python人工智能实例代码_人工智能python代码实现魔幻换天视频特效

魔幻换天视频：

python实现魔幻换天特效，特效前，特效后对比视频

视频前后特效对比图

前几期的视频，我们分享了python代码实现的魔幻换天的视频特效，如何使用python代码实现？本期文章我们简单介绍一下工作原理。

视频特效对比前后

首先，需要到如下链接下载整个项目的源码：

github.com/jiupinjia/SkyAR

下载完成后，解压后的文件目录如下：

源代码目录文件

然后到如下地址下载预训练模型：

drive.google.com/file/d/1COMROzwR4R_7mym6DL9LXhHQlJmJaV0J/view?usp=sharing
模型名称：checkpoints_G_coord_resnet50.zip

下载完成后，解压到skyAR的当前目录中，项目中多一个文件夹checkpoints_G_coord_resnet50，目录如下：

需要加载预训练模型

然后，需要安装requirement里面要求的第三方工具包：

如下第三方包是项目需要的包，需要安装到自己的电脑里面，否则代码无法运行
matplotlib
scikit-image
scikit-learn
scipy
numpy
torch
torchvision
opencv-python
opencv-contrib-python

特效前后对比图

待以上准备工作完成后，便可以简单修改一下源码进行运行代码，这里需要要求你已经安装好了cuda版本的pytorch或者CPU版本的pytorch，若电脑里面没有GPU可以使用，可以直接使用CPU进行代码的运行，代码修改如下：

首先打开skymagic.py文件，更改前代码如下：

import numpy as np
import matplotlib.pyplot as plt
import cv2
import os
import glob
import argparse
from networks import *
from skyboxengine import *
import utils
import torch

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

parser = argparse.ArgumentParser(description='SKYAR')
parser.add_argument('--path', type=str, default='./config/config-canyon-jupiter.json', metavar='str',
help='configurations')

代码截图

更改后代码如下：我们注销了2,12,16-18行的代码，并修改13行代码为device = torch.device( "cpu")，这里修改的意思是使用CPU运行代码，若你电脑上面已经安装好了cuda，可以忽略此处的修改

import numpy as np
import matplotlib.pyplot as plt
import cv2
import os
import glob
#import argparse
from networks import *
from skyboxengine import *
import utils
import torch

device = torch.device( "cpu")

#parser = argparse.ArgumentParser(description='SKYAR')
#parser.add_argument('--path', type=str, default='./config/config-canyon-jupiter.json', metavar='str',
# help='configurations')

代码截图

修改完成后，需要修改一下main 函数里面的代码

修改前代码的第188行使用parser来进行配置文件的读取

if __name__ == '__main__':

config_path = parser.parse_args().path
args = utils.parse_config(config_path)
sf = SkyFilter(args)
sf.run()

代码截图

修改后，我们可以直接配置config配置文件下的配置文件

if __name__ == '__main__':

config_path = 'config/config-canyon-sunset.json'
args = utils.parse_config(config_path)
sf = SkyFilter(args)
sf.run()

代码截图

配置文件如下：
{
"net_G": "coord_resnet50",
"ckptdir": "./checkpoints_G_coord_resnet50",

"input_mode": "video",
"datadir": "./test_videos/canyon.mp4",
"skybox": "rainy.jpg",

"in_size_w": 384,
"in_size_h": 384,
"out_size_w": 845,
"out_size_h": 480,

"skybox_cernter_crop": 0.5,
"auto_light_matching": false,
"relighting_factor": 0.6,
"recoloring_factor": 0.5,
"halo_effect": true,

"output_dir": "./eval_output",
"save_jpgs": false
}

"ckptdir": "./checkpoints_G_coord_resnet50这里是预训练好的模型

"input_mode": "video",这里是输入的格式，当然也可以输入一张照片，照片设置为seq

"datadir": "./test_videos/canyon.mp4",这里是需要处理的视频地址

"skybox": "rainy.jpg",这里是添加特效的图片或者视频

代码截图

其他参数可以默认设置

最后，直接在本目录文件夹下cmd对话框中输入：

python skymagic.py

便可以看到模型实时渲染的特效视频，代码运行完成，会在当前目录生成合成后的视频

视频特效对比

当然，你也可以使用自己的数据，进行模型的训练，模型的训练使用train.py代码，详细步骤可以参考文章中的链接进行学习，本文只是简单介绍一下代码的基本使用，其中涉及的pytorch人工智能神经网络的搭建，模型的训练等知识，也可以参考往期关于pytorch等方面的知识，后期我们也会分享此方面的知识，关于pytorch不同版本的安装说明，pytorch官网有详细的介绍可以参考

特效视频截图

最后展示几张特效后的照片，有关视频可以查看文章开头的2个视频链接，进行视频的观看

视频特效

视频特效