EnlightenGAN代码复现错误总结

最新推荐文章于 2024-04-13 21:33:50 发布
最新推荐文章于 2024-04-13 21:33:50 发布
阅读量1.3k 收藏 11
点赞数
文章标签： python Powered by 金山文档
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/lrddddd/article/details/129389932
版权

最近复现代码，期间会遇到许多错误，也是借助CSDN解决了一些问题，想着把自己遇到的问题和废了些功夫才找到的解决办法记录一下，也和大家分享一下。

这里用到的是Github下载的代码和数据集。https://github.com/VITA-Group/EnlightenGAN

  1. 路径问题

很多解决方法说是文件夹放错了位置，我试了下确实没解决我的问题。于是开始老老实实看代码，确实是路径读取的错误。

一个个点开错误信息，发现unaligned_dataset.py的这句存在问题，主要是A训练集的位置问题。

结合(24条消息) os.path.join()函数用法详解_osp.join_swan777的博客-CSDN博客中os.path的用法，想起之前为解决某些问题配置了一个dataroot的参数如下，第二张parameters处。

将parameters信息改为如下，错误即解决。

我的文件夹位置放置如下图所示

lrddddd
关注
  • 0
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 12
    评论
EnlightenGAN的代码运行过程问题记录
qq_41876456的博客
06-19 7625
运行过程 Running process 1、代码：https://github.com/VITA-Group/EnlightenGAN 2、conda创建虚拟环境： conda create -n enlighten python=3.5 3、进入项目文件夹，打开终端 conda activate enlighten pip install -r requirement.txt 4、创建文件夹mkdir mkdir model 5、下载VGG pretrained model，放入mod
EnlightenGan源码测试
wgbzj的博客
03-10 3878
1相关准备 相应的pytorch环境这里就不赘述了，enlightenGan的源码在github可以直接下载，大家自行下载。 2测试环节 1：用pycharm打开下载好的源码，按下图的目录结构创建文件夹：checkpoints/enlightening和model 2：在checkpoints/enlightening和model文件夹下分别放入网络模型和VGG的模型，模型可以在github上下载到，下载好了拉里面就行。 3：创建测试文件夹test_dataset。这个一定要注意！这个文件
EnlightenGAN
03-08
启蒙 IEEE图像处理交易，2020年， 代表性的结果 总体架构 环境准备 python3.5 您至少应准备3个1080ti GPU或更改批大小。 pip install -r requirement.txt mkdir model 从下载VGG预训练模型，然后将其放入目录model 。 培训过程 在开始培训过程之前，您应该启动visdom.server进行可视化。 nohup python -m visdom.server -port=8097 然后运行以下命令 python scripts/script.py --train 测试过程 下载并将其放入./checkpoints/enlightening 创建目录../test_dataset/testA和../test_dataset/testB 。 将您的测试映像放在../test_dataset/testA （并且您应该在
EnlightenGAN训练复现记录
L_27N113E的博客
04-18 1932
记录EnlightenGAN过程中的问题和解决方式。提示：以下是本篇文章正文内容，下面案例可供参考。
EnlightenGAN踩坑血泪记录
最新发布
weixin_47177911的博客
04-13 1254
EnlightenGAN代码复现运行踩坑记录，总结了EnlightenGAN网络复现的所有资源且免费提供网盘链接，避免科学上网困难，梳理热门指导贴，进行关联快速学习。
EnlightenGAN 开源代码运行
weixin_44504393的博客
02-20 8562
EnlightenGAN: Deep Light Enhancement without Paired Supervision工作公布于2019年，论文已被TIP 2021接收，其采用非成对数据训练了一个用于低照度图像增强的对抗生成网络模型，可以显著增强低照度图像的亮度及对比度，表现优异。 本文记录Windows10环境下运行开源代码的主要步骤及测试过程中遇到的问题和解决办法。
代码调试记录EnlightenGAN 一
Alkaidsimon的博客
07-23 850
FileNotFoundError: [WinError 3] 系统找不到指定的路径。/dataset/50kshoes_edges’论文源码要求python==3.5 我的是3.9。在“data”文件夹中的代码基本上都需要更改路径。论文源码要求python==3.5 我的是3.9。在“data”文件夹中的代码基本上都需要更改路径。与上述一中的原因一致，需要将路径降低一个级。原因：python版本不同。自己创建文件夹并加入数据集。原因：python版本不同。
复现EnlightenGAN遇到的问题小结2
lrddddd的博客
