छवियों के लिए ओपन-सोर्स पायथन एपीआई

तंत्रिका वृद्धि के साथ शुरुआत करना

डॉकर के माध्यम से न्यूरल एन्हांस को स्थापित करने का अनुशंसित तरीका है। न्यूरल एन्हांस को स्थापित करने के लिए कृपया निम्न कमांड का उपयोग करें।

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

मुफ्त पायथन एपीआई के माध्यम से छवियों को बेहतर बनाएं

न्यूरल-एन्हांस एपीआई छवियों को प्रोग्रामेटिक रूप से बढ़ाने की अनुमति देता है। एपीआई उन आदेशों की एक सूची प्रदान करता है जिनका उपयोग आप एपीआई में उपलब्ध पूर्व-प्रशिक्षित मॉडल के साथ कर सकते हैं। एपीआई का उपयोग करके, आप जेपीईजी कलाकृतियों की मरम्मत के लिए सुपर-रिज़ॉल्यूशन स्क्रिप्ट चला सकते हैं, ज़ूम कारक, एक ही रन के साथ कई गुणवत्ता वाली छवियों को संसाधित कर सकते हैं और आउटपुट छवियों को प्रदर्शित कर सकते हैं। कोड की इस एक पंक्ति का उपयोग करके आप आसानी से अपनी छवियों को बेहतर बना सकते हैं

पायथन के माध्यम से छवियों को बढ़ाएं

1. ओपन कमांड प्रॉम्प्ट
2. एन्हांस.py निर्देशिका पर जाएं
3. निम्न आदेश चलाएँ और फ़ाइल प्रकार, मरम्मत, ज़ूम विकल्प, और छवि पथ को उन्नत करने के लिए पास करें

# 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
  

पायथन के माध्यम से सुपर-रिज़ॉल्यूशन छवियों का प्रशिक्षण

ओपन सोर्स इमेज लाइब्रेरी न्यूरल एन्हांस आपकी छवियों को अपने तरीके से प्रशिक्षित करती है। एपीआई डिफ़ॉल्ट पूर्व-प्रशिक्षित मॉडल के साथ आता है, आप अपने छवि डेटासेट के आधार पर मापदंडों का उपयोग करके अपनी प्रक्रिया को प्रशिक्षित कर सकते हैं। आप कागज से अवधारणात्मक नुकसान का उपयोग करके अपने मॉडल को प्रशिक्षित कर सकते हैं, अपने मॉडल को एक प्रतिकूल सेटअप का उपयोग करके प्रशिक्षित कर सकते हैं, और बहुत कुछ।

# 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