Deep Back-Projection Networks For Super-Resolution图像超分辨----DBPN测试及训练
本文详细介绍了图像超分辨方法-DBPN代码测试及训练
论文地址:https://arxiv.org/abs/1803.02735
代码地址:https://github.com/alterzero/DBPN-Pytorch
1、DBPN测试
(Window10系统下进行)
(1)创建虚拟环境
(2)安装python3.6
,pytorch1.7.0
,cuda11.0
以及必要的安装包imageio
,scipy
,opencv-python
等
(3)安装pytorch1.7.0
和对应版本的cuda11.0
:终端输入如下命令
conda install pytorch==1.7.0 torchvision==0.8.0 torchaudio==0.7.0 cudatoolkit=11.0 -c pytorch
(4)由于测试demo
数据及预训练的模型已经存在相应的文件夹中,所以不用下载其他的数据集和模型。
运行测试命令:
python eval.py
出现如下错误:
分析原因:imsave
方法已经被禁用
解决办法:代码中导入imageio
来解决问题
如下:
继续运行:
python eval.py
出现如下错误:
分析原因:试图在开始一个新的过程之前,当前进程已完成其引导阶段。
这可能意味着没有使用fork
来启动您的子进程,简而言之是因为代码中需要有引导程序运行的标志。
解决办法:
①在调用方法前边加上:
if __name__ == '__main__':
如图:
②将代码中线程设置的地方改成0
也可。
此外,如果出现下面的问题:
torch.utils.data.DataLoader
中的num_workers
错误
分析原因:windows系统中可能不支持多线程运行
解决办法:将num_workers
改为0
即可!使用单线程运行程序。
测试结果:
出现如上结果,即运行成功!
此次测试数据所用模型为:DBPNLL_x8.pth
测试数据为:./Input/Set5_LR_x8/
中的五组低分辨率图片
测试结果保存在Results
文件夹中。
原始数据及处理完成结果对比:
原始数据如下:分辨率为32x32,图片大小为2.8KB
超分辨结果如下:分辨率为256x256,图片大小为192.6KB
更改测试数据方法:
将箭头处更改成自己测试数据相关名称和信息即可!
2、DBPN训练
(Windows10系统下)
(1)首先下载用于训练的数据集,下载地址如下:
链接:https://pan.baidu.com/s/1fUCDgjfa5ktHczgPaO89xw
提取码:4ymy
(2)将下载的DIV2K_train_HR
数据集文件拷贝到项目工程文件夹Dataset
下,如下图
(3)创建weights
文件夹用来保存训练的模型。
接下来修改main.py
文件中的参数,如下图箭头所指的参数可以根据自己的情况进行修改。
为了方便区分最后训练的模型,将数据集的名称体现在保存的模型名称中,所以单独加了一行参数设置
运行命令:
python main.py
开始训练。
模型会每隔固定的周期就会保存一次,模型会保存在weights
文件夹下。
之后就可以使用自己训练的模型进行测试。
以上就是DBPN测试及训练的全过程了,希望对大家有所帮助!