EDVR复现过程中的Segmentation Fault及Vimeo-90k数据集的百度盘下载

最新推荐文章于 2024-06-03 19:42:55 发布
置顶 最新推荐文章于 2024-06-03 19:42:55 发布
阅读量5k 收藏 21
点赞数 14
分类专栏： pytorch 论文不记 学如逆水行舟，不进则退 文章标签： pytorch 超分辨率重建 深度学习 超分 EDVR
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/change_things/article/details/107287770
版权

EDVR复现Vid4中的Segmentation Fault及Vimeo-90k数据集的百度盘下载

EDVR介绍

EDVR全称是：Video Restoration with Enhanced Deformable Convolutional Networks，是CVPR 2019 Workshop NTIRE 2019的冠军。在视频超分辨率Vid4数据集上测试结果仅次于今年的ISeeBetter，只有一点点的差距。
EDVR提出了一个PCD 对齐模块和时空注意力融合模型TSA：
在这里插入图片描述
详细介绍见paper
本文使用官方提供的code、model以及Vid4数据

Segmentation Fault

初次编译运行后，出现Segmentation Fault，定位后发现是Deformable Convolution的问题，详情见issue。由于本文使用的是gcc4.8，需要升级到gcc5.3

升级gcc

本文使用的系统是centos 7，可以使用devtoolset-4安装gcc5.3以避免重新编译gcc。然而官方已经停止维护devtoolset-4，不得已使用devtoolset-6，仍然报错。一番查找后在这里找到了可以用的devtoolset-4包，下载devtoolset-4-gcc-5.3.1-6.1.el7.x86_64.rpm和devtoolset-4-gcc-c+±5.3.1-6.1.el7.x86_64.rpm使用yum localinstall *.rpm进行安装。
但安装gcc时提示需要devtoolset-4-runtime，后来阴差阳错在另一个包里找到了devtoolset-4-runtime，下载 devtoolset-4-runtime-4.1-3.el7.x86_64.rpm安装后再安装gcc。
最后安装g++时提示要按装devtoolset-4-libstdc++，在原网站下载 devtoolset-4-libstdc+±devel-5.3.1-6.1.el7.x86_64.rpm安装即可继续安装g++5.3.1。

重新编译运行

使用scl重新编译dcn：

scl enable devtoolset-4 -- python setup.py develop

若出现sysroot报错，参考这篇文章解决。

测试结果之Vid4

下载上文中的Vid4数据解压放入datasets文件夹中，下载EDVR_Vimeo90K_SR_L.pth到experiments/pretrained_models/路径下，具体参考test_Vid4_REDS4_with_GT.py中的路径，使用配置好的环境直接运行：

python test_Vid4_REDS4_with_GT.py

结果截图如下图所示：
在这里插入图片描述
从运行结果来看，Vid4部分和论文中的是一样的。如下表所示：
在这里插入图片描述

测试结果之Vimeo-90K

为了测试Vimeo-90K，我们需要先下载Vimeo-90K的数据。这个数据集有82G，在MIT的服务器，如果下载不下来，博主备份了一份在百度云。（侵删）

链接：https://pan.baidu.com/s/16lANG3EStS6sE7Ir1-AI8g 
提取码：q4fi

如果你在你的工作中使用了这个数据，请引用：

@article{xue2019video,
title={Video Enhancement with Task-Oriented Flow},
author={Xue, Tianfan and Chen, Baian and Wu, Jiajun and Wei, Donglai and Freeman, William T},
journal={International Journal of Computer Vision (IJCV)},
volume={127},
number={8},
pages={1106–1125},
year={2019},
publisher={Springer}
}

根据这个issue可知上述的model仍然可以复现Vimeo-90K的测试结果。
需要小修一下test_Vid4_REDS4_with_GT.py，让它能测试Vimeo-90K的数据。下面是修改后的代码，主要是更改了测试文件夹的获取路径。需要注意的是低分辨率的数据vimeo_septuplet_matlabLRx4是使用data_scripts/generate_LR_Vimeo90K.m中的代码生成的，详情见此处的Vimeo-90K数据准备部分，请根据自己的需要修改Vimeo-90K的路径：

