|
|
|
|
|
# dipfa
|
|
|
|
|
|
|
|
|
|
|
|
### 说明
|
|
|
|
|
|
|
|
|
|
|
|
本项目使用flask作为后端，采用网页的形式进行展示，交互
|
|
|
|
|
|
|
|
|
|
|
|
### 环境
|
|
|
|
|
|
|
|
|
|
|
|
python3.7+
|
|
|
|
|
|
|
|
|
|
|
|
### 开始
|
|
|
|
|
|
|
|
|
|
|
|
```
|
|
|
|
|
|
pip install -r requirements.txt
|
|
|
|
|
|
python app.py # 默认在 127.0.0.1:5000
|
|
|
|
|
|
```
|
|
|
|
|
|
如果打算使用 GPU，由于 cuda 版本不同，pytorch 和 torchvision 需要自行下载，建议从以下网站找到对应版本下载 whl 文件安装 \
|
|
|
|
|
|
https://download.pytorch.org/whl/torch/ \
|
|
|
|
|
|
https://download.pytorch.org/whl/torchvision/
|
|
|
|
|
|
```python
|
|
|
|
|
|
import torch
|
|
|
|
|
|
torch.cuda.is_available() # 返回 True 才能使用 GPU
|
|
|
|
|
|
```
|
|
|
|
|
|
如果 GPU 显存不够，可以直接修改 myTransfer.py 和 models.py，设置 device = 'cpu'
|
|
|
|
|
|
|
|
|
|
|
|
### 风格迁移说明
|
|
|
|
|
|
<code>models</code>下包含风格迁移的模型文件下载地址，需运行 models.bat 和 myModels.bat 下载 \
|
|
|
|
|
|
其中，models.bat 下载固定风格任意内容的模型，myModels.bat 下载任意风格任意内容的模型。\
|
|
|
|
|
|
任意风格任意内容迁移的代码、研究与报告见项目 StyleTransfer。
|
|
|
|
|
|
```
|
|
|
|
|
|
- models
|
|
|
|
|
|
- COCO2014_1000
|
|
|
|
|
|
- *.png
|
|
|
|
|
|
- metanet_base32_style300000.0_tv1e-06_tagnohvd.pth
|
|
|
|
|
|
- metanet_base32_style300000.0_tv1e-06_tagnohvd_transform_net.pth
|
|
|
|
|
|
- candy.t7
|
|
|
|
|
|
- feathers.t7
|
|
|
|
|
|
- *.t7
|
|
|
|
|
|
```
|
|
|
|
|
|
myModels.bat 受限于服务器带宽，下载所有文件需要约 30 min。\
|
|
|
|
|
|
为了减少下载时间:
|
|
|
|
|
|
1. 如果本地已经有完整的 COCO2014，可以运行 genCOCO2014_1000.py 脚本生成数据集 \
|
|
|
|
|
|
如果没有，可以运行 getCOCO2014_1000.bat 下载， \
|
|
|
|
|
|
也可以从[这里](http://images.cocodataset.org/zips/train2014.zip)下载，解压并运行 genCOCO2014_1000.py 脚本 \
|
|
|
|
|
|
需要将 genCOCO2014_1000.py 的这行改成自己数据集的路径
|
|
|
|
|
|
```python
|
|
|
|
|
|
src = "../../COCO2014/train2014"
|
|
|
|
|
|
```
|
|
|
|
|
|
2. 目前已经将 vgg19 改成了 pretrained=True，通过 torchvision 下载，所以项目初次运行会先进行下载。 \
|
|
|
|
|
|
如果下载不了的话可以找其他的源下载，并修改代码，\
|
|
|
|
|
|
或者运行 getVgg19.bat 从服务器获取，享受极(慢)速(度)(约 20 min)
|
|
|
|
|
|
```python
|
|
|
|
|
|
vgg19 = models.vgg19(pretrained=False)
|
|
|
|
|
|
vgg19.load_state_dict(torch.load(${模型路径}))
|
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
如图，左侧为内容图，右侧为风格图。对于一张风格图，第一次运行会花费额外的时间（取决于设备）。
|
|
|
|
|
|
之后风格图不变，更换内容图，进行迁移需要约 5-8s。
|
|
|
|
|
|
|
|
|
|
|
|
### 后端文档说明
|
|
|
|
|
|
采用 sphinx 自动生成 \
|
|
|
|
|
|
起始页面: ./doc/_build/html/index.html
|
|
|
|
|
|
|
|
|
|
|
|
### 测试说明
|
|
|
|
|
|
./test 下是对每一个 service 的测试，其中 main.py 运行全部的测试，showImg 为 True 会显示图片，否则不会。\
|
|
|
|
|
|
批量测试前建议把这两个函数注释掉，后面单独测试，否则有概率爆内存。
|
|
|
|
|
|
```python
|
|
|
|
|
|
# noiseBlur_test.py
|
|
|
|
|
|
def test_harmonic_blur():
|
|
|
|
|
|
res = noiseBlurService.harmonic_blur([blur], {'ksize': 3})
|
|
|
|
|
|
display('harmonic_blur', res)
|
|
|
|
|
|
|
|
|
|
|
|
def test_low_pass_filter():
|
|
|
|
|
|
res = noiseBlurService.low_pass_filter([blur], {'threshold2': 200})
|
|
|
|
|
|
display('low_pass', res)
|
|
|
|
|
|
```
|
|
|
|
|
|
|
