qianbo0423 / cv_template

一个图像复原或分割的统一框架，可以用于去雾🌫、去雨🌧、去模糊、夜景🌃复原、超分辨率👾、像素级分割等等。

cv_template

　　一个图像复原或分割的统一框架，可以用于去雾🌫、去雨🌧、去模糊、夜景🌃复原、超分辨率👾、像素级分割等等。

　　

Highlights

• 特色功能
  • 快速搭建baseline，只需生成输入和标签对应的txt文件，无需修改任何代码即可运行
  • (参数控制)多模型
  • 训练过程监控
  • 命令行日志记录
  • 支持TTA

环境需求

python >= 3.6
torch >= 1.0
tensorboardX >= 1.6
utils-misc >= 0.0.5
mscv >= 0.0.3
opencv-python==4.2.0.34  # opencv>=4.4需要编译，建议安装4.2版本
opencv-python-headless==4.2.0.34
albumentations>=0.5.1 

使用方法

训练和验证模型

① 生成输入图片和标签对应的train.txt和val.txt

　　新建一个datasets文件夹，制作文件列表train.txt和val.txt并把它们放在datasets目录下，train.txt和val.txt需要满足这样的格式：每行是一对样本的输入和标签的绝对路径，用空格隔开。如下所示：

# datasets/train.txt
/home/xhy/datasets/RESIDE/ITS_v2/images/94_4.png /home/xhy/datasets/RESIDE/ITS_v2/labels/94.png
/home/xhy/datasets/RESIDE/ITS_v2/images/687_6.png /home/xhy/datasets/RESIDE/ITS_v2/labels/687.png
/home/xhy/datasets/RESIDE/ITS_v2/images/441_3.png /home/xhy/datasets/RESIDE/ITS_v2/labels/441.png
/home/xhy/datasets/RESIDE/ITS_v2/images/102_7.png /home/xhy/datasets/RESIDE/ITS_v2/labels/102.png
/home/xhy/datasets/RESIDE/ITS_v2/images/988_2.png /home/xhy/datasets/RESIDE/ITS_v2/labels/988.png
/home/xhy/datasets/RESIDE/ITS_v2/images/860_8.png /home/xhy/datasets/RESIDE/ITS_v2/labels/860.png

　　如果输入图片和标签是一一对应的并且存放在两个文件夹中，可以使用下面的脚本生成：

# !- bash
python utils/make_filelist.py --input datasets/images/ --label /datasets/labels --val_ratio 0.1 --out datasets

　　生成好train.txt和val.txt后目录结构是这样的：

cv_template
    └── datasets
          ├── train.txt      
          └── val.txt    

② 训练模型

CUDA_VISIBLE_DEVICES=0 python train.py --tag ffa --model FFA --epochs 20 -b 2 --lr 0.0001 # --tag用于区分每次实验，可以是任意字符串

　　训练的中途可以在验证集上验证，添加--val_freq 10参数可以指定10个epoch验证一次，添加--save_freq 10参数可以指定10个epoch保存一次checkpoint。

③ 验证训练的模型

CUDA_VISIBLE_DEVICES=0 python eval.py --model FFA -b 2 --load checkpoints/ffa/20_FFA.pt

　　验证的结果会保存在results/<tag>目录下，如果不指定--tag，默认的tag为cache。

④ 恢复中断的训练

CUDA_VISIBLE_DEVICES=0 python train.py --tag ffa_resume --model FFA --epochs 20 -b 2 --lr 0.0001 --load checkpoints/ffa/10_FFA.pt --resume

　　--load的作用是载入网络权重；--resume参数会同时加载优化器参数和epoch信息(继续之前的训练)，可以根据需要添加。

⑤ 在测试集上测试

CUDA_VISIBLE_DEVICES=0 python submit.py --model FFA --load checkpoints/ffa/20_FFA.pt

记录和查看日志

　　所有运行的命令和运行命令的时间戳会自动记录在run_log.txt中。

　　不同实验的详细日志和Tensorboard日志文件会记录在logs/<tag>文件夹中，checkpoint文件会保存在checkpoints/<tag>文件夹中。

参数说明

--tag参数是一次操作(train或eval)的标签，日志会保存在logs/标签目录下，保存的模型会保存在checkpoints/标签目录下。

--model是使用的模型，所有可用的模型定义在network/__init__.py中。

--epochs是训练的代数。

-b参数是batch_size，可以根据显存的大小调整。

-w参数是num_workers，即读取数据的进程数，如果需要用pdb来debug，将这个参数设为0。

--lr是初始学习率。

--load是加载预训练模型。

--resume配合--load使用，会恢复上次训练的epoch和优化器。

--gpu指定gpu id，目前只支持单卡训练。

另外还可以通过参数调整优化器、学习率衰减、验证和保存模型的频率等，详细请查看python train.py --help。

清除不需要的实验记录

　　运行 python clear.py --tag <your_tag> 可以清除不需要的实验记录，注意这是不可恢复的，如果你不确定你在做什么，请不要使用这条命令。

如何添加新的模型：

如何添加新的模型：

① 复制network目录下的FFA文件夹，改成另外一个名字(比如MyNet)。

② 仿照FFA的model.py，修改自己的网络结构、损失函数和优化过程。

③ 确认network/<MyNet>/model.py正确，现在network下的目录会被自动检测到，不再需要手动添加。

④ 运行 python train.py --model MyNet 看能否正常训练