swim是什么动词（SwinIR实战：详细记录SwinIR的训练过程）
SwinIR实战：详细记录SwinIR的训练过程 。
论文地址：https://arxiv.org/pdf/2108.10257.pdf
预训练模型下载：https://github.com/JingyunLiang/SwinIR/releases
训练代码下载：https://github.com/cszn/KAIR
测试代码：https://github.com/JingyunLiang/SwinIR
论文翻译：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/124434886
测试：https://wanghao.blog.csdn.net/article/details/124517210
在写这边文章之前 ，我已经翻译了论文 ，讲解了如何使用SWinIR进行测试？
接下来 ，我们讲讲如何SwinIR完成训练 ，有于作者训练了很多任务 ，我只复现其中的一种任务 。
下载训练代码
地址：https://github.com/cszn/KAIR
这是个超分的库 ，里面包含多个超分的模型 ，比如SCUNet 、VRT 、SwinIR 、BSRGGAN 、USRNet等模型 。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-B5Md9i7H-1651410061139)(https://gitee.com/wanghao1090220084/cloud-image/raw/master/img/face_09_comparison.png)]
下载后解压 ，训练SwinIR的REANDME.md,路径：./docs/README_SwinIR.md
数据集
训练和测试集可以下载如下 。 请将它们分别放在 trainsets 和 testsets 中 。
任务 训练集 测试集 classical/lightweight image SR DIV2K (800 training images) or DIV2K +Flickr2K (2650 images) set5 + Set14 + BSD100 + Urban100 + Manga109 download all real-world image SR SwinIR-M (middle size):
DIV2K (800 training images) +Flickr2K (2650 images) + OST (10324 images,sky,water,grass,mountain,building,plant,animal)
SwinIR-L (large size):
DIV2K + Flickr2K + OST + WED(4744 images) + FFHQ (first 2000 images, face) + Manga109 (manga) + SCUT-CTW1500 (first 100 training images, texts) RealSRSet+5images color/grayscale image denoising DIV2K (800 training images) + Flickr2K (2650 images) + BSD500 (400 training&testing images) + WED(4744 images) grayscale: Set12 + BSD68 + Urban100
color: CBSD68 + Kodak24 + McMaster + Urban100 download all JPEG compression artifact reduction DIV2K (800 training images) + Flickr2K (2650 images) + BSD500 (400 training&testing images) + WED(4744 images) grayscale: Classic5 +LIVE1 download all我下载了DIV2K数据集和 Flickr2K数据集 ，DIV2K大小有7G+ ，Flickr2K约20G 。如果网速不好建议只下载DIV2K 。
注：在选用classical任务 ，做训练时 ，只能使用DIV2K或者Flickr2K ，不能把两种数据集放在一起训练 ，否则就出现维度对不上的情况 ，如下图：
暂时没有找到原因 。
构建测试集 ，测试集的路径如下图：
由于表格中的测试集放在google ，我不能下载 ，但是SwinIR的测试代码中有测试集 ，代码链接：https://github.com/JingyunLiang/SwinIR ，下载下来直接复制到testsets文件夹下面 。
构建训练集 ，将下载下来的DIV2K解压 。将DIV2K_train_HR复制到trainsets文件夹下面 ，将其改为trainH 。
将DIV2K_train_LR_bicubic文件夹的X2文件夹复制到trainsets文件夹下面 ，然后将其改名为trainL 。
到这里 ，数据集部分就完成了 ，接下来开始训练 。
训练
首先 ，打开options/swinir/train_swinir_sr_classical.json文件 ，查看里面的内容 。
"task": "swinir_sr_classical_patch48_x2"训练任务的名字 。
"gpu_ids": [0,1]选择GPU的ID ，如果只有一快GPU ，改为 [0] 。如果有更多的GPU ，直接往后面添加即可 。
"scale": 2 //2,3,48放大的倍数 ，可以设置为2 、3 、4 、8.
