Python开源项目之人工智能老照片修复算法学习

只存在于虚拟的King 2024-07-05 16:01:04 阅读 51

文章目录

前言项目环境搭建conda虚拟环境创建激活环境Pytorch安装Synchronized-BatchNorm-PyTorch repository安装Global目录Synchronized-BatchNorm-PyTorch项目部署检测预处理模型下载下载脸部增强模型文件下载依赖完整部署后项目结构

项目使用验证一下总结关于Python技术储备一、Python所有方向的学习路线二、Python基础学习视频三、精品Python学习书籍四、Python工具包+项目源码合集①Python工具包②Python实战案例③Python小游戏源码五、面试资料六、Python兼职渠道

前言

老旧或者破损的照片如何修复呢？本文主要分享一个博主使用后非常不错的照片恢复开源项目：Bringing-Old-Photos-Back-to-Life。

项目的Github地址：项目地址

我们先看看官方给出的效果图：

在这里插入图片描述

就算现在看到这张图，我仍然觉着非常惊艳。下面我会把项目环境安装部署，到最后使用的效果做一个展示。

项目环境搭建

该项目的环境搭建有点复杂，我一点点说。

conda虚拟环境创建

在项目README.md文件中要求python版本在3.6以上。

在这里插入图片描述

我们用anaconda创建一个虚拟环境bobl

<code>conda create -n bobl python=3.6

激活环境

conda activate bobl

在Pycharm项目中配置interpreter，设置到conda目录envs下bobl环境的python。

在这里插入图片描述

Pytorch安装

虽然项目官方给出的requirements.txt包含pytorch，为了保险起见，还是去Pytorch官方网站上安装一下。Pytorch官方地址:PyTorch

在这里插入图片描述

因为我本机没插显卡，安装的cpu版本。

选择对应的命令安装Pytorch库。

Synchronized-BatchNorm-PyTorch repository安装

官方给出的安装说明里面需要部署Synchronized-BatchNorm-PyTorch项目进来。

在这里插入图片描述

这里注意一点，需要把Synchronized-BatchNorm-PyTorch项目中的sync_batchnorm拷贝到上级目录。完整的目录接口参考下图：

在这里插入图片描述

Global目录Synchronized-BatchNorm-PyTorch项目部署

官方说明里面也需要把Synchronized-BatchNorm-PyTorch项目部署到Global里面。

在这里插入图片描述

也是一样要把sync_batchnorm拷贝到上级目录。结构如下：

在这里插入图片描述

检测预处理模型下载

需要用到一个检测预处理模型，主要是用来识别照片中的人脸部分的。

在这里插入图片描述

注意解压后的位置，结构如下：

在这里插入图片描述

下载脸部增强模型文件

官方说明：

在这里插入图片描述

下载两个模型zip解压到对应目录下，结构如下：

在这里插入图片描述

下载依赖

注意，我这里去掉了pytorch的依赖安装，已经已经装过了。

<code>dlib

scikit-image

easydict

PyYAML

dominate>=2.3.1

dill

tensorboardX

scipy

opencv-python

einops

PySimpleGUI

安装命令：

pip install -r requirements.txt -i https://pypi.douban.com/simple

完整部署后项目结构

完整的结构如下图：

在这里插入图片描述

项目使用

官方给到的图，我就不用了，不能说明问题。我自己准备了两种图，一张是一张人脸的，一张是多张人脸的。

先按照官方给出的命令跑跑看

在这里插入图片描述

我们直接使用最下面这个命令，包含划痕去除与高度还原。看一下执行情况。

<code>(bobl) D:\\spyder\\Bringing-Old-Photos-Back-to-Life>python run.py --input\_folder E:\\csdn\\老照片 --output\_folder result1/ --GPU -1 --with\_scratch --HR

Running Stage 1: Overall restoration

initializing the dataloader

model weights loaded

directory of testing image: E:\\csdn\\老照片

processing 1.jpg

processing 2.jpg

Mapping: You are using multi-scale patch attention, conv combine + mask input

Now you are processing 1.png

C:\\ProgramData\\Anaconda3\\envs\\bobl\\lib\\site-packages\\torch\\nn\\functional.py:3635: UserWarning: Default upsampling behavior when mode=bilinear is changed to align\_corners=False since 0.4

.0. Please specify align\_corners=True if the old behavior is desired. See the documentation of nn.Upsample for details.

"See the documentation of nn.Upsample for details.".format(mode)

Now you are processing 2.png

Finish Stage 1 ...

Running Stage 2: Face Detection

12

1

Finish Stage 2 ...

Running Stage 3: Face Enhancement

dataset \[FaceTestDataset\] of size 13 was created

The size of the latent vector size is \[16,16\]

Network \[SPADEGenerator\] was created. Total number of parameters: 92.1 million. To see the architecture, do print(network).