程序员经验分享-hwhale

BasicSR入门教程

2023-11-03

BasicSR入门教程

1.安装环境

由于安装好的其他环境已经有了pytorch，那么新建环境时直接拷贝该环境就好

//复制环境
conda create --name my-basicsr --clone mmediting

克隆项目

git clone https://github.com/XPixelGroup/BasicSR.git

安装依赖包

cd BasicSR
pip install -r requirements.txt

在BasicSR的根目录下安装BasicSR

python setup.py develop

验证BasicSR是否安装成功

import basicsr

通过本地clone安装成功的时候，此时使用pip list 命令查看BasicSR 路径

pip list

2.准备数据集

常用的图像超分数据集如下：

name 数据集 数据描述 下载
2K Resolution DIV2K proposed in NTIRE17 (800 train and 100 validation) official website
Classical SR Testing Set5 Set5 test dataset Google Drive / Baidu Drive
Classical SR Testing Set14 Set14 test dataset Google Drive / Baidu Drive

DIV2K下载地址：https://data.vision.ee.ethz.ch/cvl/DIV2K/

Set5下载地址：https://drive.google.com/drive/folders/1B3DJGQKB6eNdwuQIhdskA64qUuVKLZ9u

Set14下载地址：https://drive.google.com/drive/folders/1B3DJGQKB6eNdwuQIhdskA64qUuVKLZ9u

因为DIV2K 数据集是2K 分辨率的(比如: 2048×1080), 而我们在训练的时候往往并不要那么大(常见的是128×128 或者192×192 的训练patch). 因此我们可以先把2K 的图片裁剪成有overlap 的480×480 的子图像块. 然后再由dataloader 从这个480×480 的子图像块中随机crop 出128×128 或者192×192 的训练patch。运行脚本extract_subimages.py。

cd BasicSR
python scripts/data_preparation/extract_subimages.py

若需要使用LMDB，则需要制作LMDB，数据准备运行脚本：

python scripts/data_preparation/create_lmdb.py --dataset div2k

数据集的目录结构如下

3.修改配置文件

创建新的训练配置文件options/train/SRResNet_SRGAN/my_train_MSRResNet_x4.yml，内容如下

# Modified SRResNet w/o BN from:
# Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

# ----------- Commands for running
# ----------- Single GPU with auto_resume
# PYTHONPATH="./:${PYTHONPATH}"  CUDA_VISIBLE_DEVICES=0 python basicsr/train.py -opt options/train/SRResNet_SRGAN/train_MSRResNet_x4.yml --auto_resume

# general settings
name: 001_MSRResNet_x4_f64b16_DIV2K_10k_B16G1_wandb_myfirst
model_type: SRModel
scale: 4
num_gpu: 1  # set num_gpu: 0 for cpu mode
manual_seed: 0

# dataset and data loader settings
datasets:
  train:
    name: DIV2K
    type: PairedImageDataset
    # dataroot_gt: datasets/DF2K/DIV2K_train_HR_sub
    # dataroot_lq: datasets/DF2K/DIV2K_train_LR_bicubic_X4_sub
    # meta_info_file: basicsr/data/meta_info/meta_info_DIV2K800sub_GT.txt
    # dataroot_gt: datasets/DIV2K/DIV2K_train_HR_sub
    # dataroot_lq: datasets/DIV2K/DIV2K_train_LR_bicubic_X4_sub
    # meta_info_file: basicsr/data/meta_info/meta_info_DIV2K800sub_GT.txt
    # (for lmdb)
    dataroot_gt: datasets/DIV2K/DIV2K_train_HR_sub.lmdb
    dataroot_lq: datasets/DIV2K/DIV2K_train_LR_bicubic_X4_sub.lmdb
    filename_tmpl: '{}'
    io_backend:
      # type: disk
      # (for lmdb)
      type: lmdb

    gt_size: 128
    use_hflip: true
    use_rot: true

    # data loader
    num_worker_per_gpu: 6
    batch_size_per_gpu: 16
    dataset_enlarge_ratio: 100
    prefetch_mode: ~

  val:
    name: Set5
    type: PairedImageDataset
    dataroot_gt: datasets/Set5/GTmod12
    dataroot_lq: datasets/Set5/LRbicx4
    io_backend:
      type: disk

  val_2:
    name: Set14
    type: PairedImageDataset
    dataroot_gt: datasets/Set14/GTmod12
    dataroot_lq: datasets/Set14/LRbicx4
    io_backend:
      type: disk