'''
Test Vimeo90 (SR) and REDS4 (SR-clean, SR-blur, deblur-clean, deblur-compression) datasets
'''

import os
import os.path as osp
import glob
import logging
import numpy as np
import cv2
import torch

import utils.util as util
import data.util as data_util
import models.archs.EDVR_arch as EDVR_arch


def main():
    #################
    # configurations
    #################
    device = torch.device('cuda')
    os.environ['CUDA_VISIBLE_DEVICES'] = '2'
    data_mode = 'Vimeo90'  # Vid4 | sharp_bicubic | blur_bicubic | blur | blur_comp
    # Vimeo90: SR
    # REDS4: sharp_bicubic (SR-clean), blur_bicubic (SR-blur);
    #        blur (deblur-clean), blur_comp (deblur-compression).
    stage = 1  # 1 or 2, use two stage strategy for REDS dataset.
    flip_test = False
    ############################################################################
    #### model
    if data_mode == 'Vimeo90':
        if stage == 1:
            model_path = '../experiments/pretrained_models/EDVR_Vimeo90K_SR_L.pth'
        else:
            raise ValueError('Vimeo90 does not support stage 2.')
    elif data_mode == 'sharp_bicubic':
        if stage == 1:
            model_path = '../experiments/pretrained_models/EDVR_REDS_SR_L.pth'
        else:
            model_path = '../experiments/pretrained_models/EDVR_REDS_SR_Stage2.pth'
    elif data_mode == 'blur_bicubic':
        if stage == 1:
            model_path = '../experiments/pretrained_models/EDVR_REDS_SRblur_L.pth'
        else:
            model_path = '../experiments/pretrained_models/EDVR_REDS_SRblur_Stage2.pth'
    elif data_mode == 'blur':
        if stage == 1:
            model_path = '../experiments/pretrained_models/EDVR_REDS_deblur_L.pth'
        else:
            model_path = '../experiments/pretrained_models/EDVR_REDS_deblur_Stage2.pth'
    elif data_mode == 'blur_comp':
        if stage == 1:
            model_path = '../experiments/pretrained_models/EDVR_REDS_deblurcomp_L.pth'
        else:
            model_path = '../experiments/pretrained_models/EDVR_REDS_deblurcomp_Stage2.pth'
    else:
        raise NotImplementedError

    if data_mode == 'Vimeo90':
        N_in = 7  # use N_in images to restore one HR image
    else:
        N_in = 5

    predeblur, HR_in = False, False
    back_RBs = 40
    if data_mode == 'blur_bicubic':
        predeblur = True
    if data_mode == 'blur' or data_mode == 'blur_comp':
        predeblur, HR_in = True, True
    if stage == 2:
        HR_in = True
        back_RBs = 20
    model = EDVR_arch.EDVR(128, N_in, 8, 5, back_RBs, predeblur=predeblur, HR_in=HR_in)

    #### dataset
    if data_mode == 'Vimeo90':
        test_dataset_folder = '../../dataset/VideoSR/vimeo_septuplet_matlabLRx4/sequences'
        GT_dataset_folder = '../../dataset/VideoSR/vimeo_septuplet/sequences'
    else:
        if stage == 1:
            test_dataset_folder = '../datasets/REDS4/{}'.format(data_mode)
        else:
            test_dataset_folder = '../results/REDS-EDVR_REDS_SR_L_flipx4'
            print('You should modify the test_dataset_folder path for stage 2')
        GT_dataset_folder = '../datasets/REDS4/GT'

    #### evaluation
    crop_border = 0
    border_frame = N_in // 2  # border frames when evaluate
    # temporal padding mode
    if data_mode == 'Vimeo90' or data_mode == 'sharp_bicubic':
        padding = 'new_info'
    else:
        padding = 'replicate'
    save_imgs = True

    save_folder = '../results/{}'.format(data_mode)
    util.mkdirs(save_folder)
    util.setup_logger('base', save_folder, 'test', level=logging.INFO, screen=True, tofile=True)
    logger = logging.getLogger('base')

    #### log info
    logger.info('Data: {} - {}'.format(data_mode, test_dataset_folder))
    logger.info('Padding mode: {}'.format(padding))
    logger.info('Model path: {}'.format(model_path))
    logger.info('Save images: {}'.format(save_imgs))
    logger.info('Flip test: {}'.format(flip_test))

