Spaces:
Build error
Build error
# :computer: 如何训练/微调 Real-ESRGAN | |
- [训练 Real-ESRGAN](#训练-real-esrgan) | |
- [概述](#概述) | |
- [准备数据集](#准备数据集) | |
- [训练 Real-ESRNet 模型](#训练-real-esrnet-模型) | |
- [训练 Real-ESRGAN 模型](#训练-real-esrgan-模型) | |
- [用自己的数据集微调 Real-ESRGAN](#用自己的数据集微调-real-esrgan) | |
- [动态生成降级图像](#动态生成降级图像) | |
- [使用已配对的数据](#使用已配对的数据) | |
[English](Training.md) **|** [简体中文](Training_CN.md) | |
## 训练 Real-ESRGAN | |
### 概述 | |
训练分为两个步骤。除了 loss 函数外,这两个步骤拥有相同数据合成以及训练的一条龙流程。具体点说: | |
1. 首先使用 L1 loss 训练 Real-ESRNet 模型,其中 L1 loss 来自预先训练的 ESRGAN 模型。 | |
2. 然后我们将 Real-ESRNet 模型作为生成器初始化,结合L1 loss、感知 loss、GAN loss 三者的参数对 Real-ESRGAN 进行训练。 | |
### 准备数据集 | |
我们使用 DF2K ( DIV2K 和 Flickr2K ) + OST 数据集进行训练。只需要HR图像!<br> | |
下面是网站链接: | |
1. DIV2K: http://data.vision.ee.ethz.ch/cvl/DIV2K/DIV2K_train_HR.zip | |
2. Flickr2K: https://cv.snu.ac.kr/research/EDSR/Flickr2K.tar | |
3. OST: https://openmmlab.oss-cn-hangzhou.aliyuncs.com/datasets/OST_dataset.zip | |
以下是数据的准备步骤。 | |
#### 第1步:【可选】生成多尺寸图片 | |
针对 DF2K 数据集,我们使用多尺寸缩放策略,*换言之*,我们对 HR 图像进行下采样,就能获得多尺寸的标准参考(Ground-Truth)图像。 <br> | |
您可以使用这个 [scripts/generate_multiscale_DF2K.py](scripts/generate_multiscale_DF2K.py) 脚本快速生成多尺寸的图像。<br> | |
注意:如果您只想简单试试,那么可以跳过此步骤。 | |
```bash | |
python scripts/generate_multiscale_DF2K.py --input datasets/DF2K/DF2K_HR --output datasets/DF2K/DF2K_multiscale | |
``` | |
#### 第2步:【可选】裁切为子图像 | |
我们可以将 DF2K 图像裁切为子图像,以加快 IO 和处理速度。<br> | |
如果你的 IO 够好或储存空间有限,那么此步骤是可选的。<br> | |
您可以使用脚本 [scripts/extract_subimages.py](scripts/extract_subimages.py)。这是使用示例: | |
```bash | |
python scripts/extract_subimages.py --input datasets/DF2K/DF2K_multiscale --output datasets/DF2K/DF2K_multiscale_sub --crop_size 400 --step 200 | |
``` | |
#### 第3步:准备元信息 txt | |
您需要准备一个包含图像路径的 txt 文件。下面是 `meta_info_DF2Kmultiscale+OST_sub.txt` 中的部分展示(由于各个用户可能有截然不同的子图像划分,这个文件不适合你的需求,你得准备自己的 txt 文件): | |
```txt | |
DF2K_HR_sub/000001_s001.png | |
DF2K_HR_sub/000001_s002.png | |
DF2K_HR_sub/000001_s003.png | |
... | |
``` | |
你可以使用该脚本 [scripts/generate_meta_info.py](scripts/generate_meta_info.py) 生成包含图像路径的 txt 文件。<br> | |
你还可以合并多个文件夹的图像路径到一个元信息(meta_info)txt。这是使用示例: | |
```bash | |
python scripts/generate_meta_info.py --input datasets/DF2K/DF2K_HR, datasets/DF2K/DF2K_multiscale --root datasets/DF2K, datasets/DF2K --meta_info datasets/DF2K/meta_info/meta_info_DF2Kmultiscale.txt | |
``` | |
### 训练 Real-ESRNet 模型 | |
1. 下载预先训练的模型 [ESRGAN](https://github.com/xinntao/Real-ESRGAN/releases/download/v0.1.1/ESRGAN_SRx4_DF2KOST_official-ff704c30.pth),放到 `experiments/pretrained_models`目录下。 | |
```bash | |
wget https://github.com/xinntao/Real-ESRGAN/releases/download/v0.1.1/ESRGAN_SRx4_DF2KOST_official-ff704c30.pth -P experiments/pretrained_models | |
``` | |
2. 相应地修改选项文件 `options/train_realesrnet_x4plus.yml` 中的内容: | |
```yml | |
train: | |
name: DF2K+OST | |
type: RealESRGANDataset | |
dataroot_gt: datasets/DF2K # 修改为你的数据集文件夹根目录 | |
meta_info: realesrgan/meta_info/meta_info_DF2Kmultiscale+OST_sub.txt # 修改为你自己生成的元信息txt | |
