前言
根据上一篇文章：Python图片视频超分模型RealBasicVSR的使用教程
我把项目进行的工具化调整，做成了对单一照片输入进行处理的工具。大家可以拿去直接集成到代码中使用。
github项目地址：工具项目地址
项目说明
项目结构如下
注意项
1、 checkpoints中的模型文件太大，上传不到github上，大家可以通过下面我分享的百度云盘地址下载，放到checkpoints目录中。
链接 提取码：1234
2、conda环境安装，我这里就不多叙述了，直接参考上一篇文章中的安装过程即可。
Python图片视频超分模型RealBasicVSR的使用教程
代码说明
主要的核心代码是inference_hy.py文件，代码如下：
#!/user/bin/env python
# coding=utf-8
"""
@project : hy_realbasicvsr
@author : 剑客阿良_ALiang
@file : inference_hy.py
@ide : PyCharm
@time : 2022-05-08 15:18:15
"""
import argparse
import glob
import os
import cv2
import mmcv
import numpy as np
import torch
import uuid
from mmcv.runner import load_checkpoint
from mmedit.core import tensor2img
from realbasicvsr.models.builder import build_model
def init_model(config, checkpoint=None):
if isinstance(config, str):
config = mmcv.Config.fromfile(config)
elif not isinstance(config, mmcv.Config):
raise TypeError('config must be a filename or Config object, '
f'but got {type(config)}')
config.model.pretrained = None
config.test_cfg.metrics = None
model = build_model(config.model, test_cfg=config.test_cfg)
if checkpoint is not None:
checkpoint = load_checkpoint(model, checkpoint)
model.cfg = config # save the config in the model for convenience
model.eval()
return model
class Worker:
def __init__(self):
self.checkpoint_path = 'checkpoints/RealBasicVSR_x4.pth'
self.config = 'configs/realbasicvsr_x4.py'
self.is_save_as_png = True
self.max_seq_len = 2
self.model = init_model(self.config, self.checkpoint_path)
def do_pic(self, input_image_path: str, output_dir: str):
inputs = []
img = mmcv.imread(input_image_path, channel_order='rgb')
ext = os.path.basename(input_image_path).split('.')[-1]
inputs.append(img)
for i, img in enumerate(inputs):
img = torch.from_numpy(img / 255.).permute(2, 0, 1).float()
inputs[i] = img.unsqueeze(0)
inputs = torch.stack(inputs, dim=1)
# map to cuda, if available
cuda_flag = False
if torch.cuda.is_available():
model = self.model.cuda()
cuda_flag = True
with torch.no_grad():
if isinstance(self.max_seq_len, int):
outputs = []
for i in range(0, inputs.size(1), self.max_seq_len):
imgs = inputs[:, i:i + self.max_seq_len, :, :, :]
if cuda_flag:
imgs = imgs.cuda()
outputs.append(self.model(imgs, test_mode=True)['output'].cpu())
outputs = torch.cat(outputs, dim=1)
else:
if cuda_flag:
inputs = inputs.cuda()
outputs = self.model(inputs, test_mode=True)['output'].cpu()
mmcv.mkdir_or_exist(output_dir)
for i in range(0, outputs.size(1)):
output = tensor2img(outputs[:, i, :, :, :])
filename = '{}.{}'.format(uuid.uuid1().hex, ext)
if self.is_save_as_png:
file_extension = os.path.splitext(filename)[1]
filename = filename.replace(file_extension, '.png')
result_path = os.path.join(output_dir, filename)
mmcv.imwrite(output, result_path)
if __name__ == '__main__':
worker = Worker()
worker.do_pic('data/136.jpeg', 'results/')代码说明
1、如果在真实项目中使用的话，worker对象可以在项目启动中创建，不需要每次调用时候创建。
2、主要使用方法为do_pic方法，入参分别为：需要超分的照片地址，以及最后生成的目录地址。
3、最终输出的照片名使用uuid进行命名，如果需要自定义的话，可以看着调整。
4、输出的文件格式不一定需要是png，上面的类初始化有bool选项，自行调整。
测试一下代码，先看一下图片。
执行结果
2022-05-08 15:47:54,792 - mmedit - INFO - load checkpoint from torchvision path: torchvision://vgg19
load checkpoint from local path: checkpoints/RealBasicVSR_x4.pth
/home/zhangmaolin/.local/lib/python3.7/site-packages/torch/functional.py:445: UserWarning: torch.meshgrid: in an upcoming release, it will be required to pass the indexing argument. (Triggered internally at ../aten/src/ATen/native/TensorShape.cpp:2157.)
return _VF.meshgrid(tensors, **kwargs) # type: ignore[attr-defined]
最终图片输出
总结
本文主要是造个轮子吧，相信有经验的可以自己改造，包括视频处理也可以不要使用作者的demo，自己优化一下逻辑，性能应该都跟得上。提供思路吧，视频拆分图片组和音频，处理完之后压缩为一个视频。
以上就是基于Python制作图像完美超分处理工具的详细内容，更多关于Python图像超分处理的资料请关注编程网其它相关文章！