    #### set up the models
    model.load_state_dict(torch.load(model_path), strict=True)
    model.eval()
    model = model.to(device)
    
    avg_psnr_l, avg_psnr_center_l, avg_psnr_border_l = [], [], []
    subfolder_name_l = []

    #### read vimeo-90 test dataset
    testfilename = '../../dataset/VideoSR/vimeo_septuplet/sep_testlist.txt'
    testf = open(testfilename, 'r')
    subfolder_l = []
    subfolder_GT_l = []
    for tf in testf:
        subfolder_l.append(osp.join(test_dataset_folder, tf[:-1]))
        subfolder_GT_l.append(osp.join(GT_dataset_folder, tf[:-1]))
    subfolder_l = sorted(subfolder_l)
    subfolder_GT_l = sorted(subfolder_GT_l)
    #print(subfolder_l, subfolder_GT_l)

    #### read Vid4
    #subfolder_l = sorted(glob.glob(osp.join(test_dataset_folder, '*')))
    #subfolder_GT_l = sorted(glob.glob(osp.join(GT_dataset_folder, '*')))
    # for each subfolder
    
    for subfolder, subfolder_GT in zip(subfolder_l, subfolder_GT_l):
        subfolder_name = subfolder[-10:]
        subfolder_name_l.append(subfolder_name)
        save_subfolder = osp.join(save_folder, subfolder_name)

        img_path_l = sorted(glob.glob(osp.join(subfolder, '*')))
        max_idx = len(img_path_l)
        if save_imgs:
            util.mkdirs(save_subfolder)

        #### read LQ and GT images
        imgs_LQ = data_util.read_img_seq(subfolder)
        img_GT_l = []
        for img_GT_path in sorted(glob.glob(osp.join(subfolder_GT, '*'))):
            img_GT_l.append(data_util.read_img(None, img_GT_path))

        avg_psnr, avg_psnr_border, avg_psnr_center, N_border, N_center = 0, 0, 0, 0, 0

        # process each image
        for img_idx, img_path in enumerate(img_path_l):
            img_name = osp.splitext(osp.basename(img_path))[0]
            select_idx = data_util.index_generation(img_idx, max_idx, N_in, padding=padding)
            imgs_in = imgs_LQ.index_select(0, torch.LongTensor(select_idx)).unsqueeze(0).to(device)

            if flip_test:
                output = util.flipx4_forward(model, imgs_in)
            else:
                output = util.single_forward(model, imgs_in)
            output = util.tensor2img(output.squeeze(0))

            if save_imgs:
                cv2.imwrite(osp.join(save_subfolder, '{}.png'.format(img_name)), output)

            # calculate PSNR
            output = output / 255.
            GT = np.copy(img_GT_l[img_idx])
            # For REDS, evaluate on RGB channels; for Vimeo90, evaluate on the Y channel
            if data_mode == 'Vimeo90':  # bgr2y, [0, 1]
                GT = data_util.bgr2ycbcr(GT, only_y=True)
                output = data_util.bgr2ycbcr(output, only_y=True)

            output, GT = util.crop_border([output, GT], crop_border)
            crt_psnr = util.calculate_psnr(output * 255, GT * 255)
            logger.info('{:3d} - {:25} \tPSNR: {:.6f} dB'.format(img_idx + 1, img_name, crt_psnr))

            if img_idx >= border_frame and img_idx < max_idx - border_frame:  # center frames
                avg_psnr_center += crt_psnr
                N_center += 1
            else:  # border frames
                avg_psnr_border += crt_psnr
                N_border += 1

        avg_psnr = (avg_psnr_center + avg_psnr_border) / (N_center + N_border)
        avg_psnr_center = avg_psnr_center / N_center
        avg_psnr_border = 0 if N_border == 0 else avg_psnr_border / N_border
        avg_psnr_l.append(avg_psnr)
        avg_psnr_center_l.append(avg_psnr_center)
        avg_psnr_border_l.append(avg_psnr_border)

        logger.info('Folder {} - Average PSNR: {:.6f} dB for {} frames; '
                    'Center PSNR: {:.6f} dB for {} frames; '
                    'Border PSNR: {:.6f} dB for {} frames.'.format(subfolder_name, avg_psnr,
                                                                   (N_center + N_border),
                                                                   avg_psnr_center, N_center,
                                                                   avg_psnr_border, N_border))

