EDSR-PyTorch复现

最新推荐文章于 2024-09-13 22:24:06 发布
最新推荐文章于 2024-09-13 22:24:06 发布
阅读量8.1k 收藏 54
点赞数 12
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。
本文链接：https://blog.youkuaiyun.com/yldmkx/article/details/107587034
版权
本文档详细介绍了如何复现EDSR-PyTorch项目，包括从指定链接下载预训练模型，解决在运行过程中遇到的如pickle错误、模型属性不匹配、CUDA内存不足等问题，并提供了相关解决方案的链接和代码片段。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1. 下载模型

先去下载预训练模型，然后放到相应路径，https://cv.snu.ac.kr/research/EDSR/model_pytorch.tar ，最后在运行命令中的--pre_train指定模型路径。

 

2. 遇到的问题及相应解决方案

1. Can't pickle local object 'checkpoint.begin_background..bg_target'

解决：去掉命令中的--save_results参数，然后要保存图像处理结果的话，直接写代码，代码（转自https://github.com/thstkdgus35/EDSR-PyTorch/issues/91）如附录1

2.'checkpoint' object has no attribute 'queue'（注释了程序中--save_results相关代码导致）

解决：把程序src/trainer.py 中和save_results相关的代码全都注释干净如附录二

最低0.47元/天 解锁文章
（EDSR论文实现）pytorch复现1
qq_40107571的博客
07-07 2464
残差模块常见的残差模块如下图左边，是由两个卷积层组成 。右边是瓶颈残差模块。这里的1*1的卷积是用来进行升维和降维的。 上采样模块。这里的上采样模块分别可以实现2，3，4倍上采样。通常上采样模块放在模型的尾端。这里使用的亚像素卷积层。......
EDSR-PyTorch
02-12
关于PyTorch 1.2.0 现在master分支默认支持PyTorch 1.2.0。 由于严重的版本问题（尤其是torch.utils.data.dataloader），MDSR功能被暂时禁用。 如果您必须训练/评估MDSR模型，请使用旧版分支。 EDSR-PyTorch 关于PyTorch 1.1.0 1.1.0更新进行了较小的更改。 现在，我们默认情况下支持PyTorch 1.1.0，如果您喜欢旧版本，请使用旧版分支。 此存储库是CVPRW 2017，第二版NTIRE的PyTorch官方实现，该论文为“用于单图像超分辨率的增强型深度残差网络” 。 您可以从找到原始代码和更多信息。 如果您发现我们的工作对您的研究或出版物有用，请引用我们的工作： [1] Bee Lim，Sanghyun Son，Heewon Kim，Seungjun Nah和Kyoung Mu Lee，
基于pytorch的EDSR代码复现
literacy_wang的博客
04-22 7941
在官网上将EDSR代码下载后，用pycharm打开 读了readme文件，提到可以先测试图像。所以下面是先测试图像的过程 第一步：下载预训练模型 readme文件里有给出链接，将下载的预训练模型保存至experiment/test/model下 第二步，改option.py中的路径 将option.py中的文件里面带有预训练的路径改为刚刚下载好的预训练模型路径 第二行的extend是什么目前还没有研究，后期再说，也顺便改了。 测试的路径不用改，代码给出了一个鸟的测试图片，就是…//test 第三步，改m
EDSR-PyTorch-master.zip
08-28
超级分辨率MDSR带有训练好的模型文件文件PNSR为29.5还不错虽然和官方的相差7个点，还是可以去掉一些边缘马赛克的
EDSR复现
那些年踩过的“坑”
04-26 1017
经典 EDSR模型的复现
EDSR-PyTorch代码复现【linux服务器】
weixin_44374783的博客
03-20 1834
1、根据原论文作者所提供的代码进行下载2、配置环境官方提供的环境配置要求如下：创建环境，并根据要求进行配置。（我这边的pytorch版本为pytorch，需要根据服务器上cuda的版本匹配进行配置）基本上的库使用conda install xxx就能进行安装。3、下载预训练模型在README.md文件中下载预训练模型，并放置到EDSR-PyTorch/experiment/test/model中（并不是一定要按这个位置存放）
图像超分辨率算法EDSR的Pytorch版本复现代码，适合新手，修改后无bug，含制作好的h5数据集和最优PSNR的模型权重文件
04-12
