Are you sure you want to delete this task? Once this task is deleted, it cannot be recovered.
You can not select more than 25 topics
Topics must start with a chinese character,a letter or number, can include dashes ('-') and can be up to 35 characters long.
hitlihan
02ef74233f
|
1 year ago | |
|---|---|---|
| Initial | 1 year ago | |
| ascend310_infer | 2 years ago | |
| scripts | 2 years ago | |
| src | 2 years ago | |
| README.md | 1 year ago | |
| dataset.py | 1 year ago | |
| eval.py | 2 years ago | |
| export.py | 2 years ago | |
| postprocess.py | 2 years ago | |
| preprocess.py | 2 years ago | |
| requirements.txt | 2 years ago | |
| train.py | 2 years ago | |
README.md
目录
RedNet30描述
RedNet30是一个使用encoder-decoder处理图像降噪任务的模型， 本项目是图像去躁模型RedNet30在mindspore上的复现。
论文: Mao X J , Shen C , Yang Y B . Image Restoration Using Very Deep Convolutional Encoder-Decoder Networks with Symmetric Skip Connections[J]. 2016.
模型结构
网络由15层的conv block和15层的deconv block组成，其中下采样中的每一层是conv加relU，上采样过程中的每一层是deconv加relu。
数据集
其中，训练集是由BSD300 训练集和验证集合成得到的300张彩色图像，验证集是BSD300的训练集的200张彩色图像。
环境要求
- 硬件（Ascend）
- 准备Ascend处理器搭建硬件环境。
- 框架
- 如需查看详情，请参见如下资源：
- 安装requirements.txt中的python包。
- 生成config json文件用于8卡训练。
脚本说明
.
└── rednet30
├─ README_CN.md
├── ascend310_infer
├──src # 实现Ascend-310推理源代码
├──inc # 实现Ascend-310推理源代码
├──build.sh # 构建Ascend-310推理程序的shell脚本
└─CMakeLists.txt # 构建Ascend-310推理程序的CMakeLists
├─ scripts
├─run_standalone_train.sh # Ascend环境下的单卡训练脚本
├─run_standalone_train_gpu.sh # GPU环境下的单卡训练脚本
├─run_distribute_train.sh # Ascend环境下的八卡并行训练脚本
├─run_distribute_train_gpu.sh # GPU环境下的八卡并行训练脚本
├─run_eval.sh # Ascend环境下的评估脚本
├─run_infer_310.sh # Ascend-310推理shell脚本
└─run_eval_gpu.sh # GPU环境下的评估脚本
├── src
├── dataset.py # 数据读取
├── get_input_data_310.py # 获取310推理噪声图片
├── get_input_data.py # 获取噪声图片
└── model.py # 模型定义
├── export.py # 导出MINDIR文件
├── preprocess.py # Ascend-310推理的数据准备脚本
├── postprocess.py # Ascend-310推理的数据后处理脚本
├── eval.py # 评估脚本
└── train.py # 训练脚本
训练过程
可通过train.py脚本中的参数修改训练行为。train.py脚本中的参数如下：
训练参数
--dataset_path ./data/BSD300 # 训练数据路径
--platform 'GPU' # 训练设备
--is_distributed False # 分布式训练
--patch_size 50 # 输入数据大小
--batch_size 16 # 批次大小
--num_epochs 1000 # 训练轮次
--lr 0.0001 # 学习率
--seed 1 # 随机种子
--ckpt_save_max 5 # ckpt最大保存数量
--init_loss_scale 65536. # 初始loss scale
启动
您可以使用python或shell脚本进行训练。
# 训练示例
- running on Ascend with default parameters
python:
Ascend单卡训练示例：python train.py --dataset_path [DATA_DIR] --platform Ascend
# example: python train.py --dataset_path ./data/BSD300 --platform Ascend
shell:
Ascend八卡并行训练: bash scripts/run_distribute_train.sh [DATA_DIR] [RANK_TABLE_FILE]
# example: bash scripts/run_distribute_train.sh ./data/BSD300 ./rank_table_8p.json
Ascend单卡训练示例: bash scripts/run_standalone_train.sh [DATA_DIR]
# example: bash scripts/run_standalone_train.sh ./data/BSD300
- running on GPU with gpu default parameters
python:
Ascend单卡训练示例：python train.py --dataset_path [DATA_DIR] --platform GPU