    logger.info('################ Tidy Outputs ################')
    for subfolder_name, psnr, psnr_center, psnr_border in zip(subfolder_name_l, avg_psnr_l,
                                                              avg_psnr_center_l, avg_psnr_border_l):
        logger.info('Folder {} - Average PSNR: {:.6f} dB. '
                    'Center PSNR: {:.6f} dB. '
                    'Border PSNR: {:.6f} dB.'.format(subfolder_name, psnr, psnr_center,
                                                     psnr_border))
    logger.info('################ Final Results ################')
    logger.info('Data: {} - {}'.format(data_mode, test_dataset_folder))
    logger.info('Padding mode: {}'.format(padding))
    logger.info('Model path: {}'.format(model_path))
    logger.info('Save images: {}'.format(save_imgs))
    logger.info('Flip test: {}'.format(flip_test))
    logger.info('Total Average PSNR: {:.6f} dB for {} clips. '
                'Center PSNR: {:.6f} dB. Border PSNR: {:.6f} dB.'.format(
                    sum(avg_psnr_l) / len(avg_psnr_l), len(subfolder_l),
                    sum(avg_psnr_center_l) / len(avg_psnr_center_l),
                    sum(avg_psnr_border_l) / len(avg_psnr_border_l)))


if __name__ == '__main__':
    main()

