COI实验室技能:图像到图像的深度学习开发框架(pytorch版)

2024-09-07 01:28

本文主要是介绍COI实验室技能:图像到图像的深度学习开发框架(pytorch版),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Basic deep learning framework for image-to-image

这个开发框架旨在帮助科研人员快速地实现图像到图像之间的模型开发。
github连接:https://github.com/SituLab/Basic-deep-learning-framework-for-image-to-image
在这里插入图片描述

目录

  • 1模型开发
    • 1-1克隆项目到本地
    • 1-2深度学习开发
  • 2环境配置
    • 2-1安装conda
    • 2-2安装pytorch

1模型开发

1-1克隆项目到本地

(1)仓库右上角有个绿色‘code’按钮,下拉选择download zip。

(2)或者安装了git工具之后,在命令行运行下面指令:

git clone https://github.com/SituLab/Basic-deep-learning-framework-for-image-to-image.git

(3)数据集设置

dataset/input/存放输入的数据集;
dataset/label存放标签的数据集;
dataset/test_input存放测试输入的数据集;

1-2深度学习开发

(1)训练image-to-image任务

python main.py --running_name demo

(2)测试image-to-image任务

python main.py --running_name demo --is_training 0 --is_testing 1

(3)测试单张图像

python main.py --is_training 0 --img_path dataset/demo.png

(5)参数解释

--running_name:为每次训练提供一个运行名称,代码会创建相应名称的文件夹保存结果和日志。

注:非常便于网络的多次运行和分析,比如设置一个递增的版本名称,设置循环,可以一次进行重复实验。

--is_train:设置是否训练,默认训练;

--is_test:设置是否测试,默认测试;

--img_path:指定一张测试图像的路径;

(6)查看训练过程

  • log_demo.txt保存了此次训练所使用的配置信息和训练过程信息;
  • weights/demo/best_model.pth保存了验证集loss最小的模型;
  • results/demo/eval/保存了每一步训练时一个batch的推理结果;

(7)其他

在快速训练上,可以使用上述命令行的方法,如果需要细致开发,可以使用vscode或pycharm,使用编译器运行代码。

2环境配置

建议有高配电脑,或者直接使用远程服务器已经配置好的环境。

2-1安装conda

annaconda,自带基础的python库,比较齐全,占用空间会比较大,网址:https://www.anaconda.com/download/
miniconda,纯净版conda命令软件,不自带库,需自行安装,占用空间小,网址:https://docs.anaconda.com/miniconda/

2-2安装pytorch

访问torch官网,直接通过指令进行安装。网址:https://pytorch.org/get-started/locally/
在这里插入图片描述

比如:打开cmd,输入:

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

3例子

会将参数配置、模型结果、训练epoch的信息记录到日志中;
在这里插入图片描述

会保存每一个epoch的验证集结果(第一个batch的),如下图所示的是从严重退化的散射图中恢复出清晰的图像。
在这里插入图片描述

这篇关于COI实验室技能:图像到图像的深度学习开发框架(pytorch版)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1143663

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

这15个Vue指令,让你的项目开发爽到爆

1. V-Hotkey 仓库地址: github.com/Dafrok/v-ho… Demo: 戳这里 https://dafrok.github.io/v-hotkey 安装: npm install --save v-hotkey 这个指令可以给组件绑定一个或多个快捷键。你想要通过按下 Escape 键后隐藏某个组件,按住 Control 和回车键再显示它吗?小菜一碟: <template

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务,目标是自动识别图像中的对象类别。通过卷积神经网络(CNN)等深度学习技术,我们可以构建高效的图像分类系统,广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统,包括环境

Hadoop企业开发案例调优场景

需求 (1)需求:从1G数据中,统计每个单词出现次数。服务器3台,每台配置4G内存,4核CPU,4线程。 (2)需求分析: 1G / 128m = 8个MapTask;1个ReduceTask;1个mrAppMaster 平均每个节点运行10个 / 3台 ≈ 3个任务(4    3    3) HDFS参数调优 (1)修改:hadoop-env.sh export HDFS_NAMENOD

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

嵌入式QT开发:构建高效智能的嵌入式系统

摘要: 本文深入探讨了嵌入式 QT 相关的各个方面。从 QT 框架的基础架构和核心概念出发,详细阐述了其在嵌入式环境中的优势与特点。文中分析了嵌入式 QT 的开发环境搭建过程,包括交叉编译工具链的配置等关键步骤。进一步探讨了嵌入式 QT 的界面设计与开发,涵盖了从基本控件的使用到复杂界面布局的构建。同时也深入研究了信号与槽机制在嵌入式系统中的应用,以及嵌入式 QT 与硬件设备的交互,包括输入输出设

OpenHarmony鸿蒙开发( Beta5.0)无感配网详解

1、简介 无感配网是指在设备联网过程中无需输入热点相关账号信息,即可快速实现设备配网,是一种兼顾高效性、可靠性和安全性的配网方式。 2、配网原理 2.1 通信原理 手机和智能设备之间的信息传递,利用特有的NAN协议实现。利用手机和智能设备之间的WiFi 感知订阅、发布能力,实现了数字管家应用和设备之间的发现。在完成设备间的认证和响应后,即可发送相关配网数据。同时还支持与常规Sof

活用c4d官方开发文档查询代码

当你问AI助手比如豆包,如何用python禁止掉xpresso标签时候,它会提示到 这时候要用到两个东西。https://developers.maxon.net/论坛搜索和开发文档 比如这里我就在官方找到正确的id描述 然后我就把参数标签换过来