SRFBN_CVPR19 开源项目教程

1. 项目的目录结构及介绍

SRFBN_CVPR19/
├── config/
│   ├── train_SRFBN.json
│   └── test_SRFBN.json
├── data/
│   ├── __init__.py
│   └── dataset.py
├── models/
│   ├── __init__.py
│   ├── base_model.py
│   └── srfbn_model.py
├── scripts/
│   ├── train.py
│   └── test.py
├── utils/
│   ├── __init__.py
│   ├── common.py
│   └── metrics.py
├── README.md
└── requirements.txt

目录结构介绍

• config/: 包含项目的配置文件，如训练和测试的配置文件。
• data/: 包含数据集处理的相关脚本。
• models/: 包含模型的定义和实现。
• scripts/: 包含训练和测试的脚本。
• utils/: 包含一些通用的工具函数。
• README.md: 项目说明文档。
• requirements.txt: 项目依赖的Python包列表。

2. 项目的启动文件介绍

训练脚本

scripts/train.py 是项目的训练启动文件。通过运行该脚本，可以开始训练模型。

python scripts/train.py --config config/train_SRFBN.json

测试脚本

scripts/test.py 是项目的测试启动文件。通过运行该脚本，可以对训练好的模型进行测试。

python scripts/test.py --config config/test_SRFBN.json

3. 项目的配置文件介绍

训练配置文件

config/train_SRFBN.json 包含了训练过程中所需的各项配置参数，如数据集路径、模型参数、优化器参数等。

{
    "datasets": {
        "train": {
            "name": "DIV2K",
            "mode": "LRHR",
            "dataroot_LR": "path_to_LR_images",
            "dataroot_HR": "path_to_HR_images"
        },
        "test": {
            "name": "Set5",
            "mode": "LRHR",
            "dataroot_LR": "path_to_LR_test_images",
            "dataroot_HR": "path_to_HR_test_images"
        }
    },
    "network_G": {
        "which_model_G": "SRFBN",
        "in_nc": 3,
        "out_nc": 3,
        "nf": 64,
        "nb": 4,
        "scale": 4
    },
    "train": {
        "lr_G": 1e-4,
        "weight_decay_G": 0,
        "beta1": 0.9,
        "beta2": 0.999,
        "lr_scheme": "MultiStepLR",
        "lr_steps": [50000, 100000, 200000, 300000],
        "lr_gamma": 0.5
    }
}

测试配置文件

config/test_SRFBN.json 包含了测试过程中所需的各项配置参数，如数据集路径、模型路径等。

{
    "datasets": {
        "test": {
            "name": "Set5",
            "mode": "LRHR",
            "dataroot_LR": "path_to_LR_test_images",
            "dataroot_HR": "path_to_HR_test_images"
        }
    },
    "network_G": {
        "which_model_G": "SRFBN",
        "in_nc": 3,
        "out_nc": 3,
        "nf": 64,
        "nb": 4,
        "scale": 4
    },
    "path": {
        "pretrained_model_G": "path_to_pretrained_model"
    }
}