# network structures
network_g:
  type: MSRResNet
  num_in_ch: 3
  num_out_ch: 3
  num_feat: 64
  num_block: 16
  upscale: 4

# path
path:
  pretrain_network_g: ~
  param_key_g: params
  strict_load_g: true
  resume_state: ~

# training settings
train:
  ema_decay: 0.999
  optim_g:
    type: Adam
    lr: !!float 2e-4
    weight_decay: 0
    betas: [0.9, 0.99]

  scheduler:
    type: CosineAnnealingRestartLR
    periods: [250000, 250000, 250000, 250000]
    restart_weights: [1, 1, 1, 1]
    eta_min: !!float 1e-7

  # total_iter: 1000000
  total_iter: 10000
  warmup_iter: -1  # no warm up

  # losses
  pixel_opt:
    type: L1Loss
    loss_weight: 1.0
    reduction: mean

# validation settings
val:
  val_freq: !!float 5e3
  save_img: false

  metrics:
    psnr: # metric name, can be arbitrary
      type: calculate_psnr
      crop_border: 4
      test_y_channel: false
      better: higher  # the higher, the better. Default: higher
    niqe:
      type: calculate_niqe
      crop_border: 4
      better: lower  # the lower, the better

# logging settings
logger:
  print_freq: 100
  save_checkpoint_freq: !!float 5e3
  use_tb_logger: true
  wandb:
    project: ~
    resume_id: ~

# dist training settings
dist_params:
  backend: nccl
  port: 29500

可以开始训练

python basicsr/train.py -opt options/train/SRResNet_SRGAN/my_train_MSRResNet_x4.yml

训练完成后，结果会保存在results文件夹下的001_MSRResNet_x4_f64b16_DIV2K_10k_B16G1_wandb_myfirst文件夹中

创建新的测试配置文件options/test/SRResNet_SRGAN/my_test_MSRResNet_x4.yml，内容如下

# ----------- Commands for running
# ----------- Single GPU
# PYTHONPATH="./:${PYTHONPATH}"  CUDA_VISIBLE_DEVICES=0 python basicsr/test.py -opt options/test/SRResNet_SRGAN/test_MSRResNet_x4.yml

# general settings
name: 001_MSRResNet_x4_f64b16_DIV2K_10k_B16G1_wandb_myfirst
model_type: SRModel
scale: 4
num_gpu: 1  # set num_gpu: 0 for cpu mode
manual_seed: 0

# test dataset settings
datasets:
  test_1:  # the 1st test dataset
    name: Set5
    type: PairedImageDataset
    dataroot_gt: datasets/Set5/GTmod12
    dataroot_lq: datasets/Set5/LRbicx4
    io_backend:
      type: disk
  test_2:  # the 2nd test dataset
    name: Set14
    type: PairedImageDataset
    dataroot_gt: datasets/Set14/GTmod12
    dataroot_lq: datasets/Set14/LRbicx4
    io_backend:
      type: disk
  test_3: # the 3rd test dataset
    name: DIV2K100
    type: PairedImageDataset
    dataroot_gt: datasets/DIV2K/DIV2K_valid_HR
    dataroot_lq: datasets/DIV2K/DIV2K_valid_LR_bicubic/X4
    filename_tmpl: '{}x4'
    io_backend:
      type: disk

# network structures
network_g:
  type: MSRResNet
  num_in_ch: 3
  num_out_ch: 3
  num_feat: 64
  num_block: 16
  upscale: 4

