1. Produktai
  2.   Vaizdas
  3.   Python
  4.   Neural Enhance
 
  

Atvirojo kodo Python API vaizdams

Puiki raiška vaizdams naudojant gilųjį mokymąsi

Kas yra nervų stiprinimas?

„Neural Enhance“ yra atvirojo kodo „Python“ API, skirta vaizdo gerinimui. API pagerina vaizdą naudodama gilųjį mokymąsi, naudojant API galima treniruoti neuroninį tinklą ir 2x ar net 4x priartinti savo vaizdus. Galite pagerinti vaizdus padidindami neuronų skaičių vaizde, naudodami duomenų rinkinį, panašų į jūsų mažos skyros vaizdą.

Galite patobulinti savo vaizdus naudodami procesoriaus ir GPU atvaizdavimo HQ. 1080p išvesties generavimas naudojant GPU turėtų užtrukti maždaug 5 s arba 2 s vienam vaizdui, o centrinio procesoriaus atvaizdavimas HQ turėtų užtrukti apie 20–60 s, kad būtų galima gauti 1080 išvestį.

Previous Next

Darbo su Neural Enhance pradžia

Rekomenduojamas būdas įdiegti „Neural Enhance“ yra per „Docker“. Norėdami įdiegti Neural Enhance, naudokite šią komandą.

Įdiekite „Neural Enhance“ per „Docker“.

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

Patobulinkite vaizdus naudodami nemokamą Python API

Neural-Enhance API leidžia programiškai tobulinti vaizdus. API pateikia sąrašą komandų, kurias galite naudoti su iš anksto paruoštu modeliu, esančiu API. Naudodami API galite paleisti itin didelės raiškos scenarijų, kad pataisytumėte JPEG artefaktus, padidintumėte mastelio veiksnius, vienu paleidimu apdorotumėte kelis kokybiškus vaizdus ir parodytumėte išvesties vaizdus. Galite lengvai pagerinti savo vaizdus naudodami šią vieną kodo eilutę

Patobulinkite vaizdus naudodami Python

  1. Atidarykite komandų eilutę
  2. Eikite į enhance.py katalogą
  3. Vykdykite šią komandą ir pateikite failo tipą, taisymą, mastelio keitimo parinktį ir vaizdo kelią, kurį norite patobulinti

Patobulinkite vaizdus naudodami 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

Super-Resolution vaizdų mokymas naudojant Python

Atvirojo kodo vaizdų biblioteka „Neural Enhance“ moko vaizdus savaip. API pateikiami numatytieji iš anksto parengti modeliai. Galite išmokyti savo procesą naudodami parametrus, pagrįstus vaizdo duomenų rinkiniu. Galite išmokyti savo modelį naudodami suvokimo praradimą iš popieriaus, treniruoti modelį naudodami priešingą sąranką ir dar daugiau.

Naudokite iš anksto apmokytus modelius ir „Training Super-Resolution“ naudodami 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
 Lietuvių