运行结果确实和论文中Y通道的PSNR结果一致：
在这里插入图片描述

在这里插入图片描述

change_things
关注
  • 14
    点赞
  • 踩
  • 21
    收藏
    觉得还不错? 一键收藏
  • 6
    评论
专栏目录
EDVR: 基于增强可变形卷积网络的视频恢复 、【附源码】环境搭建、代码测试、视频超分重建【2019】
专注于AI领域前沿技术学习与分享：目标检测、图像修复、超分重建、AI工程化
01-20 1313
EDVR: 基于增强可变形卷积网络的视频恢复 、【附源码】环境搭建、代码测试、视频超分重建【2019】
EDVR_REDS_deblur_L.pth
06-10
EDVR_(training dataset)_(track name)_(model complexity) track name. There are four tracks in the NTIRE 2019 Challenges on Video Restoration and Enhancement: SR: super-resolution with a fixed down...
MMediting中EDVR模型的训练与推理
c2146788的博客
12-17 2146
最近在学习视频超分（VSR）相关内容，在使用MMediting工具包的时候很难找到比较全的使用方法，在此，将自己使用EDVR模型进行训练和推理的过程分享出来。
EDVR_Vimeo90K_SR_L.pth
06-10
开源视频增强项目EDVR 训练好的模型EDVR_Vimeo90K_SR_L Name convention EDVR_(training dataset)_(track name)_(model complexity) track name. There are four tracks in the NTIRE 2019 Challenges on Video Restoration and Enhancement: SR: super-resolution with a fixed downsampling kernel (MATLAB bicubic downsampling kernel is frequently used). Most of the previous video SR methods focus on this setting. SRblur: the inputs are also degraded with motion blur. deblur: standard deblurring (motion blur). deblurcomp: motion blur + video compression artifacts. model complexity L (Large): # of channels = 128, # of back residual blocks = 40. This setting is used in our competition submission. M (Moderate): # of channels = 64, # of back residual blocks = 10.
超分辨重建——SRGAN网络训练自己数据集与推理测试（详细图文教程）
最新发布
qq_40280673的博客
06-03 1252
SRGAN通过利用生成对抗网络（GAN）来实现单图像超分辨率重建。传统的方法如基于均方误差（MSE）的优化通常会导致图像平滑且缺乏细节，而SRGAN通过引入感知损失函数（perceptual loss），使得重建的图像不仅在像素级别上更接近高分辨率图像，而且在感知质量上也更加接近真实图像。
视频超分：EDVR（EDVR: Video Restoration with Enhanced Deformable Convolutional Networks）
WangsyHebut的博客
09-28 3655
论文：EDVR：视频超分与加强的可变形卷积网络 文章检索出处： 2019 ICCV仅供学习使用，请勿转载。
使用远程服务器进行EDVR代码复现全过程（应该是全网最详细了）
Kyrie_151的博客
08-29 1735
因此这个任务对我来说困难重重，举步维艰，我在网上查找了EDVR复现的详细教程，找了几篇讲的都很简略，对我这种什么都不懂的小白来说很不友好，于是经过将近两个月的艰难摸索并成功复现代码后，我决定将整个过程记录下来，写一篇更详细的博客。数据集下载好后，需要整合训练和测试数据，创建lmdb（这一步可以省略，因为我运行文件时报了一堆错，不知道怎么改，就放弃这一步了，不过不影响后续训练和测试），以及测试，按照说明文档操作就行，但要注意在文件中修改数据集路径，否则会报错：找不到数据集。
EDVR——代码调试+训练
WinerChopin的博客
07-18 8955
2019年CVPR的文章EDVR: Video Restoration with Enhanced Deformable Convolutional Networks，做的是视频处理（包括视频帧的超分辨率技术与去模糊），从结构上看能够处理应用于任意书品转换的强监督任务；文中最亮眼的地方在于他提出了保证时序一致性（temporal consistency）的新方法，不是使用光流（optical fl...
全部的EDVR预训练模型
11-23
EDVR 超分辨率，GitHub上代码没有预训练模型。这里提供了官方全部的。----------------------------------------------------------------------------
basicvsr 仓库中的edvr deblur pretrained model
07-06
basicvsr 仓库中的edvr deblur pretrained model
basicvsr 仓库中的edvr deblur uncomp pretrained model
07-06
basicvsr 仓库中的edvr deblur uncomp pretrained model
devtoolset-7-runtime-7.1-4.el7.x86_64.rpm
12-10
离线安装包，亲测可用
网络流量数据集——Moore
03-28
经典的Moore网络流量集，是Moore等人采集的剑桥大学的流量数据，可用于网络流量识别分类等领域。
视频超分、图像超分常用数据集Vimeo90K的下载及处理
happyrobot01的博客
08-24 7892
vimeo90k数据集下载链接： http://toflow.csail.mit.edu/ 下载时点击最下方的训练集测试集一起下载即可，共计82G.数据集中已经划分了训练集和测试集，并给出了划分的txt以及4倍下采样后的图像。 在视频超分中，常常需要将图像转存为lmdb格式，该格式下运行速度更快，并且是依赖于缓存的。下面提供了将vimeo90K数据转换为lmdb格式的代码：create_lmdb.py """Create lmdb files for [General images (291 im
视频插帧数据集
牧野的博客
02-16 8295
Vimeo-90K Vimeo-90K是在论文Video Enhancement with Task-Oriented Flow（IJCV 2019）里提出的，数据集地址： http://toflow.csail.mit.edu/ 图源http://toflow.csail.mit.edu/ 整个数据集是从vimeo.com网站上收集的89800个视频片段上生成的，涵盖了多种场景和多种运动形态。 数据集包含两个子集，一个是“Triplet dataset”，一个是“Septuplet dataset
Video Super-Resolution with Recurrent Structure-Detail Network阅读笔记
Gedulding的博客
02-25 2741
Video Super-Resolution with Recurrent Structure-Detail Network （视频超分与循环的结构-细节网络） 文章检索出处：2020 ECCV 论文：https://arxiv.org/abs/2008.00455 本篇笔记分为三部分：1，全文大致浏览。2，关键图文以及结构分析。3，实验分析。 1，全文大致浏览 （1）摘要 简单叙述本文特点以及提出的内容，本文提出新的循环视频超分算法，对比过去借助时间滑动窗口中的相邻帧然后超分单个参考帧，以...
