基于Srgan网络实现训练超分模型python源码+数据集.zip

# Srgan_重置的 Srgan 代码训练自己 超分模型 这是复现的SRGAN 网络用于训练自己的超分模型 # 环境要求 | 工具 | 版本 | | -------------- | ----- | | python | 3.8.0 | | TensorFlow-gpu | 2.5.0 | | keras | 2.4.3 | # 资源地址： 数据集地址：https://pan.baidu.com/s/1UBle5Cu74TRifcAVz14cDg 提取码：luly # conda虚拟环境一键导入： ```bash conda env create -f srgan_tf2.5.yaml ``` # How2Train 数据集图片放入dataset 目录下。 ```bash ├─dataset │ └─1.png │ └─2.png │ └─3.png ``` 运行 annotation.py。生成dataset.txt. **train.py** : ```python def train(epochs, batch_size, model_save_dir): # 设置dataset.txt 路径 train_annotation_path = 'dataset.txt' #下采样倍数 downscale_factor = 4 #输入图片形状 hr_shape = (384,384,3) #加载数据集 ``` 然后就可以训练了。 # How2Predict ```python from pickle import NONE from PIL import Image import cv2 import numpy as np import matplotlib.pyplot as plt from nets.nets import Generator #图片路径 before_image = Image.open(r"0.jpg") before_image = before_image.convert("RGB") gen_model = Generator([None,None,3]) #生成器模型 gen_model.load_weights('loss\gen_model99.h5') # gen_model.summary() new_img = Image.new('RGB', before_image.size, (128, 128, 128)) new_img.paste(before_image) # plt.imshow(new_img) # plt.show() new_image = np.array(new_img)/127.5 - 1 # 三维变4维 因为神经网络的输入是四维的 new_image = np.expand_dims(new_image, axis=0) # [batch_size,w,h,c] fake = (gen_model.predict(new_image)*0.5 + 0.5)*255 #将np array 形式的图片转换为unit8 把数据转换为图 fake = Image.fromarray(np.uint8(fake[0])) fake.save("out.png") titles = ['Generated', 'Original'] plt.subplot(1, 2, 1) plt.imshow(before_image) plt.subplot(1, 2, 2) plt.imshow(fake) plt.show() ``` # 其他 上采样时，使用keras 自带的UpSampling2D。上采样两次。在net.py 中有亚像素卷积上采样。需要更改的话自己从代码中更改就好。 ```python #-------------------------------------- # 亚像素卷积上采样块 # 生成器 还是用的 UpSampling2D # 如果有需要可以自己更改 # ------------------------------------- def SubpixelConv2D(input_shape, scale=4): def subpixel_shape(input_shape): dims = [input_shape[0],input_shape[1] * scale,input_shape[2] * scale,int(input_shape[3] / (scale ** 2))] output_shape = tuple(dims) return output_shape def subpixel(x): return tf.compat.v1.depth_to_space(x, scale) return Lambda(subpixel, output_shape=subpixel_shape) ```