io_backend: | |
type: disk | |
``` | |
3. 如果你想在训练过程中执行验证,就取消注释这些内容并进行相应的修改: | |
```yml | |
# 取消注释这些以进行验证 | |
# val: | |
# name: validation | |
# type: PairedImageDataset | |
# dataroot_gt: path_to_gt | |
# dataroot_lq: path_to_lq | |
# io_backend: | |
# type: disk | |
... | |
# 取消注释这些以进行验证 | |
# 验证设置 | |
# val: | |
# val_freq: !!float 5e3 | |
# save_img: True | |
# metrics: | |
# psnr: # 指标名称,可以是任意的 | |
# type: calculate_psnr | |
# crop_border: 4 | |
# test_y_channel: false | |
``` | |
4. 正式训练之前,你可以用 `--debug` 模式检查是否正常运行。我们用了4个GPU进行训练: | |
```bash | |
CUDA_VISIBLE_DEVICES=0,1,2,3 \ | |
python -m torch.distributed.launch --nproc_per_node=4 --master_port=4321 realesrgan/train.py -opt options/train_realesrnet_x4plus.yml --launcher pytorch --debug | |
``` | |
用 **1个GPU** 训练的 debug 模式示例: | |
```bash | |
python realesrgan/train.py -opt options/train_realesrnet_x4plus.yml --debug | |
``` | |
5. 正式训练开始。我们用了4个GPU进行训练。还可以使用参数 `--auto_resume` 在必要时自动恢复训练。 | |
```bash | |
CUDA_VISIBLE_DEVICES=0,1,2,3 \ | |
python -m torch.distributed.launch --nproc_per_node=4 --master_port=4321 realesrgan/train.py -opt options/train_realesrnet_x4plus.yml --launcher pytorch --auto_resume | |
``` | |
用 **1个GPU** 训练: | |
```bash | |
python realesrgan/train.py -opt options/train_realesrnet_x4plus.yml --auto_resume | |
``` | |
### 训练 Real-ESRGAN 模型 | |
1. 训练 Real-ESRNet 模型后,您得到了这个 `experiments/train_RealESRNetx4plus_1000k_B12G4_fromESRGAN/model/net_g_1000000.pth` 文件。如果需要指定预训练路径到其他文件,请修改选项文件 `train_realesrgan_x4plus.yml` 中 `pretrain_network_g` 的值。 | |
1. 修改选项文件 `train_realesrgan_x4plus.yml` 的内容。大多数修改与上节提到的类似。 | |
1. 正式训练之前,你可以以 `--debug` 模式检查是否正常运行。我们使用了4个GPU进行训练: | |
```bash | |
CUDA_VISIBLE_DEVICES=0,1,2,3 \ | |
python -m torch.distributed.launch --nproc_per_node=4 --master_port=4321 realesrgan/train.py -opt options/train_realesrgan_x4plus.yml --launcher pytorch --debug | |
``` | |
用 **1个GPU** 训练的 debug 模式示例: | |
```bash | |
python realesrgan/train.py -opt options/train_realesrgan_x4plus.yml --debug | |
``` | |
1. 正式训练开始。我们使用4个GPU进行训练。还可以使用参数 `--auto_resume` 在必要时自动恢复训练。 | |
```bash | |
CUDA_VISIBLE_DEVICES=0,1,2,3 \ | |
python -m torch.distributed.launch --nproc_per_node=4 --master_port=4321 realesrgan/train.py -opt options/train_realesrgan_x4plus.yml --launcher pytorch --auto_resume | |
``` | |
用 **1个GPU** 训练: | |
```bash | |
python realesrgan/train.py -opt options/train_realesrgan_x4plus.yml --auto_resume | |
``` | |
## 用自己的数据集微调 Real-ESRGAN | |
你可以用自己的数据集微调 Real-ESRGAN。一般地,微调(Fine-Tune)程序可以分为两种类型: | |
1. [动态生成降级图像](#动态生成降级图像) | |
2. [使用**已配对**的数据](#使用已配对的数据) | |
### 动态生成降级图像 | |
只需要高分辨率图像。在训练过程中,使用 Real-ESRGAN 描述的降级模型生成低质量图像。 | |
**1. 准备数据集** | |
完整信息请参见[本节](#准备数据集)。 | |
**2. 下载预训练模型** | |
下载预先训练的模型到 `experiments/pretrained_models` 目录下。 | |
- *RealESRGAN_x4plus.pth*: | |
```bash | |
wget https://github.com/xinntao/Real-ESRGAN/releases/download/v0.1.0/RealESRGAN_x4plus.pth -P experiments/pretrained_models | |
