「这是我参与2022首次更文挑战的第32天，活动详情查看：2022首次更文挑战」
🎉 声明: 作为全网 AI 领域 干货最多的博主之一，❤️ 不负光阴不负卿 ❤️
-
🍊 深度学习： # 超分重建、一文读懂
-
🍊 超分重建经典网络 SRGAN 详尽教程
-
📆 最近更新：2022年2月28日
-
🍊 点赞 👍 收藏 ⭐留言 📝 都是博主坚持写作、更新高质量博文的最大动力！
-
🍊 👋 Follow me 👋，一起 Get 更多有趣 AI、冲冲冲 🚀 🚀
👋 基础信息
- 本博文运行的代码GitHub链接，弱鸡一枚，向各位前辈大佬致敬
遇到疑问、可第一时间评论区交流
🥇 环境搭建
Ubuntu 16.04.4 LTS \n \l
2080Ti , cuda10.0
conda create -n torch11 python=3.6.9
conda activate torch11
conda install pytorch==1.1.0 torchvision==0.3.0 cudatoolkit=10.0 -c pytorch
pip install pillow==5.2.0
pip install opencv-python
pip install scipy
pip install thop
pip install matplotlib
pip install pandas
pip install tqdm
💙 数据准备
我使用的训练数据：DIV2K，如果不知道如何下载，可参考我的这篇博文
- 测试数据：点击上图 gitHub 提供的下载链接下载
- 数据集存放位置如下
这个代码 训练数据只需要
HR图片即可:
在
train.py中设置 训练数据集、和 评估集 路径；
❤️ 训练和测试
💛 Train
python train.py
optional arguments:
--crop_size training images crop size [default value is 88]
--upscale_factor super resolution upscale factor [default value is 4](choices:[2, 4, 8])
--num_epochs train epoch number [default value is 100]
The output val super resolution images are on `training_results` directory.
💛 Test Benchmark Datasets
python test_benchmark.py --upscale_factor 2 --model_name netG_epoch_2_10.pth
optional arguments:
--upscale_factor super resolution upscale factor [default value is 4]
--model_name generator model epoch name [default value is netG_epoch_4_100.pth]
The output super resolution images are on benchmark_results directory.
🍖 和小伙伴的一些讨论
🔴 关于此博文的一些交流
我训练完之后如何将它的生成模型拿出来，然后单独训练我自己的低分辨率图片
-
该代码训练出的模型位于 srgan_torch/epochs 目录下，做测试时指定 模型 路径即可
-
SRGAN pytorch 这个 代码做训练 需要 HR 原图 ；（它会把HR 下采样 得到 配对的 LR ）然后进行训练；
-
test_benchmark.py 是对 Set5 、Set14 等数据集进行测试 并且 计算 psnr ;
-
test_image.py 这个 代码 就是 指定模型，然后针对一张 图片 来 进行 单独 SR 重建的;
-
如果 你要使用 模型 来 重建自己的 LR 图片 得到 HR ,那么你写一个 for 循环 ，执行 test_image.py（或者把里面的代码 抽取为一个方法进行调用）就可以了；
test_image.py 文件 是怎么运行的？
这个文件是作者项目中的文件，它的代码可以运行，但是如果想大量重建自己某个目录下的图像；该代码尚有一些缺陷，参考该文件代码，重写一份循环调用代码即可；
- 运行程序，只需传入对应参数即可
- 运行命令示例
python test_image.py --upscale_factor 2 --model_name netG_epoch_2_100.pth --test_mode CPU --image_name 4x2.png
- 输出如下
test_image.py:31: UserWarning: volatile was removed and now has no effect. Use `with torch.no_grad():` instead.
image = Variable(ToTensor()(image), volatile=True).unsqueeze(0)
cost29.748524s
- 输入和重建得到的图片位置如下，如果是其它目录，需要修改一下该代码才可行
🎉 相关报错
🟧 初次训练 会自动下载 pytorch版本的 vgg16 model 用来 计算 loss ，考验网速哈：
- Linux 系统下 VGG16 模型的安放位置如下：
-
Windows 安放到哪里呢？？？ 哪位大佬看到了，欢迎评论区补充 ，给小白同学安排一下
-
遇到这个错误，可能是因为 下载的 模型 文件是坏的（Danny 同学补充）
🟨 CUDA out of memory 报错如下：
RuntimeError: CUDA out of memory. Tried to allocate 1018.00 MiB (GPU 0; 7.79 GiB total capacity; 4.72 GiB already allocated; 853.50 MiB free; 1.52 GiB cached)
- 解决方法： 修改 batch_size=4
🟦 test_benchmark.py 测试 ssim 计算 报错，处理方法如下：
🎉 其他实验补充
显卡 2080Ti , cuda10.0 ，8G
训练数据： DIV2K
训练命令： python train.py
train.py 中 参数设置如下：
parser = argparse.ArgumentParser(description='Train Super Resolution Models')
parser.add_argument('--crop_size', default=96, type=int, help='training images crop size')
parser.add_argument('--upscale_factor', default=2, type=int, choices=[2, 4, 8],
help='super resolution upscale factor')
parser.add_argument('--num_epochs', default=100, type=int, help='train epoch number')
训练时长： 2小时20分钟 【100 epochs】
测试时长： 57s
🚀🚀 探讨【如何开始跑实验】
没想到PyTorch 版本 SRGAN 的关注的新同学还蛮多哈；看来 PyTorch 是真香啊；就此我说一下个人对此的看法：
对于新同学而言：
- 第一步：正确搭建环境
- 第二步：正确设置数据路径
- 第三步：运行训练和测试
- 第四步：主观和客官评估超分重建效果
- 第五步：改进代码，循环以上步骤
最重要（基础）的就是前两步骤，如果新同学遇到问题，建议按照博文教程认真检查一下自己是否落实好基础工作；
大部分看了这个博文的同学都能够直接顺利运行和测试，说明这个教程总体上是充分够用的；
SRGAN 虽然经典，但是这3 年 过去，它终将成为过去，还是建议大家学习近两年 最新的 SR 相关论文和代码；
超分重建-代码环境搭建--专栏 下有几篇 19、20年的超分代码经典总结相信也一定可以帮助各位新同学参考学习哈；
嗯，最后，感谢您的耐心查阅，博主本人现在已经从 SR 脱坑到图像修复、目标检测（难瘦）了，不过也还在视觉这个深坑里哈，大家一起学习进步啊；
搭合适自己的顺风车，即是真正的高效
🚀🚀 墨理学AI
🎉 作为全网 AI 领域 干货最多的博主之一，❤️ 不负光阴不负卿 ❤️ ❤️ 如果文章对你有帮助、点赞、评论鼓励博主的每一分认真创作
快乐学AI 、深度学习环境搭建 : 一文读懂
