1. Des produits
  2.   Image
  3.   Python
  4.   Neural Enhance
 
  

API Python open source pour les images

Super résolution pour les images utilisant le Deep Learning

Qu'est-ce que l'amélioration neurale ?

L'amélioration neuronale est un python à source ouverte API pour l'amélioration de l'image. Les API enrichissent l'image à l'aide de l'apprentissage profond, en utilisant les API pour former le réseau neuronal et le zoom 2x ou même 4x dans vos images. Vous pouvez améliorer les images en augmentant le nombre de neurones dans l'image, avec un ensemble de données semblable à votre image à faible résolution.

Vous pouvez améliorer vos images en utilisant à la fois le rendu CPU et GPU HQ. La génération d'une sortie 1080p sur GPU devrait prendre environ 5 ou 2 secondes par image et le rendu HQ du processeur devrait prendre environ 20 à 60 secondes pour une sortie 1080.

Previous Next

Premiers pas avec Neural Enhance

La méthode recommandée pour installer Neural Enhance est via Docker. Veuillez utiliser la commande suivante pour installer Neural Enhance.

Installer des améliorations neuronales par le biais d'un décideur

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

Améliorer les images via l'API Python gratuite

L'API Neural-Enhance permet d'améliorer les images par programmation. L'API fournit une liste de commandes que vous pouvez utiliser avec le modèle pré-formé disponible dans l'API. À l'aide de l'API, vous pouvez exécuter le script de super-résolution pour réparer les artefacts JPEG, les facteurs de zoom, traiter plusieurs images de qualité en une seule exécution et afficher les images de sortie. Vous pouvez facilement améliorer vos images en utilisant cette ligne de code

Améliorer les images via Python

  1. Ouvrir l'invite de commande
  2. Allez dans le répertoire enhance.py
  3. Exécutez la commande suivante et transmettez le type de fichier, la réparation, l'option de zoom et le chemin de l'image à améliorer

Améliorer les images via Python

# 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

Formation d'images en super-résolution via Python

La bibliothèque d'images Open Source Neural Enhance forme vos images à votre manière. L'API est livrée avec des modèles pré-formés par défaut, vous pouvez former votre propre processus en utilisant des paramètres basés sur votre jeu de données d'image. Vous pouvez former votre modèle en utilisant la perte de perception du papier, former votre modèle en utilisant une configuration contradictoire, et plus encore.

Utiliser des modèles pré-formés Formation Super-Resolution via Python API

# 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
 Français