CompressAI benchmark经典/传统图像编码器的使用

原创 已于 2023-12-13 14:28:13 修改 · 872 阅读 · 9 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#图像处理 #视频编解码

于 2023-12-13 14:26:52 首次发布
本文介绍了如何在GitHub上的CompressAI项目中安装和使用BPG编解码器，包括依赖项（如yasm和SDL）的下载与安装，以及处理编译过程中遇到的numaundefined错误的解决方案。

文章目录

使用简介

  • CompressAI的github仓库中Usage-Evaluation给出了传统编解码器的使用帮助，但是并未给出详细的使用方法。本文旨在进行总结使用方法。下图是传统编解码器相关代码的存放地点，其中codecs为各种编解码器类的定义模块module，被__main__调用。
    传统编解码器相关代码的存放地点
  • 各个编解码器的输入参数的要求在codecs中可以找到，数据集路径参数是必须的。
# 要注意的是
# 在通过python -m script运行脚本的时候，不需要加上后缀
python -m __main__ jpeg
  • 在跑.bpg的时候，你会发现需要自己显式给出encoder和decoder的路径。而bpg的linux编解码器需要在这里可以找到，源码的编译须知在README中可以看到需要安装yasm和SDL。
  • 在安装的时候有个需要注意的地方，如果你和我一样是通过登录用户的方式连接服务器，那么在进行如下python包安装的时候需要在自己的用户目录下安装，而不是对所有用户生效（权限不够）。

