模型实战（18）之C++ - tensorRT部署GAN模型实现人脸超分辨重建

已于 2023-12-21 23:04:25 修改
阅读量442 收藏
点赞数
分类专栏： # 深度学习实战例程 文章标签： c++ 生成对抗网络 人工智能 神经网络 visualstudio
于 2023-12-21 23:03:50 首次发布
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/yohnyang/article/details/135142163
版权
深度学习实战例程 专栏收录该内容
24 篇文章 117 订阅 ¥39.90 ¥99.00
订阅专栏

模型实战（18）之C++ - tensorRT部署GAN模型实现人脸超分辨重建

  • 一个实现人脸超分辨率重建的demo
  • 支持StyleGAN: GPEN or GFPGAN
  • 通过C++ - tensorrt 快速部署，推理速度每帧 在RTX3090上5.5ms+，RTX3050上10ms+
  • 下边是实现效果（图片来源于网络search，如若侵权，联系删除）
    在这里插入图片描述
  • 下边给出实现步骤：

1. 模型转换

  • 下载模型至本地
    Download the model (BaiduPan pwd: yxt7 or Google Drive)
  • 通过tensorrt安装路径下的./bin文件夹中的trtexec工具编译生成engine

                

                
                
        

        

        

    




        

            

                

                

                了解本专栏
                
                
                  
                订阅专栏 解锁全文
                 
            

        

    

      

        

            

              
                
                  明月醉窗台
                
              
            

            

                关注
              
            

        

        

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

      

      

            

                专栏目录
          

                

                        订阅专栏
                










                



	

		

			

				
					
使用TensorRT C++部署YOLOv10实现GPU加速-C++源码与模型

				
			

			

				

					06-04
				

			

		

		

			
				
NVIDIA TensorRT 是一款用于高性能深度学习推理的 SDK，包含深度学习推理优化器和运行时，可为推理应用程序提供低延迟和高吞吐量。YOLOv10是清华大学研究人员近期提出的一种实时目标检测方法，通过消除NMS、优化模型架构和引入创新模块等策略，在保持高精度的同时显著降低了计算开销，为实时目标检测领域带来了新的突破。


该代码将演示如何使用NVIDIA TensorRT C++ API 部署YOLOv10目标检测模型，实现模型推理加速。经过测试，推理可以实现2ms所有，全流程包含前后处理仅有15ms左右。

此处提供了项目源码以及模型文件。

			
		

	



                

              
                



	

		

			

				
					
facenet人脸检测+人脸识别+性别识别+表情识别+年龄识别的C++部署

				
			

			

				

					qq_23022733的博客
				

				

					04-16
					
					1112
					
				

			

		

		

			
				
TAO工具包基于TensorFlow和PyTorch构建，采用了迁移学习的技术，可以将用户自己的模型或预训练模型与实际或合成数据进行适配，并针对目标平台进行推理吞吐量的优化，从而使整个训练过程变得更加简单、高效。TAO工具包的使用不需要专业的人工智能知识或大量的训练数据集，因此，它可以帮助更多的人轻松进入深度学习的领域，快速实现各种应用场景。运行环境：Tensorflow。运行环境：TensorRT。运行环境：TensorRT。运行环境：TensorRT。运行环境：TensorRT。

			
		

	



                


  
              

                


	

		

			

				
					
探索人脸识别新纪元：TensorRT2.1插件API实践 - Face-Recognition项目深度解析

					
最新发布

				
			

			

				

					gitblog_00042的博客
				

				

					06-02
					
					408
					
				

			

		

		

			
				
探索人脸识别新纪元：TensorRT2.1插件API实践 - Face-Recognition项目深度解析
项目地址:https://gitcode.com/AastaNV/Face-Recognition

在这个快速发展的智能时代，人脸识别技术正以前所未有的速度融入我们的日常。今天，我们将带您深入了解一个令人兴奋的开源项目——Face-Recognition，它基于TensorRT2.1的强大...

			
		

	





	

		

			

				
					
C++实现超分辨率重建 ESRGAN (一) 数据池

				
			

			

				

					juebai123的博客
				

				

					03-19
					
					1225
					
				

			

		

		

			
				
本来还想实现下 AdaIN 风格转换中的`-preserveColor`选项（保留内容图像的颜色）
但是一看 coral 函数太复杂，吓倒我了，以后再说吧。


看到《ESRGAN-master》有两个测试模型下载:"RRDB_ESRGAN_x4.pth","RRDB_PSNR_x4.pth"，试试这个吧。
ESRGAN（增强型SRGAN）(增强型超分辨率生成对抗网络)
在[PIRM2018-SR...