``` | |
- *RealESRGAN_x4plus_netD.pth*: | |
```bash | |
wget https://github.com/xinntao/Real-ESRGAN/releases/download/v0.2.2.3/RealESRGAN_x4plus_netD.pth -P experiments/pretrained_models | |
``` | |
**3. 微调** | |
修改选项文件 [options/finetune_realesrgan_x4plus.yml](options/finetune_realesrgan_x4plus.yml) ,特别是 `datasets` 部分: | |
```yml | |
train: | |
name: DF2K+OST | |
type: RealESRGANDataset | |
dataroot_gt: datasets/DF2K # 修改为你的数据集文件夹根目录 | |
meta_info: realesrgan/meta_info/meta_info_DF2Kmultiscale+OST_sub.txt # 修改为你自己生成的元信息txt | |
io_backend: | |
type: disk | |
``` | |
我们使用4个GPU进行训练。还可以使用参数 `--auto_resume` 在必要时自动恢复训练。 | |
```bash | |
CUDA_VISIBLE_DEVICES=0,1,2,3 \ | |
python -m torch.distributed.launch --nproc_per_node=4 --master_port=4321 realesrgan/train.py -opt options/finetune_realesrgan_x4plus.yml --launcher pytorch --auto_resume | |
``` | |
用 **1个GPU** 训练: | |
```bash | |
python realesrgan/train.py -opt options/finetune_realesrgan_x4plus.yml --auto_resume | |
``` | |
### 使用已配对的数据 | |
你还可以用自己已经配对的数据微调 RealESRGAN。这个过程更类似于微调 ESRGAN。 | |
**1. 准备数据集** | |
假设你已经有两个文件夹(folder): | |
- **gt folder**(标准参考,高分辨率图像):*datasets/DF2K/DIV2K_train_HR_sub* | |
- **lq folder**(低质量,低分辨率图像):*datasets/DF2K/DIV2K_train_LR_bicubic_X4_sub* | |
然后,您可以使用脚本 [scripts/generate_meta_info_pairdata.py](scripts/generate_meta_info_pairdata.py) 生成元信息(meta_info)txt 文件。 | |
```bash | |
python scripts/generate_meta_info_pairdata.py --input datasets/DF2K/DIV2K_train_HR_sub datasets/DF2K/DIV2K_train_LR_bicubic_X4_sub --meta_info datasets/DF2K/meta_info/meta_info_DIV2K_sub_pair.txt | |
``` | |
**2. 下载预训练模型** | |
下载预先训练的模型到 `experiments/pretrained_models` 目录下。 | |
- *RealESRGAN_x4plus.pth*: | |
```bash | |
wget https://github.com/xinntao/Real-ESRGAN/releases/download/v0.1.0/RealESRGAN_x4plus.pth -P experiments/pretrained_models | |
``` | |
- *RealESRGAN_x4plus_netD.pth*: | |
```bash | |
wget https://github.com/xinntao/Real-ESRGAN/releases/download/v0.2.2.3/RealESRGAN_x4plus_netD.pth -P experiments/pretrained_models | |
``` | |
**3. 微调** | |
修改选项文件 [options/finetune_realesrgan_x4plus_pairdata.yml](options/finetune_realesrgan_x4plus_pairdata.yml) ,特别是 `datasets` 部分: | |
```yml | |
train: | |
name: DIV2K | |
type: RealESRGANPairedDataset | |
dataroot_gt: datasets/DF2K # 修改为你的 gt folder 文件夹根目录 | |
dataroot_lq: datasets/DF2K # 修改为你的 lq folder 文件夹根目录 | |
meta_info: datasets/DF2K/meta_info/meta_info_DIV2K_sub_pair.txt # 修改为你自己生成的元信息txt | |
io_backend: | |
type: disk | |
``` | |
我们使用4个GPU进行训练。还可以使用参数 `--auto_resume` 在必要时自动恢复训练。 | |
```bash | |
CUDA_VISIBLE_DEVICES=0,1,2,3 \ | |
python -m torch.distributed.launch --nproc_per_node=4 --master_port=4321 realesrgan/train.py -opt options/finetune_realesrgan_x4plus_pairdata.yml --launcher pytorch --auto_resume | |
``` | |
用 **1个GPU** 训练: | |
```bash | |
python realesrgan/train.py -opt options/finetune_realesrgan_x4plus_pairdata.yml --auto_resume | |
``` | |