# path
path:
  pretrain_network_g: experiments/001_MSRResNet_x4_f64b16_DIV2K_10k_B16G1_wandb_myfirst/models/net_g_10000.pth
  param_key_g: params
  strict_load_g: true

# validation settings
val:
  save_img: true
  suffix: ~  # add suffix to saved images, if None, use exp name

  metrics:
    psnr: # metric name, can be arbitrary
      type: calculate_psnr
      crop_border: 4
      test_y_channel: false
      better: higher  # the higher, the better. Default: higher
    ssim:
      type: calculate_ssim
      crop_border: 4
      test_y_channel: false
      better: higher

测试完成后，结果会保存在results文件夹下的001_MSRResNet_x4_f64b16_DIV2K_10k_B16G1_wandb_myfirst文件夹中

4.tensorboard可视化训练过程

在用于训练的yml配置文件中设置tensorboard开启

# logging settings
logger:
  print_freq: 100
  save_checkpoint_freq: !!float 5e3
  use_tb_logger: true # 设置为true
  wandb:
    project: ~
    resume_id: ~

在命令行输入以下命令，就可以在服务器的浏览器中查看：

tensorboard --logdir tb_logger --port 5500 --bind_all

tensorboard 在本机可以方便使用，但使用服务器时需要设置一下。

在Windows系统装一个Xshell,在文件->属性->ssh->隧道->添加,类型local，源主机填127.0.0.1（意思是本机），端口设置一个，比如12345，目标主机为服务器，目标端口一般是5500，如果5500被占了可以改为其他端口。

在本地浏览器中输入127.0.0.1:12345即可


最后感谢小伙伴们的学习噢~

本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)

黑科技

python

深度学习

人工智能

BasicSR

BasicSR入门教程 的相关文章

随机推荐

  • M.2接口NVMe SSD固态硬盘安装win10

    M 2接口NVMe SSD固态硬盘使用了新接口 所以目前市面上的U盘win pe系统基本都不能识别硬盘 无法安装 但 win10原生系统默认能够识别NVMe固态盘的 所以 我们可以从微软官网https www microsoft com z

  • 大数据电商数据仓库系统搭建 附离线安装包

    一 数仓理论 1 数据仓库概念 数据仓库 Data Warehouse 是为企业所有决策制定过程 提供所有系统数据支持的战略集合 通过对数据仓库中数据的分析 可以帮助企业 改进业务流程 控制成本 提高产品质量等 数据仓库 并不是数据的最终目

  • 51单片机——LCD1602液晶显示屏

    如下图 红框就是LCD1602液晶显示屏 他是可插拔的 插上去后数码管就会乱码无效了 因为他两共用了MCU的8个P0口 LCD1602原理图 从上面两幅图可以看出来 LCD1602的LCD D0 LCD D7分别对应MCU的P00 P07

  • PhotoScan空三加密操作流程

    1 空三的原始数据 空三的原始数据主要由四个部分 原始影像 POS信息 像控点点位坐标 像控点现场照片 图片 2 加密流程 在PhotoScan中的加密流程主要是下面几个步骤 2 1导入照片及pos信息 在工作流程中添加照片 点击输入参照

  • windows 2012 证书服务

    文章目录 加密 数字签名 SSL 独立证书服务器 防火墙和路由 web服务器 web服务器使用证书服务 ssl加密 证书转换 openssl将私钥和crt证书合成pfx证书 iis配置ssl 步骤 加密 对称加密是使用的同一把密匙进行加密和

  • network和NetworkManager区别及ifconfig、ip、ethtool命令的使用介绍

    当你进入一个linux操作系统之后 你首先想了解恐怕就是这个环境的网络状态了 如果你使用的linux桌面GUI系统 你可以直接查看桌面上的网络图标 如果你使用的是服务器text文本模式登录 那恭喜你 下面的使用方式可以帮到你 openEul

  • Shell--基础--03--字符串

    Shell 基础 03 字符串 1 介绍 字符串是shell编程中最常用最有用的数据类型 除了数字和字符串 也没啥其它类型好用了 字符串可以用单引号 也可以用双引号 也可以不用引号 1 1 单引号 k5 333 aaa bbbb 单引号字符