			
		

	



		

			
		



	

		

			

				
					
libtorch c++复现cycle gan网络

				
			

			

				

					一千零一夜的博客
				

				

					01-10
					
					1154
					
				

			

		

		

			
				
libtorch c++实现cycle gan深度学习网络，用于图像风格变换、图像分割、深度估计、提取图像边缘

			
		

	





	

		

			

				
					
智能老旧模糊照片修复——C++实现GFPGAN模型推理

				
			

			

				

					知来者逆的博客
				

				

					02-09
					
					2917
					
				

			

		

		

			
				
老旧照片修复，基于深度学习，C++实现模型部署

			
		

	





	

		

			

				
					
itk registration 2

				
			

			

				

					fanre的专栏
				

				

					10-18
					
					343
					
				

			

		

		

			
				
参考：https://itk.org/ITKSoftwareGuide/html/Book2/ITKSoftwareGuide-Book2ch3.html#x26-1740003.18

3.2 “hello world”配准

https://github.com/InsightSoftwareConsortium/ITK/blob/master/Examples/RegistrationITKv4/ImageRegistration1.cxx




#include "itkImageRegist..

			
		

	





	

		

			

				
					
TensorRT-使用TensorRT部署Yolov3-Tiny模型-优质算法部署项目实战.zip

				
			

			

				

					02-28
				

			

		

		

			
				
在本项目实战中，我们将深入探讨如何利用NVIDIA的高性能深度学习推理库TensorRT来部署Yolov3-Tiny模型，这是一个针对目标检测任务优化的轻量级神经网络。目标检测是计算机视觉领域的重要组成部分，它能识别图像或...

			
		

	





	

		

			

				
					
TensorRT-使用TensorRT部署transformer图像重建模型MST++算法-优质算法部署项目实战.zip

				
			

			

				

					02-28
				

			

		

		

			
				
在本项目实战中，我们将深入探讨如何利用TensorRT这一高效的深度学习推理库，来部署一个基于Transformer架构的图像重建模型MST++。TensorRT的主要优势在于其能够对复杂的神经网络模型进行优化，以达到更快的运行速度...

			
		

	





	

		

			

				
					
TensorRT-使用TensorRT+Cpp部署retinaface人脸检测算法-算法加速-优质算法部署项目实战.zip

				
			

			

				

					02-28
				

			

		

		

			
				
总结来说，这个项目实战旨在帮助开发者理解如何利用TensorRT和C++实现RetinaFace人脸检测算法的高性能部署，这对于深度学习模型在边缘计算和服务器端的应用有着重要的实践意义。通过学习和实践，开发者可以提升其在...

			
		

	





	

		

			

				
					
TensorRT-使用tensorrt+cpp部署MTCNN人脸检测算法-优质算法部署项目实战.zip

				
			

			

				

					02-28
				

			

		

		

			
				
在实际部署中，C++接口用于与TensorRT交互，实现模型的加载、执行和结果处理。需要注意的是，由于MTCNN包含多个网络，可能需要对每个网络进行独立的构建和执行流程。  此外，项目实战中可能还会涉及以下方面：  1. *...

			
		

	





	

		

			

				
					
TensorRT-使用TensorRT部署LaneTT模型-优质算法部署项目实战.zip

				
			

			

				

					03-04
				

			

		

		

			
				
在本实践项目中，我们将深入探讨如何利用TensorRT这一高效的深度学习推理框架，来部署LaneTT模型，从而实现优质的算法部署。TensorRT是NVIDIA公司推出的一款针对深度学习推理优化的库，它能够显著提高模型在GPU上的...

			
		

	





	

		

			

				
					
c++ 生成一张图片_如何应用TFGAN快速实践生成对抗网络？

				
			

			

				

					weixin_33513255的博客
				

				

					01-20
					
					215
					
				

			

		

		

			
				
如何应用TFGAN快速实践生成对抗网络？编辑｜DebraAI 前线导读：生成对抗网络(Generative Adversarial Nets ，GAN)目前已广泛应用于图像生成、超分辨率图片生成、图像压缩、图像风格转换、数据增强、文本生成等场景。越来越多的研发人员从事 GAN 网络的研究，提出了各种 GAN 模型的变种，包括 CGAN、InfoGAN、WGAN、CycleGAN 等。为了更容易地应...

