基于b导的srgan直接对自己的数据集批量提升分辨率

#--------------------------------------------------------------#
#   对单张图片进行预测,运行结果保存在根目录
#   默认保存文件为results/predict_out/predict_srgan.png
#--------------------------------------------------------------#
from PIL import Image
import os

from srgan import SRGAN

if __name__ == "__main__":
    srgan = SRGAN()
    #----------------------------#
    #   单张图片的保存路径
    # 基于b导的srgan直接对自己的数据集批量提升分辨率
    # 需要修改的地方有两个,save_path(提升分辨率后,图片保存路径),path_old(待提升分辨率图片路径)
    #----------------------------#
    save_path = r"C:\Users\sun\Desktop\zhongzhi_srgan\train\No-Anomaly"
    path_old = r'C:\Users\sun\Desktop\b_classification_experimen_zhongzhi\classification-pytorch-main\datasets\train\No-Anomaly'
    picture_name = os.listdir(path_old)

    for picture_names in picture_name:
        path = os.path.join(path_old, picture_names)
        image = Image.open(path)
        save_path_1x1 = os.path.join(save_path, picture_names)
        r_image = srgan.generate_1x1_image(image)
        r_image.save(save_path_1x1)
        # 这里就不显示了  一张一张显示太麻烦
        # r_image.show()
  • 1
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
SRGAN(Super-Resolution Generative Adversarial Networks)是一种用于单张图像超分辨率重建的深度学习模型,它结合了生成对抗网络(GAN)和卷积神经网络。训练自己的数据集通常涉及以下步骤: 1. 数据准备: - 收集低分辨率(LR)和高分辨率(HR)的图像对。低分辨率图像作为输入,高分辨率图像作为目标输出。你可以从互联网上找到公共的超分辨率数据集,如Set5, Set14, BSDS100等,或者自行制作。 - 数据预处理:将图片转换为统一的大小和格式,通常使用的是RGB色彩空间,并进行归一化。 2. 数据增强: - 为了增加模型泛化能力,可以进行一些基本的数据增强操作,如随机裁剪、旋转、缩放和翻转。 3. 安装必要的库: - 使用Python和深度学习框架如TensorFlow或PyTorch,可能还需要像torch.utils.data这样的数据加载工具。 4. 编写数据加载器: - 创建一个自定义的数据加载器,以便在训练过程中加载和处理图像对。 5. 实现模型代码: - 根据SRGAN的结构,实现 Generator(生成器)、Discriminator(判别器)以及它们的训练过程。 - 生成器使用上采样层进行图像放大,同时加入反卷积和残差连接。 - 判别器用于判断真实图像和生成的图像的真实性。 6. 训练循环: - 设定损失函数,包括生成器损失(通常包含L1或L2损失和感知损失)、判别器损失。 - 进行对抗训练,交替更新生成器和判别器的权重。 7. 模型保存和评估: - 训练完成后,定期保存最佳模型,可以通过计算PSNR或SSIM等指标来评估模型性能。 8. 使用自己的数据集训练: - 将上述步骤应用到你的特定数据集上,调整批量大小、学习率等参数以适应新的数据。
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