Image Compression Using Swin Transformer 项目依赖在文件requirement.txt中
训练集DIV2K train(800)&val(100) 解压到dataset/DIV2K/DIV2K_train_HR中(train和val放到一起 共900张)。 下载链接 http://data.vision.ee.ethz.ch/cvl/DIV2K/DIV2K_train_HR.zip http://data.vision.ee.ethz.ch/cvl/DIV2K/DIV2K_valid_HR.zip
测试集Kodak 已在dataset/kodak
首先使用utils.py将训练数据集进行预处理 900张图随机裁剪384
请在train.py 中配置真实数据集路径
parser.add_argument(
"--train_path", default='dataset/DIV2K/DIV2K_train_HR_sub', type=str,
help='train dataset path')
parser.add_argument(
"--val_path", default='dataset/kodak', type=str,
help='val dataset path')运行train进行训练 命令如下
需要完成以下11组参数的训练
batchsize和使用的gpu数量需要自行调整
batchsize为4时约需要11G显存
高qp网络channel数为 低qp的两倍，会增加显存使用，需要根据情况调低batchsize
python train.py --batchsize 32 --gpu "0,1,2,3" --model_type 0 --qp 3
python train.py --batchsize 32 --gpu "0,1,2,3" --model_type 0 --qp 5
python train.py --batchsize 32 --gpu "0,1,2,3" --model_type 0 --qp 7
python train.py --batchsize 32 --gpu "0,1,2,3" --model_type 1 --qp 2
python train.py --batchsize 32 --gpu "0,1,2,3" --model_type 1 --qp 3
python train.py --batchsize 32 --gpu "0,1,2,3" --model_type 1 --qp 4model_type 0 损失为MSE model_type 1 损失为MS-SSIM
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent