SwinIR实战：详细记录SwinIR的训练过程

中。
任务训练集测试集classical/lightweight image SRDIV2K (800 training images) or DIV2K +Flickr2K (2650 images)set5 + Set14 + BSD100 + Urban100 + Manga109 download allreal-world image SRSwinIR-M (middle size):
DIV2K (800 training images) +Flickr2K (2650 images) + OST (10324 images,sky,water,grass,mountain,building,plant,animal)
SwinIR-L (large size):
DIV2K + Flickr2K + OST + WED(4744 images) + FFHQ (first 2000 images, face) + Manga109 (manga) + SCUT-CTW1500 (first 100 training images, texts)
RealSRSet+5imagescolor/grayscale image denoisingDIV2K (800 training images) + Flickr2K (2650 images) + BSD500 (400 training&testing images) + WED(4744 images)grayscale: Set12 + BSD68 + Urban100
color: CBSD68 + Kodak24 + McMaster + Urban100 download allJPEG compression artifact reductionDIV2K (800 training images) + Flickr2K (2650 images) + BSD500 (400 training&testing images) + WED(4744 images)grayscale: Classic5 +LIVE1 download all
我下载了DIV2K数据集和 Flickr2K数据集，DIV2K大小有7G+，Flickr2K约20G。如果网速不好建议只下载DIV2K。

注：在选用classical任务，做训练时，只能使用DIV2K或者Flickr2K，不能把两种数据集放在一起训练，否则就出现维度对不上的情况，如下图：

暂时没有找到原因。

构建测试集，测试集的路径如下图：

由于表格中的测试集放在google，我不能下载，但是SwinIR的测试代码中有测试集，代码链接：https://github.com/JingyunLiang/SwinIR，下载下来直接复制到testsets文件夹下面。

构建训练集，将下载下来的DIV2K解压。将DIV2K_train_HR复制到trainsets文件夹下面，将其改为trainH。

将DIV2K_train_LR_bicubic文件夹的X2文件夹复制到trainsets文件夹下面，然后将其改名为trainL。

到这里，数据集部分就完成了，接下来开始训练。

训练

首先，打开options/swinir/train_swinir_sr_classical.json文件，查看里面的内容。

"task":"swinir_sr_classical_patch48_x2"

训练任务的名字。

"gpu_ids":[0,1]

选择GPU的ID，如果只有一快GPU，改为 [0]。如果有更多的GPU，直接往后面添加即可。

"scale":2//2,3,48

放大的倍数，可以设置为2、3、4、8.

"datasets":{"train":{"name":"train_dataset"// just name
    ,"dataset_type":"sr"//"dncnn"|"dnpatch"|"fdncnn"|"ffdnet"|"sr"|"srmd"|"dpsr"|"plain"|"plainpatch"|"jpeg","dataroot_H":"trainsets/trainH"// path of H training dataset. DIV2K (800 training images),"dataroot_L":"trainsets/trainL"// path of L training dataset

    ,"H_size":96//96/144|192/384|128/192/256/512. LR patch size isset to 48or64 when compared with RCAN or RRDB.,"dataloader_shuffle": true
    ,"dataloader_num_workers":4,"dataloader_batch_size":1// batch size 1|16|32|48|64|128. Total batch size =4x8=32in SwinIR
  },"test":{"name":"test_dataset"// just name
    ,"dataset_type":"sr"//"dncnn"|"dnpatch"|"fdncnn"|"ffdnet"|"sr"|"srmd"|"dpsr"|"plain"|"plainpatch"|"jpeg","dataroot_H":"testsets/Set5/HR"// path of H testing dataset
    ,"dataroot_L":"testsets/Set5/LR_bicubic/X2"// path of L testing dataset

  }}

上面的参数是对数据集的设置。
“H_size”: 96 ，HR图像的大小，和下面的img_size有对应关系，大小设置为img_size×scale。

“dataloader_num_workers”: 4，CPU的核数设置。

“dataloader_batch_size”: 32 ，设置训练的batch_size。

dataset_type：sr，指的是数据集类型SwinIR。

"netG":{"net_type":"swinir","upscale":2//2|3|4|8,"in_chans":3,"img_size":48// For fair comparison, LR patch size isset to 48or64 when compared with RCAN or RRDB.,"window_size":8,"img_range":1.0,"depths":[6,6,6,6,6,6],"embed_dim":180,"num_heads":[6,6,6,6,6,6],"mlp_ratio":2,"upsampler":"pixelshuffle"//"pixelshuffle"|"pixelshuffledirect"|"nearest+conv"| null
    ,"resi_connection":"1conv"//"1conv"|"3conv","init_type":"default"}

upscale：2，放大的倍数，和上面的scale参数对应。

img_size：48，这里可以设置两个数值，48和64。和测试的training_patch_size参数对应。

官方提供的指令是基于DDP方式，比较复杂一下，好处是速度快。如下：

# 001 Classical Image SR (middle size)
python -m torch.distributed.launch --nproc_per_node=8 --master_port=1234 main_train_psnr.py --opt options/swinir/train_swinir_sr_classical.json  --dist True

# 002 Lightweight Image SR (small size)
python -m torch.distributed.launch --nproc_per_node=8 --master_port=1234 main_train_psnr.py --opt options/swinir/train_swinir_sr_lightweight.json  --dist True

# 003 Real-World Image SR (middle size)
python -m torch.distributed.launch --nproc_per_node=8 --master_port=1234 main_train_psnr.py --opt options/swinir/train_swinir_sr_realworld_psnr.json  --dist True
# before training gan, put the PSNR-oriented model into superresolution/swinir_sr_realworld_x4_gan/models/
python -m torch.distributed.launch --nproc_per_node=8 --master_port=1234 main_train_psnr.py --opt options/swinir/train_swinir_sr_realworld_gan.json  --dist True

# 004 Grayscale Image Deoising (middle size)
python -m torch.distributed.launch --nproc_per_node=8 --master_port=1234 main_train_psnr.py --opt options/swinir/train_swinir_denoising_gray.json  --dist True

# 005 Color Image Deoising (middle size)
python -m torch.distributed.launch --nproc_per_node=8 --master_port=1234 main_train_psnr.py --opt options/swinir/train_swinir_denoising_color.json  --dist True

# 006 JPEG Compression Artifact Reduction (middle size)
python -m torch.distributed.launch --nproc_per_node=8 --master_port=1234 main_train_psnr.py --opt options/swinir/train_swinir_car_jpeg.json  --dist True

我没有使用上面的方式，而是选择用DP的方式，虽然慢一点，但是简单，更稳定。

在Terminal里面输入：

python main_train_psnr.py --opt options/swinir/train_swinir_sr_classical.json

即可开始训练。

运行结果如下：

等待训练完成后，我们使用测试代码测试。将模型复制到./model_zoo/swinir文件夹下面

输入命令：

python main_test_swinir.py --task classical_sr --scale 2--training_patch_size 48--model_path model_zoo/swinir/45000_G.pth --folder_lq testsets/Set5/LR_bicubic/X2

然后在result下面可以看到测试结果。

完整的代码：

https://download.csdn.net/download/hhhhhhhhhhwwwwwwwwww/85258387

标签：深度学习计算机视觉人工智能

本文转载自: https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/124532737
版权归原作者 AI浩 所有，如有侵权，请联系我们删除。

SwinIR实战：详细记录SwinIR的训练过程

文章目录

SwinIR实战：详细记录SwinIR的训练过程。

下载训练代码

数据集

训练

完整的代码：

发表评论

“SwinIR实战：详细记录SwinIR的训练过程”的评论:

关于作者

overfit同步小助手

相关阅读

文章导航