mmlab的数据加载的过程：

mmlab项目里面代码复用性和解耦性比较高，代码调用方便，但是有的地方可读性不是很好。关于他的网络结构arch其实一般都还好，比较清晰简单。就是关于 数据加载和数据处理、还有这个loss 的计算和优化过程，一般进去看麻烦一些。主要是在这个restore里面看这些宏观上的东西。

这里讲下 盲超分和非盲超分 在数据处理过程的不同：

1 你如果会看数据处理地方的配置文件的话，就很清晰，也不用你自己debug进去一个一个看：

比如 在basicvsr：

这里截取的一部分训练数据集的处理代码：你看从文件夹中加载，盲超分就是只加载出一个gt

而非盲超分就是两个都加载。。还有通道格式也介绍的挺详细的

train_pipeline = [
    dict(
        type='LoadImageFromFileList',
        io_backend='disk',
        key='lq',
        channel_order='rgb'),
    dict(
        type='LoadImageFromFileList',
        io_backend='disk',
        key='gt',
        channel_order='rgb'),

real-basicvsr里面的就是：

dict(
    type='LoadImageFromFileList',
    io_backend='disk',
    key='gt',
    channel_order='rgb'),

然后实际代码中的数据处理地方都在这个runner 我觉得这是一个训练容器一样的。