# image-super-resolution

**Repository Path**: sunziping2016/image-super-resolution

## Basic Information

- **Project Name**: image-super-resolution
- **Description**: No description available
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2020-05-11
- **Last Updated**: 2024-06-04

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 1 获取并预处理数据集

```bash
cd data
wget http://images.cocodataset.org/zips/unlabeled2017.zip
mv unlabeled2017 coco-unlabeled2017-origin
python3 -m venv venv
source venv/bin/active # 这个命令需要在之后所有命令运行前运行
pip install -r requirements.txt
python preprocessing.py data/coco-unlabeled2017-origin data/coco-unlabeled2017
```

# 2 训练SRCNN

```bash
python main.py --save_path save/SRCNN --gpu 0
```

- `save_path`：保存model的路径，默认为`save/test`，**强烈建议给定**；
- `gpu`：使用哪些GPU，可以给定多个，如`--gpu 0,1`，但多个GPU的速度没有同时跑多个项目那么划算，**不给定会用CPU跑**；
- `load`：如果训练中断了，可以通过这个参数指定从哪个epoch开始，默认每10个epoch保存一次模型，可通过`--save_every_epoch`参数修改。

如果显存不够报错就减少batch size，类似`--batch_size 32`，默认是64。

跑实验的的时候可以运行。

```bash
tensorboard --logdir runs
```

打开浏览器访问服务器的6006号端口，这样可以查看运行的进度，应该能观察到loss下降。PSNR和SSIM越高越好，MSE越低越好。


可以通过下面的命令生成测试图片：

```bash
python main.py --save_path save/SRCNN --gpu 0 --task generate --load 200
```

这里按照需要修改`load`的值。

# 2 训练ESPCN

训练和生成的方法与SRCNN类似。

```bash
python main.py --save_path save/ESPCN --gpu 0 --model ESPCN
python main.py --save_path save/ESPCN --gpu 0 --model ESPCN --task generate --load 200
```

# 3 训练RCAN

RCAN的模型比较大，有两个参数控制了模型的大小，分别是`--n_resgroups`和`--n_resblocks`，默认值为10和20。在我的2GB显存的电脑上，这两个值设置为`4`和`4`，加上`--batch_size 2`才跑得起。

```bash
python main.py --save_path save/RCAN --gpu 0 --batch_size 2 --model RCAN --n_resgroups 10 --n_resblocks 20
python main.py --save_path save/RCAN --gpu 0 --batch_size 2 --model RCAN --n_resgroups 10 --n_resblocks 20 --task generate --load 200
```