API منبع باز پایتون برای تصاویر

شروع کار با Neural Enhance

روش توصیه شده برای نصب Neural Enhance از طریق Docker است. لطفا از دستور زیر برای نصب Neural Enhance استفاده کنید.

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

تصاویر را از طریق API رایگان پایتون تقویت کنید

Neural-Enhance API اجازه می دهد تا تصاویر را به صورت برنامه ریزی شده افزایش دهید. API فهرستی از دستورات را ارائه می دهد که می توانید با مدل از پیش آموزش دیده موجود در API استفاده کنید. با استفاده از API، می‌توانید اسکریپت با وضوح فوق‌العاده را برای تعمیر مصنوعات JPEG، فاکتورهای زوم، پردازش چندین تصویر با کیفیت با یک بار اجرا و نمایش تصاویر خروجی اجرا کنید. با استفاده از این یک خط کد به راحتی می توانید تصاویر خود را بهبود ببخشید

بهبود تصاویر از طریق پایتون

1. Command Prompt را باز کنید
2. به دایرکتوری enhance.py بروید
3. دستور زیر را اجرا کنید و نوع فایل، تعمیر، گزینه زوم و مسیر تصویر را پاس کنید تا بهبود یابد

# 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
  

آموزش تصاویر با وضوح فوق العاده از طریق پایتون

کتابخانه تصویر منبع باز نورال آموزش تصاویرتان را با روش خودتان تقویت می‌کند. API با مدل های از پیش آموزش داده شده پیش فرض ارائه می شود، شما می توانید فرآیند خود را با استفاده از پارامترهای مبتنی بر مجموعه داده تصویر خود آموزش دهید. شما می توانید مدل خود را با استفاده از از دست دادن ادراکی از کاغذ، آموزش مدل خود با استفاده از تنظیمات خصمانه و موارد دیگر آموزش دهید.

# 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