images文件夹中,如下:

超分辨率重建——SAN训练自己数据集及推理测试(详细图文教程)_第17张图片

6.4 推理速度

我只在CPU上测试了推理速度,图像大小:12090,超分4倍,推理速度:12s/fps。图像大小512512,超分2倍,推理速度:39s/fps。

七、总结

以上就是超分辨率重建——SAN网络训练自己数据集及推理测试的详细图文教程,欢迎留言讨论。

总结不易,多多支持,谢谢!

你可能感兴趣的:(超分辨率重建,Pytorch,深度学习,超分辨率重建,图像处理,python,pytorch)