pytorch环境：torch1.9.1+cuda11.1 再安装好所需的包即可运行。 文件目录： data：数据集和生成h5数据集的matlab文件 Set5：测试集Set5（matlab生成的.mat格式，不用matlab生成这个格式计算的PSNR有偏差，这样最准...
EDSR-pytorch复现anaconda环境配置
weixin_37897927的博客
03-13 2434
同学接到了老师的任务复现某篇SR论文，其中参考了EDSR。打算用anaconda配个环境~ EDSR源代码GitHub链接 论文链接： Bee Lim, Sanghyun Son, Heewon Kim, Seungjun Nah, and Kyoung Mu Lee, "Enhanced Deep Residual Networks for Single Image Super-Resolution 整个配置过程都挺顺利的，出错的话可以在评论区发一下我们讨论一下哈 一、环境需要 github上给出的环境依
EDSR-PyTorch:PyTorch版本的论文《增强的深度残差网络用于单图像超分辨率》（CVPRW 2017）
05-11
关于PyTorch 1.2.0 现在，master分支默认支持PyTorch 1.2.0。 由于严重的版本问题（尤其是torch.utils.data.dataloader），MDSR功能被暂时禁用。 如果您必须训练/评估MDSR模型，请使用旧版分支。 EDSR-PyTorch 关于PyTorch 1.1.0 1.1.0更新进行了较小的更改。 现在，我们默认情况下支持PyTorch 1.1.0，如果您喜欢旧版本，请使用旧版分支。 该存储库是CVPRW 2017，第二版NTIRE的PyTorch官方实现，其论文为“用于单图像超分辨率的增强型深度残差网络” 。 您可以从找到原始代码和更多信息。 如果您发现我们的工作对您的研究或出版物有用，请引用我们的工作： [1] Bee Lim，Sanghyun Son，Heewon Kim，Seungjun Nah和Kyoung Mu Lee
超分辨率matlab代码-pytorch-edsr:EDSR的Pytorch实施（CVPR2017）
05-26
超分辨率matlab代码PyTorch EDSR 在PyTorch中实施CVPR2017研讨会论文：“增强的深度残差网络以实现单图像超分辨率”（） 用法 训练 usage: main_edsr.py [-h] [--batchSize BATCHSIZE] [--nEpochs NEPOCHS] [--lr LR] [--step STEP] [--cuda] [--resume RESUME] [--start-epoch START_EPOCH] [--threads THREADS] [--momentum MOMENTUM] [--weight-decay WEIGHT_DECAY] optional arguments: -h, --help show this help message and exit --batchSize BATCHSIZE training batch size --nEpochs NEPOCHS number of epochs to train for --lr LR Learning Rate. Default=1e-4 --step STEP
高性能图像超分辨率——EDSR-PyTorch
gitblog_00018的博客
03-23 669
高性能图像超分辨率——EDSR-PyTorch 项目地址:https://gitcode.com/gh_mirrors/ed/EDSR-PyTorch 项目简介 是一个基于PyTorch实现的深度学习模型，用于图像的超分辨率处理。该模型源自Sang-Hyun Son等人在2017年的论文《Enhanced Deep Residual Networks for Single Image Super-...
高性能图像超分辨率模型 EDSR-PyTorch：深度学习增强你的视觉体验
gitblog_00021的博客
03-23 739
高性能图像超分辨率模型 EDSR-PyTorch：深度学习增强你的视觉体验 项目地址:https://gitcode.com/gh_mirrors/eds/EDSR-PyTorch 在数字图像处理领域，超分辨率（Super-Resolution）是一种恢复低分辨率图像为高分辨率的技术。 是一个基于 PyTorch 的高效、灵活的实现，它提供了 Enhanced Deep Residual Netw...
EDSR图像超分辨程序复现（踩坑及解决记录）
Sunny_Coder的博客
09-15 3262
EDSR图像超分辨程序复现（踩坑及解决记录）
pytorch：EDSR 生成训练数据的方法
weixin_33995481的博客
12-09 2216
Pytorch：EDSR 生成训练数据的方法 引言 Winter is coming 正文 pytorch提供的DataLoader 是用来包装你的数据的工具. 所以你要将自己的 (numpy array 或其他) 数据形式装换成 Tensor, 然后再放进这个包装器中. 使用 DataLoader 有什么好处呢? 就是他们帮你有效地迭代数据, 举例: import torch import ...
