backgroundMattingV2的pytorch验证（inference_images.py）

最近的时间花在了backgroundMattingV2上，它是前段时间比较火的AI抠图开源项目，网上关于他的实践代码较少，一点点把自己的实践过程记录一下。

下图是相应的配置。

--model-type 选择mattingbase或者mattingrefine，bacbone选择'resnet101', 'resnet50', 'mobilenetv2'其一，--model-checkpoint是backbone的预训练权重，（提取码b7wq）注意对应的权重要下载对，代码中的backbone也要改。

backbone_scale: 图像下采样的比例系数，通过指定模型进行下采样的多少，默认是0.25，不能超过0.5

--model-refine-mode是优化区域选择模式：

full : 所以地方都经过regular Conv2d层进行优化。优化整个图像，仅用于调试。

sampling : 仅对错误率最高的几处地方优化，它适用于每帧的计算和内存消耗有固定上限的实时应用。

thresholding ：对错误率超过指定阈值的像素区进行优化，动态优化错误超过阈值的所有像素，它适用于质量超过计算速度的图像编辑应用。

refine_sample_pixels：优化采样像素数

仅当优化模式为sampling时才能使用，输入整数数量，原代码中默认80000。

refine_threshold：优化阈值

输出的错误阈值，大小0-1，当错误值大于该值时的区域才会优化。仅当优化模式是thresholding时，该参数才有效。

refine_kernel_size：优化卷积核

优化的卷积核大小，选项是[1,3]

ackbone_scale=0.25, refine_sample_pixels=80000 for HD

backbone_scale=0.125, refine_sample_pixels=320000 for 4K.

准备工作：准备一张含有人和背景的图片放在imgsrc文件夹下，准备src图片一样的背景图片放在imgbg中。

因为在前一天进行了训练，时间太长，只训练了一轮，分别使用以下权重进行推断。

并在每个权重训练下，验证三种不同output-types的图片。