			
		

	





	

		

			

				
					
32位C++改编 对抗(SRGAN)之生成(generator)超分辨重建 ---（一）内存数据

				
			

			

				

					juebai123的博客
				

				

					11-15
					
					561
					
				

			

		

		

			
				
前面准备工作已做得差不多了，现在开始

原始框图：

 



实现框图：



上图中的双三次放大是没有的，图像就不重发了（或者等有空再重发吧）。

定义基本单位：


struct 基本单位//残差块半层数据 
{
		层数据 *卷积层; 
		bool 有无BatchNorm_beta;
		int 归一化长度;
		//gamma 缩放 为固定值 1.0
		float *	BatchNo...

			
		

	





	

		

			

				
					
人脸高清算法GFPGAN之TensorRT推理

				
			

			

				

					qq_33221533的博客
				

				

					03-01
					
					1891
					
				

			

		

		

			
				
人脸高清模型GFPGAN的TensorRT推理

			
		

	





	

		

			

				
					
深度学习模型部署TensorRT加速（十）：TensorRT部署分析与优化方案（一）

				
			

			

				

					chenhaogu的博客
				

				

					09-15
					
					1981
					
				

			

		

		

			
				
模型推理性能分析：使用工具如TensorRT Profiler、PyTorch Profiler、TensorFlow Profiler等，可以对模型的推理性能进行详细分析，包括推理时间、内存占用、吞吐量等指标。这些工具可以帮助确定模型中的瓶颈，进而优化模型和系统配置。经过上述学习，已经掌握了tensorrt的优化方案以及优化指标。可以针对性地对模型采取不同的优化方案进行改进，下章将介绍如何利用tensorrt提供的API进行性能数据和改进部署方案！！！！

			
		

	





	

		

			

				
					
超分辨率(1)--基于GAN实现图像超分辨率重建

				
			

			

				

					GodFishhh的博客
				

				

					03-06
					
					3274
					
				

			

		

		

			
				
基于GAN网络实现图像超分辨率重建流程详解

			
		

	





	

		

			

				
					
C# GFPGAN 图像（人脸面部）修复

				
			

			

				

					.NET 人工智能实践
				

				

					10-15
					
					884
					
				

			

		

		

			
				
C# GFPGAN 图像修复

			
		

	





	

		

			

				
					
基于TensorRT和C++推理的SOTA图像超分辨率网络

				
			

			

				

					认真努力，做一只会飞的毛毛虫。
				

				

					08-29
					
					1772
					
				

			

		

		

			
				
1. 超分一张图像所用的时间取决于tile的size，也就是把一张图片拆分成多大的块来进行推理的，通过tile_size可以控制显存和速度。比如tile_size设为128*128，而原图是256*256，那就是把原图切成4块，每块尺寸为148*148（有一个prepading=10,为每一块进行扩边的操作），然后分4次把148*148的块进行推理，再把这4块得到的结果拼起来组成最后的结果。对于realesrgan-x4模型，将tilesize设置为64，在1660上每个tile大概70ms。
2. 转成e

			
		

	





	

		

			

				
					
vs2019 c++ tensorrt部署深度学习模型

				
			

			

				

					05-14
				

			

		

		

			
				
TensorRT是一个基于NVIDIA GPU的高性能推断引擎，用于加速深度学习推理应用程序。TensorRT支持各种深度学习框架，包括TensorFlow、PyTorch、Caffe和MXNet等。

部署深度学习模型使用TensorRT的过程中，VS2019 C可以作为开发工具。首先需要借助深度学习框架将训练好的模型进行转换和优化。TensorRT提供了一些工具和API供开发者使用，其中包括TensorRT的C++ API，使用C++ API可以直接将模型部署到TensorRT上。

此外，还需要注意一些性能优化技巧。例如，可以使用INT8量化减少模型的计算量和模型体积，还可以通过降低网络的精度来提高推理性能。还需要了解一些GPU计算相关知识，如GPU硬件架构、GPU内存分配等等。

总之，使用VS2019 C和TensorRT部署深度学习模型需要具备一定的深度学习和GPU计算相关知识，并且需要对TensorRT的API进行深入研究和调试，以获得较好的性能和效果。

			
		

	



              



  
“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	
	

	
	




  

    

      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
            

          

        

        

          

          

          

        

      

    

    

  





	
打赏作者

	

		

		
			
		
		

		

			
明月醉窗台

			
你的鼓励将是我创作的最大动力

		

	

	

			

	

	

    ¥1
    ¥2
    ¥4
    ¥6
    ¥10
    ¥20
	

	

		

			

				

					扫码支付：¥1
				

				

					

					
					获取中
					

				

				

					
					
					扫码支付
				

			

		

		

			
您的余额不足，请更换扫码支付或充值

			
打赏作者

		

	



      
      

      
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