deng a1c15f85fe 更新 'README.md'		1 year ago
ascend310_infer	add EDSR 310	2 years ago

script	add EDSR 310	2 years ago

src	add EDSR 310	2 years ago

README.md	更新 'README.md'	1 year ago

eval.py	add EDSR 310	2 years ago

export.py	add EDSR 310	2 years ago

postprocess.py	add EDSR 310	2 years ago

preprocess.py	add EDSR 310	2 years ago

train.py	add EDSR 310	2 years ago

README.md

目录
EDSR描述
模型架构
数据集
环境要求
快速入门
脚本说明
模型描述
- 性能
  - 训练性能
    - DIV2K上的EDSR
  - 评估性能
    - Set5,Set14,B100,Urban100上的EDSR
随机情况说明
ModelZoo主页

EDSR描述

EDSR是2017年提出的32层深度网络，在2017年图像恢复和增强的新趋势研讨会上的超分挑战（NTIRE2017 Super-Resolution Challenge）中获得第一名。 EDSR，相比于SRResNet减少了每个残差块中的batch normalization层,SRResNet相对于原本的ResNet则在每个残差块的出口减去了ReLU层.
论文：Bee Lim, Sanghyun Son, Heewon Kim, Seungjun Nah, and Kyoung Mu Lee, "Enhanced Deep Residual Networks for Single Image Super-Resolution," *2nd NTIRE: New Trends in Image Restoration and Enhancement workshop and challenge on image super-resolution in conjunction with CVPR 2017.

模型架构

EDSR先经过1次卷积层,再串联32个残差模块,再经过1次卷积层,最后上采样并卷积。

数据集

使用的数据集：DIV2K

数据集大小：7.11G，
- 训练集：共800张图像（采用了前800张进行训练）
- 测试集：共100张图像

数据格式：png文件

注：数据将在src/data/DIV2K.py中处理。

DIV2K
├── DIV2K_test_LR_bicubic
│   ├── X2
│   │   ├── 0901x2.png
│   │   ├─ ...
│   │   └── 1000x2.png
│   ├── X3
│   │   ├── 0901x3.png
│   │   ├─ ...
│   │   └── 1000x3.png
│   └── X4
│       ├── 0901x4.png
│        ├─ ...
│       └── 1000x4.png
├── DIV2K_test_LR_unknown
│   ├── X2
│   │   ├── 0901x2.png
│   │   ├─ ...
│   │   └── 1000x2.png
│   ├── X3
│   │   ├── 0901x3.png
│   │   ├─ ...
│   │   └── 1000x3.png
│   └── X4
│       ├── 0901x4.png
│       ├─ ...
│       └── 1000x4.png
├── DIV2K_train_HR
│   ├── 0001.png
│   ├─ ...
│   └── 0900.png
├── DIV2K_train_LR_bicubic
│   ├── X2
│   │   ├── 0001x2.png
│   │   ├─ ...
│   │   └── 0900x2.png
│   ├── X3
│   │   ├── 0001x3.png
│   │   ├─ ...
│   │   └── 0900x3.png
│   └── X4
│       ├── 0001x4.png
│       ├─ ...
│       └── 0900x4.png
└── DIV2K_train_LR_unknown
    ├── X2
    │   ├── 0001x2.png
    │   ├─ ...
    │   └── 0900x2.png
    ├── X3
    │   ├── 0001x3.png
    │   ├─ ...
    │   └── 0900x3.png
    └── X4
        ├── 0001x4.png
        ├─ ...
        └── 0900x4.png

环境要求

硬件（Ascend）
- 使用ascend处理器来搭建硬件环境。
框架
- MindSpore
如需查看详情，请参见如下资源：
- MindSpore教程
- MindSpore Python API

快速入门

通过官方网站安装MindSpore后，您可以按照如下步骤进行训练和评估：

#单卡训练
sh run_ascend_standalone.sh [TRAIN_DATA_DIR]

#分布式训练
sh run_ascend_distribute.sh [RANK_TABLE_FILE] [TRAIN_DATA_DIR]

#评估
sh run_eval.sh [TEST_DATA_DIR] [CHECKPOINT_PATH] [DATASET_TYPE]

脚本说明

脚本及样例代码

├── model_zoo
    ├── EDSR
        ├── README_CN.md                         //自述文件
        ├── eval.py                              //评估脚本
        ├── export.py                            //导出脚本
        ├── script
        │   ├── run_ascend_distribute.sh         //Ascend分布式训练shell脚本
        │   ├── run_ascend_standalone.sh         //Ascend单卡训练shell脚本
        │   └── run_eval.sh                      //eval验证shell脚本
        ├── src
        │   ├── args.py                          //超参数
        │   ├── common.py                        //公共网络模块
        │   ├── data
        │   │   ├── common.py                    //公共数据集
        │   │   ├── div2k.py                     //div2k数据集
        │   │   └── srdata.py                    //所有数据集
        │   ├── metrics.py                       //PSNR和SSIM计算器
        │   ├── model.py                         //EDSR网络
        │   └── utils.py                         //训练脚本
        └── train.py                             //训练脚本