BasicVSR(CVPR2021)复现过程
weixin_42130300的博客
05-10 7954
BasicVSR（CVPR2021）复现
深度学习之DCN
Ton的博客
04-15 8025
这篇文章介绍了一种可针对空间不变性的卷积方法，不同于常规的卷积网络种卷积核和待提取feature map是相同的(假设dilation=1)，可变形卷积(Deformable Convolution Networks)的待提取feature map可能是任意变形之后的一个个采样点。DCN的提出使得网络不再对经过变换之后的输入敏感，即增加了空间不变性。 Note： 本文只介绍论文中的可变形卷积部分，而没有介绍论文中的可变形ROI池化部分。 参考目录： ①深度学习可形变卷积 ②源码 ③深度学习之 DCN（.
2022.3.7 cv
lmx001206的博客
03-07 548
basicvsr 有参考RBPN这个的方法 常用的词语： BI：双三次采样 它即可以上采样，也可以下 BD：模糊下采样。同上，一般一次测试中 就用其中一个就可以 2020之前现有的超分模型都在Basicvsr文章做了对比 Basic用reds训练时，输入的时15帧。而用Vimeo-90k时7帧，但是通过了翻转，所以等同于14帧。 vimeo90k数据全是gt的，先给它四倍下采样。然后gt最后，只要最中间的那张即可。这是照着测试集来的（划分来的）。（这个gt中的第四个我也没单独拿出来，它的代码..
将Edvr.cfg文件解析为一个Config结构体
05-27
假设`Edvr.cfg`文件内容如下： ``` [General] Version=1.0 Name=Edvr [Parameters] InputFile=input.mp4 OutputFile=output.mp4 FrameRate=30 ``` 可以通过以下步骤将`Edvr.cfg`文件解析为一个`Config`结构体： 1. 定义`Config`结构体，包含`General`和`Parameters`两个结构体。`General`结构体包含版本号和名称，`Parameters`结构体包含输入文件名、输出文件名和帧率。 ```c typedef struct { struct { float version; char name[50]; } general; struct { char input_file[100]; char output_file[100]; int frame_rate; } parameters; } Config; ``` 2. 编写解析函数，读取`Edvr.cfg`文件，并将读取的内容存储到`Config`结构体中。 ```c #include <stdio.h> #include <stdlib.h> #include <string.h> Config parse_config_file(const char* file_name) { Config config = {0}; char line[100]; char section[20] = ""; FILE* fp; fp = fopen(file_name, "r"); if (fp == NULL) { printf("Failed to open file: %s\n", file_name); return config; } while (fgets(line, sizeof(line), fp) != NULL) { // 去除行末换行符 if (line[strlen(line) - 1] == '\n') { line[strlen(line) - 1] = '\0'; } // 处理段落信息 if (line[0] == '[' && line[strlen(line) - 1] == ']') { strcpy(section, line + 1); section[strlen(section) - 1] = '\0'; } else { // 处理键值对信息 char* key = strtok(line, "="); char* value = strtok(NULL, "="); if (strcmp(section, "General") == 0) { if (strcmp(key, "Version") == 0) { config.general.version = atof(value); } else if (strcmp(key, "Name") == 0) { strncpy(config.general.name, value, sizeof(config.general.name) - 1); config.general.name[sizeof(config.general.name) - 1] = '\0'; } } else if (strcmp(section, "Parameters") == 0) { if (strcmp(key, "InputFile") == 0) { strncpy(config.parameters.input_file, value, sizeof(config.parameters.input_file) - 1); config.parameters.input_file[sizeof(config.parameters.input_file) - 1] = '\0'; } else if (strcmp(key, "OutputFile") == 0) { strncpy(config.parameters.output_file, value, sizeof(config.parameters.output_file) - 1); config.parameters.output_file[sizeof(config.parameters.output_file) - 1] = '\0'; } else if (strcmp(key, "FrameRate") == 0) { config.parameters.frame_rate = atoi(value); } } } } fclose(fp); return config; } ``` 上面的代码中，使用`fgets()`函数逐行读取`Edvr.cfg`文件的内容，然后根据行内容的不同，分别处理段落信息和键值对信息。具体来说： - 如果行内容以方括号开头和结尾，说明这是一个段落信息，需要将方括号中的内容作为当前段落的名称。 - 如果行内容中包含等号，说明这是一个键值对信息，需要将等号左边的字符串作为键，等号右边的字符串作为值。根据当前段落的名称和键的名称，将值存储到`Config`结构体的相应字段中。 3. 调用解析函数，读取`Edvr.cfg`文件并打印配置信息。 ```c int main() { Config config; config = parse_config_file("Edvr.cfg"); printf("General:\n"); printf("Version: %.1f\n", config.general.version); printf("Name: %s\n", config.general.name); printf("Parameters:\n"); printf("InputFile: %s\n", config.parameters.input_file); printf("OutputFile: %s\n", config.parameters.output_file); printf("FrameRate: %d\n", config.parameters.frame_rate); return 0; } ``` 上面的代码中，调用`parse_config_file()`函数解析`Edvr.cfg`文件，并将解析结果存储到`config`结构体中。然后，打印`config`结构体中的各个字段。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值