安装依赖

最低0.47元/天 解锁文章
异常检测：基于自编码器的方法
AI天才研究院
08-07 1733
异常检测：基于自编码器的方法 1. 背景介绍 异常检测是机器学习和数据挖掘领域的一个重要课题,在工业生产、金融风控、网络安全等诸多领域有着广泛的应用。异常是指数据集中与大多数数据点有显著差异的少数样本,通常表现为偏离正常模式或规律。异常检测的目的是从大量正常数据中识别出这些异常点,为后续的分析
CompressAI 模型参数配置学习笔记
the_pxxboy的博客
05-24 1691
compressAI
CompressAI：基于pytorch的图像压缩框架使用
小夭的博客
07-12 8395
CompressAI: a PyTorch library and evaluation platform forend-to-end compression research，我的理解是一个基于图像（视频）压缩的API库。他是建立在 PyTorch 之上的，用于基于深度学习的数据压缩的自定义操作、层和模型，其中包括了基于tensorflow.compression压缩包的部分移植，还包括包括一些用于压缩任务的预训练模型。其中可以直接用到的模型来自以下几篇文献： 同时提供了与原作者实验对比的测试数据的性能
CompressAI:深度学习与传统图像压缩
qq_41627642的博客
12-27 1万+
CompressAI 构建在 PyTorch 之上，并提供：（1）基于深度学习的数据压缩的自定义操作、层和模型（2）官方TensorFlow 压缩库的部分移植（3）用于学习图像压缩的预训练端到端压缩模型（4）用于将学习模型与经典图像/视频压缩编解码器进行比较的评估脚本CompressAI 旨在通过提供资源来研究、实施和评估基于机器学习的压缩编解码器，让更多的研究人员为学习的图像和视频压缩领域做出贡献。
CompressAI 项目使用教程
gitblog_00112的博客
08-08 603
CompressAI 项目的目录结构如下： ``` CompressAI/ ├── compressai/ │ ├── __init__.py │ ├── ans/ │ ├── datasets/ │ ├── entropy_models/ │ ├── latent_codecs/ │ ├── layers/ │ ├── losses/ │ ├── models/...
CompressAI学习
ymy_ymy22的博客
07-13 3064
compressai学习笔记
CompressAI:用于端到端压缩研究的PyTorch库和评估平台
03-20
压缩AI CompressAI（ compress-ay ）是用于端到端压缩研究的PyTorch库和评估平台。 CompressAI当前提供： 用于基于深度学习的数据压缩的自定义操作，层和模型 官方库的部分端口 预训练的端到端压缩模型，用于学习图像压缩 评估脚本，将学习的模型与经典图像/视频压缩编解码器进行比较 注意：多GPU支持目前处于试验阶段。 安装 CompressAI仅支持python 3.6+（当前对PyTorch的支持<3.9）和PyTorch 1.4+。还需要C ++ 17编译器，最新版本的pip（19.0+）和常见的python软件包（有关完整列表，请参见setup.py ）。 要开始并安装CompressAI，请在运行以下命令： git clone https://github.com/InterDigitalInc/CompressAI compressai cd
端到端的图像压缩----《CompressAI: a PyTorch library for image research》论文笔记
叶子
01-11 8890
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar
nativejson-benchmark, C/C JSON解析器/生成器基准.zip
09-18
nativejson-benchmark, C/C JSON解析器/生成器基准 原生JSON基准Copyright(c) 2014 -2016 ( miloyip@gmail.com ) 简介这个基准测试使用JSON解析/生成功能评估 41开源 C/C 库的一致性和性能。 性能意味着速度。内存和...
benchmark函数的基本介绍和图像
10-12
benchmark函数的基本介绍 MATLAB图像 6个基本函数 Schaffer、Griewank、Rastrigin、Ackley、Rosenbrock、Sphere
image-matching-benchmark-baselines:图像匹配基准和挑战的基准
05-15
$ ~/image-matching-benchmark-baselines $ ls ../imw-2020/ british_museum lincoln_memorial_statue milan_cathedral piazza_san_marco sacre_coeur st_pauls_cathedral united_states_capitol florence_...
Python库 | compressai-1.2.0-cp38-cp38-macosx_10_14_x86_64.whl
05-30
资源分类：Python库 所属语言：Python 使用前提：需要解压 资源全名：compressai-1.2.0-cp38-cp38-macosx_10_14_x86_64.whl 资源来源：官方 安装方法：https://lanzao.blog.youkuaiyun.com/article/details/101784059
bgp-image-format:BPG（Better Portable Graphics）是一种基于HEVC的新型图像格式。 由法布里斯贝拉德开发。 http
07-07
BPG 图像编码器和解码器 BPG 是一个由开发的库。 项目官网为 快速介绍 编辑 Makefile 以更改编译选项（Linux 的默认编译选项应该没问题）。 输入“make”进行编译，输入“make install”安装编译好的二进制文件。 x265 使用：为了大大提高压缩速度（但质量较低），您可以编译和安装 x265，然后在 Makefile 中启用它。 当压缩级别（bpgenc 的“-m”选项）<9 时使用 x265。不幸的是，x265 尚不支持单色格式或无损模式，因此在这些情况下仍然需要 JCTVC 代码。 对于默认的 x265 编译，仅支持 8 位深度（因此您必须使用“-b 8”强制位深度为 8）。 Emscripten 用法：为了生成 Javascript 解码器，您必须安装 Emscripten 并在 Makefile 中启用它。 html/index.html 中提
CompressAI基于pytorch框架的图像压缩使用
热门推荐
ChandelerGause的博客
06-07 1万+
CompresssAI介绍 CompressAI 是将四篇基于深度学习端到端图像压缩代码从tensorflow搬移到了pytorch上，提供了完整的实例代码和使用教程，具体可以看CompressAI的Github官方库，同时提供了与传统图像编码方式的对比。CompressAI对图像压缩领域的新手来说是一个比较好的入手方向。 项目地址：CompressAI 项目使用教程 四篇端到端图像编码算法代码： 《End-to-end Optimized Image Compression》 《Variational I
Windows中利用anaconda进行compressai安装（超详细）
weixin_59066161的博客
07-03 2451
Windows中利用anaconda进行compressai安装（超详细）
Compressai模型复现笔记
2403_84678758的博客
10-04 2257
m 是指使用的模型名称，-d 就是数据集的路径，batch-size 训练时的批次量，要根据数据来选择，-lr 就是学习率（学习率不能太小了），-e 是epoch轮数，save保存好训练好的模型关键数据，cuda使用gpu,lambda是拉格朗日乘子（损失函数公式的那个系数）要确定自己在编译器的打开方式是正确的，如果是正确的，那么在compressai的这个大文件夹下面就可以正确打开examples目录。2.将它保存在自己的文件夹里面，（我自己用的是压缩包解压的形式，所以放到新的文件夹里面还要解压）
CompressAI 开源项目教程
gitblog_00090的博客
08-08 1352
CompressAI 是一个基于 PyTorch 的库和评估平台，用于端到端压缩研究。该项目提供了自定义操作、层和模型，用于基于深度学习的数据压缩。此外，它还包括官方 TensorFlow 压缩库的部分移植，以及预训练的端到端压缩模型，用于学习图像压缩。CompressAI 还提供了评估脚本，用于比较学习模型与经典图像/视频压缩编解码器。 ## 项目快速启动 ### 安装 首先，确保你已经安...
深度学习学习记录-1【端到端压缩/compressai/自编码器】
m0_52392211的博客
08-05 2609
compressai
【端到端图像压缩】CompressAI运行记录
weixin_44525180的博客
12-24 6689
期末作业要求运行端到端的图像压缩代码，过程中学习了csdn上诸多教程。这里将运行的过程分享出来。
图像编码器和解码器有哪些
最新发布
11-05
常见的图像编码器和解码器有多种类型。在引用中涉及到了一些编码器和解码器相关内容。 从编码器角度来看，有用于编码器 - 解码器框架的编码器，其输出的编码向量会被解码器接收作为初始隐状态输入，以传递输入序列的信息，不过未提及具体编码类型 [^1]。还有AnatoMask的分层图像编码器，用于处理CT图像，先将输入的CT图像划分为16×16×16的图像块，再进行随机掩码，之后用STU - Net处理图像，在STU - Net中使用稀疏子流形卷积来处理这些图像块 [^4]。另外，CompressAI benchmark中涉及经典/传统图像编码器，如编解码器类在codecs模块定义，被__main__调用，有jpeg、bpg等不同类型的编码器 [^3]。 从解码器角度，编码器 - 解码器框架中的解码器用于生成目标序列，一般通过RNN或Transformer实现，会逐步生成序列元素，在训练和推理阶段输入不同，且常使用注意力机制获取相关输入信息，还需要设计几个组件 [^1]。AnatoMask的分层图像编码器对应的是分层解码器，用于将经过处理变小的图像块重新放大，恢复到原来的大小或者中间的大小 [^4]。CompressAI benchmark中涉及与编码器对应的解码器，像bpg编解码器需要显式给出encoder和decoder的路径 [^3]。 此外，还提到了掩码解码器，在解耦蒸馏产生轻量级图像编码器后，可选择在冻结的轻量级图像编码器上微调掩模解码器或者将它们联合微调 [^2]。 ```python # 这里只是简单示意代码结构，并非完整可运行代码 # 以模拟编码器 - 解码器框架 class Encoder: def __init__(self): pass def encode(self, input_data): # 编码逻辑 return encoded_data class Decoder: def __init__(self): pass def decode(self, encoded_data): # 解码逻辑 return decoded_data encoder = Encoder() decoded = encoder.encode(input_data) decoder = Decoder() output = decoder.decode(decoded) ```
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值