脚本参数

主要参数如下:

  -h, --help            show this help message and exit
  --dir_data DIR_DATA   dataset directory
  --data_train DATA_TRAIN
                        train dataset name
  --data_test DATA_TEST
                        test dataset name
  --data_range DATA_RANGE
                        train/test data range
  --ext EXT             dataset file extension
  --scale SCALE         super resolution scale
  --patch_size PATCH_SIZE
                        output patch size
  --rgb_range RGB_RANGE
                        maximum value of RGB
  --n_colors N_COLORS   number of color channels to use
  --no_augment          do not use data augmentation
  --model MODEL         model name
  --n_resblocks N_RESBLOCKS
                        number of residual blocks
  --n_feats N_FEATS     number of feature maps
  --res_scale RES_SCALE
                        residual scaling
  --test_every TEST_EVERY
                        do test per every N batches
  --epochs EPOCHS       number of epochs to train
  --batch_size BATCH_SIZE
                        input batch size for training
  --test_only           set this option to test the model
  --lr LR               learning rate
  --ckpt_save_path CKPT_SAVE_PATH
                        path to save ckpt
  --ckpt_save_interval CKPT_SAVE_INTERVAL
                        save ckpt frequency, unit is epoch
  --ckpt_save_max CKPT_SAVE_MAX
                        max number of saved ckpt
  --ckpt_path CKPT_PATH
                        path of saved ckpt
  --task_id TASK_ID

训练过程

训练

Ascend处理器环境运行
```
sh run_ascend_standalone.sh [TRAIN_DATA_DIR]
```
如果数据集保存路径为G:\DIV2K，TRAIN_DATA_DIR应传入G:\。

上述python命令将在后台运行，您可以通过train.log文件查看结果。

分布式训练

Ascend处理器环境运行
```
sh run_ascend_distribute.sh [RANK_TABLE_FILE] [TRAIN_DATA_DIR]
```
如果数据集保存路径为G:\DIV2K，TRAIN_DATA_DIR应传入G:\。

分布式训练需要提前创建JSON格式的HCCL配置文件。具体操作，参见：https://gitee.com/mindspore/mindspore/tree/master/model_zoo/utils/hccl_tools

评估过程

评估

在运行以下命令之前，请检查用于评估的检查点路径。

sh run_eval.sh [TEST_DATA_DIR] [CHECKPOINT_PATH] [DATASET_TYPE]

DATASET_TYPE可选 ["Set5", "Set14", "B100", "Urban100", "DIV2K"]

如果数据集保存路径为G:\DIV2K或者G:\Set5或者G:\Set14或者G:\B100或者G:\Urban100，TRAIN_DATA_DIR应传入G:\。
您可以通过log.txt文件查看结果。

Ascend310评估

评估过程如下。

bash run_infer_310.sh [MINDIR_PATH] [DATA_PATH] [DATASET_TYPE] [SCALE] [DEVICE_ID]

DATASET_TYPE可选 ["Set5", "Set14", "B100", "Urban100"]
SCALE超分辨率比例可选 ["2", "3", "4"]
DEVICE_ID设备ID，默认为：0

您可以通过通过run_infer.log文件查看结果。

模型导出

用法：python export.py  [--batch_size] [--ckpt_path] [--file_format]
选项：
  --batch_size      输入张量的批次大小。
  --ckpt_path       检查点路径。
  --file_format     可选 ['MINDIR', 'AIR', 'ONNX'], 默认['MINDIR']。

模型描述

性能

训练性能

参数	Ascend
资源	Ascend 910
上传日期	2021-7-4
MindSpore版本	1.2.0
数据集	DIV2K
训练参数	epoch=1000, steps=1000, batch_size =16, lr=0.0001
优化器	Adam
损失函数	L1
输出	超分辨率图片
损失	3.1
速度	8卡：50.75毫秒/步
总时长	8卡：12.865小时
微调检查点	466.13 MB (.ckpt文件)
脚本	EDSR

评估性能

参数	Ascend
资源	Ascend 910
上传日期	2021-7-4
MindSpore版本	1.2.0
数据集	Set5,Set14,B100,Urban100
batch_size	1
输出	超分辨率图片
PSNR	Set5:38.2136, Set14:34.0081, B100:32.3590, Urban100:33.0162

310评估性能

参数	Ascend
资源	Ascend 310
上传日期	2021-09-29
MindSpore版本	1.4.0
数据集	Set5,Set14,B100,Urban100
batch_size	1
输出	超分辨率图片
准确率	Set5:36.6097, Set14:32.8340, B100:30.6077, Urban100:32.3699

随机情况说明

在train.py中，我们设置了“train_net”函数内的种子。

ModelZoo主页

请浏览官网主页。

EDSR是2017年提出的32层深度网络，在2017年图像恢复和增强的新趋势研讨会上的超分挑战（NTIRE2017 Super-Resolution Challenge）中获得第一名。EDSR，相比于SRResNet减少了每个残差块中的batch normalization层，SRResNet相对于原本的ResNet则在每个残差块的出口减去了ReLU层。

mindspore

Python C++ Shell Text

How to access data resources in code