# example: python train.py --dataset_path ./data/BSD300 --platform GPU
shell:
GPU八卡并行训练: bash scripts/run_distribute_train_gpu.sh [DATA_DIR]
# example: bash scripts/run_distribute_train_gpu.sh ./data/BSD300
GPU单卡训练示例: bash scripts/run_standalone_train_gpu.sh [DATA_DIR]
# example: bash scripts/run_standalone_train_gpu.sh ./data/BSD300
分布式训练需要提前创建JSON格式的HCCL配置文件。
运行分布式任务时需要用到RANK_TABLE_FILE指定的rank_table.json。您可以使用hccl_tools生成该文件，详见链接 。
评估过程
评估参数
--dataset_path ./data/BSD300 # 测试数据路径
--ckpt_path ./ckpt/RedNet30-1000_18.ckpt # 测试ckpt文件路径
--platform 'GPU' # 训练设备
评估启动
您可以使用python或shell脚本进行评估。
# 评估前需要生成噪声图像，生成方法如下
python ./src/get_input_data.py --dataset_path [DATA_DIR] --output_path [NOISE_IMAGE_DIR]
# Ascend评估示例
python:
python eval.py --dataset_path [DATA_DIR] --noise_path [NOISE_IMAGE_DIR] --ckpt_path [PATH_CHECKPOINT] --platform [PLATFORM]
# example: python eval.py --dataset_path ./data/BSD200 --noise_path ./data/BSD200_jpeg_quality10 --ckpt_path ./train/ckpt/ckpt_0/RedNet30_0-1000_18.ckpt --platform 'Ascend'
shell:
bash scripts/run_eval.sh [DATA_DIR] [NOISE_IMAGE_DIR] [PATH_CHECKPOINT] [PLATFORM]
# example: bash scripts/run_eval.sh ./data/BSD200 ./data/BSD200_jpeg_quality10 ./train/ckpt/ckpt_0/RedNet30_0-1000_18.ckpt Ascend
# GPU评估示例
python:
python eval.py --dataset_path [DATA_DIR] --noise_path [NOISE_IMAGE_DIR] --ckpt_path [PATH_CHECKPOINT] --platform [PLATFORM]
# example: python eval.py --dataset_path ./data/BSD200 --noise_path ./data/BSD200_jpeg_quality10 --ckpt_path ./train/ckpt/ckpt_0/RedNet30_0-1000_18.ckpt --platform 'GPU'
shell:
bash scripts/run_eval_gpu.sh [PLATFORM] [DATA_DIR] [NOISE_IMAGE_DIR] [PATH_CHECKPOINT] [PLATFORM]
# example: bash scripts/run_eval_gpu.sh ./data/BSD200 ./data/BSD200_jpeg_quality10 ./train/ckpt/ckpt_0/RedNet30_0-1000_18.ckpt GPU
转换过程
转换
如果您想推断Ascend 310上的网络，则应将模型转换为MINDIR：
python export.py --ckpt_file [CKPT_PATH] --file_name [FILE_NAME] --file_format [FILE_FORMAT]
必须设置ckpt_file参数。
FILE_FORMAT取值为["AIR", "MINDIR"]。
推理过程
在昇腾310上推理
#使用脚本./script/run_infer_310.sh进行推理，最后在run_infer.log文件中查看结果；
bash ./script/run_infer_310.sh [MINDIR_PATH] [DATA_PATH] [SAVE_BIN_PATH] [SAVE_OUTPUT_PATH] [DEVICE_ID]
vim run_infer.log
模型描述
训练性能结果
| 参数 | Ascend | GPU | Ascend |
|---|---|---|---|
| 模型名称 | RedNet30 | RedNet30 | RedNet30 |
| 运行环境 | Ascend 910 | RTX 3090 | Ascend 310 |
| 上传时间 | 2022-03-06 | 2022-03-06 | 2022-03-06 |
| MindSpore 版本 | 1.5.2 | 1.5.2 | 1.5.2 |
| 数据集 | BSD | BSD | BSD |
| 优化器 | Adam | Adam | Adam |
| 损失函数 | MSELoss | MSELoss | MSELoss |
| 精确度 (1p) | PSNR[27.51], SSIM[0.7946] | PSNR[27.35], SSIM[0.7886] | PSNR[28.67], SSIM[0.8614] |
| 训练总时间 (1p) | 15m11s | 19m23s | - |
| 评估总时间 | 38s | 17s | - |
| 参数量 (M) | 11.8M | 11.8M | 11.8M |
RedNet30是一个使用encoder-decoder处理图像降噪任务的模型， 本项目是图像去躁模型RedNet30在mindspore上的复现。 论文: Mao X J , Shen C , Yang Y B . Image Restoration Using Very Deep Convolutional Encoder-Decoder Networks with Symmetric Skip Connections[J]. 2016.
Python Shell C++ Text
Contributors (3)
