ছবির জন্য ওপেন সোর্স পাইথন API

নিউরাল এনহান্স দিয়ে শুরু করা

নিউরাল এনহান্স ইনস্টল করার প্রস্তাবিত উপায় হল ডকারের মাধ্যমে। নিউরাল এনহান্স ইনস্টল করতে অনুগ্রহ করে নিম্নলিখিত কমান্ডটি ব্যবহার করুন।

docker run --rm -v `pwd`:/ne/input -it alexjc/neural-enhance --help

বিনামূল্যে পাইথন API এর মাধ্যমে ছবি উন্নত করুন

নিউরাল-এনহ্যান্স API প্রোগ্রামগতভাবে ছবিগুলিকে উন্নত করার অনুমতি দেয়। API কমান্ডের একটি তালিকা প্রদান করে যা আপনি API-এ উপলব্ধ প্রাক-প্রশিক্ষিত মডেলের সাথে ব্যবহার করতে পারেন। API ব্যবহার করে, আপনি JPEG আর্টিফ্যাক্ট, জুম ফ্যাক্টর মেরামত করতে সুপার-রেজোলিউশন স্ক্রিপ্ট চালাতে পারেন, একক রানের মাধ্যমে একাধিক গুণমানের ছবি প্রক্রিয়া করতে পারেন এবং আউটপুট চিত্রগুলি প্রদর্শন করতে পারেন। কোডের এই এক লাইন ব্যবহার করে আপনি সহজেই আপনার ছবিগুলিকে উন্নত করতে পারেন৷

পাইথনের মাধ্যমে ছবি উন্নত করুন

1. কমান্ড প্রম্পট খুলুন
2. enhance.py ডিরেক্টরিতে যান
3. নিম্নলিখিত কমান্ডটি চালান এবং উন্নত করার জন্য ফাইলের ধরন, মেরামত, জুম বিকল্প এবং চিত্র পাথ পাস করুন

# Run the super-resolution script to repair JPEG artefacts, zoom factor 1:1.
python3 enhance.py --type=photo --model=repair --zoom=1 broken.jpg
# Process multiple good quality images with a single run, zoom factor 2:1.
python3 enhance.py --type=photo --zoom=2 file1.jpg file2.jpg
# Display output images that were given `_ne?x.png` suffix.
open *_ne?x.png
  

পাইথনের মাধ্যমে সুপার-রেজোলিউশন ছবি প্রশিক্ষণ

ওপেন সোর্স ইমেজ লাইব্রেরি নিউরাল এনহ্যান্স আপনার ছবিগুলিকে আপনার নিজস্ব উপায় ব্যবহার করে প্রশিক্ষণ দেয়। এপিআই ডিফল্ট প্রাক-প্রশিক্ষিত মডেলের সাথে আসে, আপনি আপনার ইমেজ ডেটাসেটের উপর ভিত্তি করে প্যারামিটার ব্যবহার করে আপনার নিজস্ব প্রক্রিয়াকে প্রশিক্ষণ দিতে পারেন। আপনি কাগজ থেকে উপলব্ধিমূলক ক্ষতি ব্যবহার করে আপনার মডেলকে প্রশিক্ষণ দিতে পারেন, একটি প্রতিকূল সেটআপ ব্যবহার করে আপনার মডেলকে প্রশিক্ষণ দিতে পারেন এবং আরও অনেক কিছু।

# Pre-train the model using perceptual loss from paper [1] below.
python3.4 enhance.py --train "data/*.jpg" --model custom --scales=2 --epochs=50 \
    --perceptual-layer=conv2_2 --smoothness-weight=1e7 --adversary-weight=0.0 \
    --generator-blocks=4 --generator-filters=64
# Train the model using an adversarial setup based on [4] below.
python3.4 enhance.py --train "data/*.jpg" --model custom --scales=2 --epochs=250 \
         --perceptual-layer=conv5_2 --smoothness-weight=2e4 --adversary-weight=1e3 \
         --generator-start=5 --discriminator-start=0 --adversarial-start=5 \
         --discriminator-size=64
# The newly trained model is output into this file...
ls ne?x-custom-*.pkl.bz2