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。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“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 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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