FSRCNN训练

概述

简述

​ 超分辨率超卷积神经网络(SRCNN)作为一种成功应用的图像超分辨率(SR)深度模型，在速度和恢复质量上表现出了比之前更好的性能 。然而，高的计算成本仍然阻碍了它在需要实时性能的场景下使用。FSRCNN是一种紧凑的沙漏形CNN结构，可以实现更快、更好的进行SR。该模型提高了40倍以上的速度，恢复质量更好

• 参考论文：Accelerating the Super-Resolution Convolutional Neural Network (arxiv.org)
• 参考链接：yjn870/FSRCNN-pytorch: PyTorch implementation of Accelerating the Super-Resolution Convolutional Neural Network (ECCV 2016) (github.com)

默认配置

• 训练超参：
  • batch_size: 16
  • lr: 1e-3
  • num-epochs: 20
  • num-workers: 8
  • scale: 3 （根据需要设置为2,3,4。该参数进行修改时需要同时修改使用的训练集和验证集）

训练环境准备

• 硬件环境和运行环境准备请参见《CANN软件安装指南》
• 需要安装以下依赖
  • Numpy 1.15.4
  • Pillow 5.4.1
  • h5py 2.8.0
  • tqdm 4.30.0

快速上手

数据集准备

使用的训练集为91-image，验证集为Set5。

下载完数据集后运行prepare.py文件转换为h5py格式的数据。

python3 prepare.py --images-dir "images-dir" \
                --output-path "data/Set5_x3.h5" \
                --scale 3 

模型训练

• 单击“立即下载”，并选择合适的下载方式下载源码包。

• 开始训练。

  • 启动训练之前，首先要配置程序运行相关环境变量。

    环境变量配置信息参见：

    [Ascend 910训练平台环境变量设置](https://gitee.com/ascend/modelzoo/wikis/Ascend 910训练平台环境变量设置?sort_id=3148819)

  • 单卡训练

    1、 根据数据集实际路径配置data_path，使用命令行进行训练：

    ​ 训练时scale的值应该与train-file和eval-file选用的数据集保持一致。例如scale=4，则train-file为91-image_x4.h5，eval-file为Set5_x4.h5。

    python3 train.py --train-file "data/91-image_x3.h5" \
                    --eval-file "data/Set5_x3.h5" \
                    --outputs-dir "/outputs" \
                    --scale 3 \
                    --lr 1e-3 \
                    --batch-size 16 \
                    --num-epochs 20 \
                    --num-workers 8 \
                    --seed 123 

    2、精度指标

    PSNR	论文	GPU	NPU
    Scale2	37.12	37.06	37.03
    Scale3	33.22	33.61	33.56
    Scale4	30.50	30.48	30.45

    3、性能指标

    GPU	NPU
    2500 it/s	3800 it/s

高级参考

脚本和示例代码

│-datasets.py
│-LICENSE
│-models.py  模型定义
│-prepare.py h5py文件准备
│-README.md 
│-requirements.txt 所需包
│-test.py  测试单张图片效果
│-train.py 模型训练函数
│-utils.py 工具类
│-data 数据存储文件夹
├── test
│    ├──train_full_1p.sh                      //单卡全量训练启动脚本

​