04-20 444
服务器复现enlightenGAN遇到的一些问题
DBGAN代码复现
Dwyane_Legend的博客
10-23 695
公司想做道路病害的识别，但是根据之前路采的视频，很少能截到地面裂缝或者坑洼的图片。 收集图片，是为了训练所用，目前，这类图片只有不到十张。boss想让我用数据增强或者GAN的方式来生成一些新的图像作为数据集。结果是我用了100张百度搜的图像作为训练集，使用DBGAN生成图像效果极差，几乎认不出来生成的东西是什么。 这个路子，行不通了。 不过记一下代码复现的过程吧。 参考的博客是这个 https://blog.csdn.net/c2a2o2/article/details/78535795?utm_
EnlightenGAN-master_GAN低光_图像增强_
10-01
总结来说，"EnlightenGAN-master"是低光图像增强领域的一个重要突破，它利用GAN技术在单一图像上进行训练，降低了对数据对和计算资源的需求，同时也展示了深度学习在解决实际问题中的强大潜力。通过理解和应用...
Python-EnlightenGAN图像光线增强DeepLightEnhancementwithoutPairedSupervision
08-11
EnlightenGAN - (图像光线增强)Deep Light Enhancement without Paired Supervision
EnlightenGAN:[IEEE TIP'2021]“ EnlightenGAN
05-24
启蒙 IEEE图像处理交易，2020年， 代表性的结果 总体架构 环境准备 python3.5 您至少应准备3个1080ti GPU或更改批次大小。 pip install -r requirement.txt mkdir model 从下载VGG预训练模型，然后将其放入目录model 。 培训过程 在开始培训过程之前，您应该启动visdom.server进行可视化。 nohup python -m visdom.server -port=8097 然后运行以下命令 python scripts/script.py --train 测试过程 下载并将其放入./checkpoints/enlightening 创建目录../test_dataset/testA和../test_dataset/testB 。 将您的测试映像放在../test_dataset/testA （并且您应
EnlightenGAN_对抗网络_网络对抗图片_生成对抗网络_enlightengan_enlightengan原理_源码.z
10-05
EnlightenGAN_对抗网络_网络对抗图片_生成对抗网络_enlightengan_enlightengan原理_源码.z
EnlightenGAN_对抗网络_网络对抗图片
09-29
EnlightenGAN_对抗网络_网络对抗图片_生成对抗网络_enlightengan_enlightengan原理_源码.rar
96原版_96年mpc论文代码复现_
10-04
在IT领域，特别是计算机科学与工程中，代码复现是一项重要的技能，它涉及到对已有算法或研究的重新实现，以验证其正确性、理解和优化。本项目“96原版_96年mpc论文代码复现”显然是针对1996年的一篇关于模型预测控制...
point-nerf复现代码
05-30
point-nerf复现代码，github上提供的源码比较乱，而且在复现的时候一直出现bug，于是在测试point-nerf时将里面的代码进行了更改。在源码的基础上，将nerf_synth360_ft_dataset.py；evaluate.py；test_ft.py；...
non-iid数据下的深度神经网络的分布式联邦学习  代码复现
09-13
Decentralized federated learning of deep neural networks on non-iid data non-iid数据下的深度神经网络的分布式联邦学习 代码复现  数据集：CIFAR-10 ，Fashion-MNIST  基线方案：① Random，随机八卦协议 ...
github代码复现
12-08
GitHub代码复现是指在GitHub上找到一个感兴趣或有用的开源代码项目，并通过阅读代码、运行代码并进行修改来重新实现或再次创建整个项目。 首先，需要在GitHub上搜索并找到目标项目。可以通过GitHub的搜索功能，输入关键词、项目名称、描述等来筛选出符合条件的项目。选择一个代码质量好、维护活跃的项目会更有保障。 一旦找到了目标项目，就可以clone（克隆）该项目到本地。可以使用git命令行或者通过GitHub Desktop等工具进行操作。克隆项目后，就可以在本地对代码进行修改、调试、定制等。 接下来，对项目进行配置和安装依赖。一般来说，项目中会有一个readme文件或者其他文档来指导配置环境和安装所需的依赖包。根据项目要求进行配置和安装。 然后，就可以运行项目了。根据项目的要求，可能需要提供一些参数或者数据集。根据项目的文档，在终端或者IDE中运行相应的命令或者程序。 当项目运行成功后，就可以根据自己的需求对代码进行修改和优化。可以根据项目的架构和实现逻辑进行更改，添加新的功能，或者提升代码的性能等。 最后，如果对项目的改进比较显著，可以考虑提交自己的贡献给项目的维护者。可以通过Fork项目、修改代码、提交Pull Request等方式向项目提交自己的改动。项目维护者会进行代码审查，并决定是否接受你的改动。 总之，GitHub代码复现是一个学习和交流的过程。通过复现别人的代码，可以提升自己的编程能力，了解项目的实现细节，还可以与其他开发者交流、合作，共同提高。
评论 12
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