"datasets": { "train": { "name": "train_dataset" // just name , "dataset_type": "sr" // "dncnn" | "dnpatch" | "fdncnn" | "ffdnet" | "sr" | "srmd" | "dpsr" | "plain" | "plainpatch" | "jpeg" , "dataroot_H": "trainsets/trainH"// path of H training dataset. DIV2K (800 training images) , "dataroot_L": "trainsets/trainL" // path of L training dataset , "H_size": 96 // 96/144|192/384 | 128/192/256/512. LR patch size is set to 48 or 64 when compared with RCAN or RRDB. , "dataloader_shuffle": true , "dataloader_num_workers": 4 , "dataloader_batch_size": 1 // batch size 1 | 16 | 32 | 48 | 64 | 128. Total batch size =4x8=32 in SwinIR } , "test": { "name": "test_dataset" // just name , "dataset_type": "sr" // "dncnn" | "dnpatch" | "fdncnn" | "ffdnet" | "sr" | "srmd" | "dpsr" | "plain" | "plainpatch" | "jpeg" , "dataroot_H": "testsets/Set5/HR" // path of H testing dataset , "dataroot_L": "testsets/Set5/LR_bicubic/X2" // path of L testing dataset } }上面的参数是对数据集的设置 。
“H_size ”: 96 ，HR图像的大小 ，和下面的img_size有对应关系 ，大小设置为img_size×scale 。“dataloader_num_workers ”: 4 ，CPU的核数设置 。
“dataloader_batch_size ”: 32 ，设置训练的batch_size 。
dataset_type：sr ，指的是数据集类型SwinIR 。
"netG": { "net_type": "swinir" , "upscale": 2 // 2 | 3 | 4 | 8 , "in_chans": 3 , "img_size": 48 // For fair comparison, LR patch size is set to 48 or 64 when compared with RCAN or RRDB. , "window_size": 8 , "img_range": 1.0 , "depths": [6, 6, 6, 6, 6, 6] , "embed_dim": 180 , "num_heads": [6, 6, 6, 6, 6, 6] , "mlp_ratio": 2 , "upsampler": "pixelshuffle" // "pixelshuffle" | "pixelshuffledirect" | "nearest+conv" | null , "resi_connection": "1conv" // "1conv" | "3conv" , "init_type": "default" }upscale：2 ，放大的倍数 ，和上面的scale参数对应 。
img_size：48 ，这里可以设置两个数值 ，48和64 。和测试的training_patch_size参数对应 。
官方提供的指令是基于DDP方式 ，比较复杂一下 ，好处是速度快 。如下：
# 001 Classical Image SR (middle size) python -m torch.distributed.launch --nproc_per_node=8 --master_port=1234 main_train_psnr.py --opt options/swinir/train_swinir_sr_classical.json --dist True # 002 Lightweight Image SR (small size) python -m torch.distributed.launch --nproc_per_node=8 --master_port=1234 main_train_psnr.py --opt options/swinir/train_swinir_sr_lightweight.json --dist True # 003 Real-World Image SR (middle size) python -m torch.distributed.launch --nproc_per_node=8 --master_port=1234 main_train_psnr.py --opt options/swinir/train_swinir_sr_realworld_psnr.json --dist True # before training gan, put the PSNR-oriented model into superresolution/swinir_sr_realworld_x4_gan/models/ python -m torch.distributed.launch --nproc_per_node=8 --master_port=1234 main_train_psnr.py --opt options/swinir/train_swinir_sr_realworld_gan.json --dist True # 004 Grayscale Image Deoising (middle size) python -m torch.distributed.launch --nproc_per_node=8 --master_port=1234 main_train_psnr.py --opt options/swinir/train_swinir_denoising_gray.json --dist True # 005 Color Image Deoising (middle size) python -m torch.distributed.launch --nproc_per_node=8 --master_port=1234 main_train_psnr.py --opt options/swinir/train_swinir_denoising_color.json --dist True # 006 JPEG Compression Artifact Reduction (middle size) python -m torch.distributed.launch --nproc_per_node=8 --master_port=1234 main_train_psnr.py --opt options/swinir/train_swinir_car_jpeg.json --dist True我没有使用上面的方式 ，而是选择用DP的方式 ，虽然慢一点 ，但是简单 ，更稳定 。
在Terminal里面输入：
python main_train_psnr.py --opt options/swinir/train_swinir_sr_classical.json即可开始训练 。
运行结果如下：
等待训练完成后 ，我们使用测试代码测试 。将模型复制到./model_zoo/swinir文件夹下面
输入命令：
python main_test_swinir.py --task classical_sr --scale 2 --training_patch_size 48 --model_path model_zoo/swinir/45000_G.pth --folder_lq testsets/Set5/LR_bicubic/X2然后在result下面可以看到测试结果 。
完整的代码：
https://download.csdn.net/download/hhhhhhhhhhwwwwwwwwww/85258387
创心域SEO版权声明：以上内容作者已申请原创保护，未经允许不得转载，侵权必究！授权事宜、对本内容有异议或投诉，敬请联系网站管理员，我们将尽快回复您，谢谢合作！