2017EDSR
qq_45033722的博客
03-17 4136
概要 该文开发了一种增强的深度超分辨率网络(EDSR)，其性能超过了目前最先进的SR方法。其的模型的显著性能改进是通过去除传统残差网络中不必要的模块（Batch Normalization）进行优化。在稳定训练（Residual Scaling）过程的同时，通过扩大模型尺寸进一步提高了性能。该文还提出了一种新的多尺度深度超分辨率系统(MDSR)和训练方法，该方法可以在单一模型中重建不同放大因子的高分辨率图像。 1. 背景 最近，深度神经网络在SR问题中在峰值信号调比(PSNR)方面提供了显著的性能。然而，这
【图像超分】论文复现：万字长文！Pytorch实现EDSR！代码修改无报错！踩坑全记录！适合各种深度学习新手！帮助你少走弯路！附修改后的代码和PSNR最优的模型权重文件！
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
04-16 2945
Pytorch实现EDSR！代码修改无报错！踩坑全记录！适合各种深度学习新手！帮助你少走弯路！附修改后的代码和PSNR最优的模型权重文件！讲解细致，EDSR流程全通，代码注释丰富，适合新手入门阅读！深度思考，踩坑报错全记录，代码中均已修正！python实现matlab中的RGB转YCbCr，解决matlab.engine无法使用的问题！EDSR的性能与论文接近！
【EDSR代码问题】【Pytorch1.1】ImportError: cannot import name '_update_worker_pids' from 'torch._C'
Arthur_Holmes的博客
11-19 2818
从5月3日开始，恢复Colab上的EDSR模型训练，文件dataloader.py开始报错： ImportError: cannot import name '_update_worker_pids' 仔细看了下原来是Colab上默认pytorch版本变成了1.1，由于没试过Colab上pytorch版本回滚...
EDSR-PyTorch 项目安装和配置指南
gitblog_09483的博客
09-13 660
EDSR-PyTorch 项目安装和配置指南 EDSR-PyTorch PyTorch version of the paper 'Enhanced Deep Residual Networks for Single Image Super-Resolution' (CVPRW 2017) ...
edsr-pytorch怎么训练
最新发布
11-19
在`edsr-pytorch`项目中训练EDSR模型通常涉及以下几个步骤： 1. **准备数据**： - 安装好`torch`, `torchvision`, 和其他的必要库。 - 准备高分辨率图像(HR)和低分辨率图像(LR)数据集。HR图像通常是LR图像经过上采样得到的，以便于对比。 2. **数据预处理**： - 对输入图像进行缩放、归一化等操作，比如通过`torchvision.transforms`创建变换。 - 将数据拆分为训练集和验证集。 3. **定义模型**： - 从`edsr_pytorch.models`模块中导入EDSR类，并根据需要设置网络参数，如输入通道数、输出通道数、残差块的数量和上采样因子。 ```python from edsr_pytorch.models import EDSR model = EDSR(in_chans=3, out_chans=3, n_resblocks=16, scale=4) ``` 4. **定义损失函数和优化器**： - 选择适合的损失函数，例如均方误差(MSE)或 Structural Similarity Index Measure (SSIM)，然后使用`torch.optim`初始化优化器，如Adam。 5. **训练循环**： - 调整学习率，设置迭代次数或训练周期。 ```python learning_rate = 1e-4 optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate) for epoch in range(num_epochs): for lr, hr in dataloader: # 执行前向传播、计算损失、反向传播和优化步骤 pred = model(lr) loss = criterion(pred, hr) loss.backward() optimizer.step() # 更新参数 optimizer.zero_grad() # 清空梯度 ``` 6. **保存模型**： 当训练达到期望的性能或者完成一定轮次后，可以保存模型以便后续使用。 7. **评估和调试**： 使用验证集对模型性能进行评估，根据指标（如PSNR或SSIM）调整超参数或改进模型。
评论 21
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