  • Java中的基本数据类型byte、short、int和long

    一 byte byte的表示位数为 128 127 当我们byte num01 128时 数字超过的byte的表示范围 会报错 因为128默认为int型 所以我们要遵从 当表示范围大的数据类型转换成表示范围小的数据类型时 要强制转换 byt

  • 初识kafka --安装启动

    初识kafka kafka的安装及启动 kafka 1 官网下载 2 解压 3 安装jdk 4 配置kafka 4 1 配置server properties 4 2 配置zookeeper properties 5 启动kafka Kaf

  • QT for webassembly 技术探索

    前几日 接到上级任务 在不改动C 客户端的基础上 实现在浏览器中打开C 客户端 并进行交互 本想着是天方夜谭 谷歌一番 竟果真有此等尝试 官方参考文档传送门 https wiki qt io Qt for WebAssembly 在下查资料

  • Linux下ffmpeg无法内录声音解决方法

    此内容是转载非原创 感谢作者的付出 谢谢 参考下面这篇文章 http tieba baidu com p 4090696136 和这个链接 https trac ffmpeg org wiki Capture ALSA no1 这个问题基本

  • baxter机器人连接

    1 ctrl alt F3查看机器人的序列号以及IP地址 2 修改baxter sh 注意 baxter sh文件要放在工作空间根目录下 用网线将机器人和自己的电脑连接起来 注意 your ip要改成和baxter机器人ip同频段的但不同通

  • Qt：读取已有数据的Excel文档，并将数据显示在通过QTableWidget绘制的表格中，之后将显示的数据保存成excel格式进行输出（包括表头等内容）

    读取已有数据的Excel文档 并将数据显示在通过QTableWidget绘制的表格中 之后将显示的数据保存成excel格式进行输出 包括表头等内容 UI展示及功能简介 读取 于Mainwindow中 on read clicked属于Pus

  • 【Spring Boot 初识丨七 丨外部化配置（一）】属性详解

    上一篇讲了 Spring Boot 的依赖注入 本篇来讲一讲Spring Boot 外部化配置 Spring Boot 初识 Spring Boot 初识丨一 入门实战 Spring Boot 初识丨二 maven Spring Boot

  • 华为OD机试真题 Java 实现【补种未成活胡杨】【2023 B卷 100分】，附详细解题思路

    目录 一 题目描述 二 输入描述 三 输出描述 四 解题思路 五 Java算法源码 六 效果展示 1 输入 2 输出 3 说明 一 题目描述 近些年来 我国防沙治沙取得显著成果 某沙漠新种植N棵胡杨 编号1 N 排成一排 一个月后 有M棵胡

  • 华为、小米、OPPO、VIVO联手打造“GDSA”对抗谷歌

    本文转载月光博客 华为 小米 OPPO VIVO联手打造 GDSA 对抗谷歌 据路透社报道 中国四大智能手机厂商华为 小米 OPPO 和 Vivo 正联手推出一个对标 Google Play 商店的生态平台 其目的是让非本土开发者能够更容易

  • cmake安装

    http hezuyou blog 163 com blog static 78497415201311734452972 编译安装cmake 下载cmake源码包cmake 2 8 4 tar gz mv到 usr local src目录

  • 如何查看mysql的ip地址_如何查mysql的ip地址

    查看连接mysql的ip地址的方法 直接查询 语法为 select SUBSTRING INDEX host 1 as ip count from information schema processlist 查看连接mysql的ip地址的

  • Date日期类型转换

    1 String 类型转换Date类型 import java text ParseException import java text SimpleDateFormat import java util Date public class

  • BasicSR入门教程

    BasicSR入门教程 1 安装环境 由于安装好的其他环境已经有了pytorch 那么新建环境时直接拷贝该环境就好 复制环境 conda create name my basicsr clone mmediting 克隆项目 git clo

热门标签