文章目录

SwinIR实战：详细记录SwinIR的训练过程。

论文地址：https://arxiv.org/pdf/2108.10257.pdf

预训练模型下载：https://github.com/JingyunLiang/SwinIR/releases

训练代码下载：https://github.com/cszn/KAIR

测试代码：https://github.com/JingyunLiang/SwinIR

论文翻译：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/124434886

测试：https://wanghao.blog.csdn.net/article/details/124517210

在写这边文章之前，我已经翻译了论文，讲解了如何使用SWinIR进行测试？

接下来，我们讲讲如何SwinIR完成训练，有于作者训练了很多任务，我只复现其中的一种任务。

下载训练代码

地址：https://github.com/cszn/KAIR

这是个超分的库，里面包含多个超分的模型，比如SCUNet、VRT、SwinIR、BSRGGAN、USRNet等模型。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-B5Md9i7H-1651410061139)(https://gitee.com/wanghao1090220084/cloud-image/raw/master/img/face_09_comparison.png)]

下载后解压，训练SwinIR的REANDME.md,路径：./docs/README_SwinIR.md

数据集

训练和测试集可以下载如下。 请将它们分别放在 trainsets 和 testsets 中。

我下载了DIV2K数据集和 Flickr2K数据集，DIV2K大小有7G+，Flickr2K约20G。如果网速不好建议只下载DIV2K。

注：在选用classical任务，做训练时，只能使用DIV2K或者Flickr2K，不能把两种数据集放在一起训练，否则就出现维度对不上的情况，如下图：

暂时没有找到原因。

构建测试集，测试集的路径如下图：

由于表格中的测试集放在google，我不能下载，但是SwinIR的测试代码中有测试集，代码链接：https://github.com/JingyunLiang/SwinIR，下载下来直接复制到testsets文件夹下面。

构建训练集，将下载下来的DIV2K解压。将DIV2K_train_HR复制到trainsets文件夹下面，将其改为trainH。

将DIV2K_train_LR_bicubic文件夹的X2文件夹复制到trainsets文件夹下面，然后将其改名为trainL。

到这里，数据集部分就完成了，接下来开始训练。

训练

首先，打开options/swinir/train_swinir_sr_classical.json文件，查看里面的内容。

"task": "swinir_sr_classical_patch48_x2"

训练任务的名字。

"gpu_ids": [0,1]

选择GPU的ID，如果只有一快GPU，改为 [0]。如果有更多的GPU，直接往后面添加即可。

"scale": 2  //2,3,48

放大的倍数，可以设置为2、3、4、8.

"datasets": {
  "train": {
    "name": "train_dataset"           // just name
    , "dataset_type": "sr"         // "dncnn" | "dnpatch" | "fdncnn" | "ffdnet" | "sr" | "srmd" | "dpsr" | "plain" | "plainpatch" | "jpeg"
    , "dataroot_H": "trainsets/trainH"// path of H training dataset. DIV2K (800 training images)
    , "dataroot_L": "trainsets/trainL"              // path of L training dataset

    , "H_size": 96                   // 96/144|192/384 | 128/192/256/512. LR patch size is set to 48 or 64 when compared with RCAN or RRDB.

    , "dataloader_shuffle": true
    , "dataloader_num_workers": 4
    , "dataloader_batch_size": 1      // batch size 1 | 16 | 32 | 48 | 64 | 128. Total batch size =4x8=32 in SwinIR
  }
  , "test": {
    "name": "test_dataset"            // just name
    , "dataset_type": "sr"         // "dncnn" | "dnpatch" | "fdncnn" | "ffdnet" | "sr" | "srmd" | "dpsr" | "plain" | "plainpatch" | "jpeg"
    , "dataroot_H": "testsets/Set5/HR"  // path of H testing dataset
    , "dataroot_L": "testsets/Set5/LR_bicubic/X2"              // path of L testing dataset

  }
}

上面的参数是对数据集的设置。
“H_size”: 96 ，HR图像的大小，和下面的img_size有对应关系，大小设置为img_size×scale。

“dataloader_num_workers”: 4，CPU的核数设置。

“dataloader_batch_size”: 32 ，设置训练的batch_size。

dataset_type：sr，指的是数据集类型SwinIR。

"netG": {
    "net_type": "swinir" 
    , "upscale": 2                      // 2 | 3  | 4 | 8
    , "in_chans": 3 
    , "img_size": 48                    // For fair comparison, LR patch size is set to 48 or 64 when compared with RCAN or RRDB.
    , "window_size": 8  
    , "img_range": 1.0 
    , "depths": [6, 6, 6, 6, 6, 6] 
    , "embed_dim": 180 
    , "num_heads": [6, 6, 6, 6, 6, 6]
    , "mlp_ratio": 2 
    , "upsampler": "pixelshuffle"        // "pixelshuffle" | "pixelshuffledirect" | "nearest+conv" | null
    , "resi_connection": "1conv"        // "1conv" | "3conv"
    , "init_type": "default"
  }

upscale：2，放大的倍数，和上面的scale参数对应。

img_size：48，这里可以设置两个数值，48和64。和测试的training_patch_size参数对应。

官方提供的指令是基于DDP方式，比较复杂一下，好处是速度快。如下：

# 001 Classical Image SR (middle size)
python -m torch.distributed.launch --nproc_per_node=8 --master_port=1234 main_train_psnr.py --opt options/swinir/train_swinir_sr_classical.json  --dist True

# 002 Lightweight Image SR (small size)
python -m torch.distributed.launch --nproc_per_node=8 --master_port=1234 main_train_psnr.py --opt options/swinir/train_swinir_sr_lightweight.json  --dist True

# 003 Real-World Image SR (middle size)
python -m torch.distributed.launch --nproc_per_node=8 --master_port=1234 main_train_psnr.py --opt options/swinir/train_swinir_sr_realworld_psnr.json  --dist True
# before training gan, put the PSNR-oriented model into superresolution/swinir_sr_realworld_x4_gan/models/
python -m torch.distributed.launch --nproc_per_node=8 --master_port=1234 main_train_psnr.py --opt options/swinir/train_swinir_sr_realworld_gan.json  --dist True

# 004 Grayscale Image Deoising (middle size)
python -m torch.distributed.launch --nproc_per_node=8 --master_port=1234 main_train_psnr.py --opt options/swinir/train_swinir_denoising_gray.json  --dist True

# 005 Color Image Deoising (middle size)
python -m torch.distributed.launch --nproc_per_node=8 --master_port=1234 main_train_psnr.py --opt options/swinir/train_swinir_denoising_color.json  --dist True

# 006 JPEG Compression Artifact Reduction (middle size)
python -m torch.distributed.launch --nproc_per_node=8 --master_port=1234 main_train_psnr.py --opt options/swinir/train_swinir_car_jpeg.json  --dist True

我没有使用上面的方式，而是选择用DP的方式，虽然慢一点，但是简单，更稳定。

在Terminal里面输入：

python main_train_psnr.py --opt options/swinir/train_swinir_sr_classical.json

即可开始训练。

运行结果如下：

等待训练完成后，我们使用测试代码测试。将模型复制到./model_zoo/swinir文件夹下面

输入命令：

python main_test_swinir.py --task classical_sr --scale 2 --training_patch_size 48 --model_path model_zoo/swinir/45000_G.pth --folder_lq testsets/Set5/LR_bicubic/X2

然后在result下面可以看到测试结果。

完整的代码：

https://download.csdn.net/download/hhhhhhhhhhwwwwwwwwww/85258387