2021SC@SDUSC
源码:inference_gfpgan.py
主要包含一个main函数,执行inference,下面我们看一下具体操作
目录
main()
1.创建一个 ArgumentParser 对象,ArgumentParser 对象包含将命令行解析成 Python 数据类型所需的全部信息。即修复图像所需要的参数路径等等
2.使用 parse_args() 解析添加的参数
3.确认cuda能否使用,能否在gpu上运行,可以的话设置background upsampler为一个RealESRGANer。
4.设置一个GFPGAN restorer
parser = argparse.ArgumentParser() '''调用 add_argument() 方法添加参数''' parser.add_argument('--upscale', type=int, default=2) parser.add_argument('--arch', type=str, default='clean') parser.add_argument('--channel', type=int, default=2) parser.add_argument('--model_path', type=str, default='experiments/pretrained_models/GFPGANCleanv1-NoCE-C2.pth') parser.add_argument('--bg_upsampler', type=str, default='realesrgan') parser.add_argument('--bg_tile', type=int, default=0) parser.add_argument('--test_path', type=str, default='inputs/whole_imgs') parser.add_argument('--suffix', type=str, default=None, help='Suffix of the restored faces') parser.add_argument('--only_center_face', action='store_true') parser.add_argument('--aligned', action='store_true') parser.add_argument('--paste_back', action='store_false') parser.add_argument('--save_root', type=str, default='results')
ArgumentParser是python参数解析工具,一般新建一个
ArgumentParser
类对象,然后来添加若干个参数选项,最后通过parse_args()
方法解析并获得命令行传来的参数。通过命令行运行Python脚本时,可以通过ArgumentParser
来高效地接受并解析命令行参数。
args = parser.parse_args() if args.test_path.endswith('/'): args.test_path = args.test_path[:-1] os.makedirs(args.save_root, exist_ok=True)
实际上是一个使用U-net的超分辨率算法,之后将作为参数传入GFPGAN restorer。
if args.bg_upsampler == 'realesrgan': '''torch.cuda.is_available()返回cuda是否可用;''' if not torch.cuda.is_available(): # CPU print(torch.zeros(1).cuda()) print(torch.cuda.is_available()) import warnings warnings.warn('The unoptimizsed RealESRGAN is very slow on CPU. We do not use it. ' 'If you really want to use it, please modify the corresponding codes.') bg_upsampler = None else: print('torch.cuda.is_available') from realesrgan import RealESRGANer bg_upsampler = RealESRGANer( scale=2, model_path='https://github.com/xinntao/Real-ESRGAN/releases/download/v0.2.1/RealESRGAN_x2plus.pth', tile=args.bg_tile, tile_pad=10, pre_pad=0, half=True) # need to set False in CPU mode else: bg_upsampler = None
restorer = GFPGANer( model_path=args.model_path, upscale=args.upscale, arch=args.arch, channel_multiplier=args.channel, bg_upsampler=bg_upsampler)
img_list = sorted(glob.glob(os.path.join(args.test_path, '*')))
遍历上述列表做以下操作
读取每一张图片,并调用enhance方法对图片进行修复
保存图片,包括裁剪出的人脸部分,修复好的人脸部分,整体的修复图片等等,不再赘述
for img_path in img_list: # read image img_name = os.path.basename(img_path) print(f'Processing {img_name} ...') basename, ext = os.path.splitext(img_name) input_img = cv2.imread(img_path, cv2.IMREAD_COLOR) cropped_faces, restored_faces, restored_img = restorer.enhance( input_img, has_aligned=args.aligned, only_center_face=args.only_center_face, paste_back=args.paste_back) # save faces for idx, (cropped_face, restored_face) in enumerate(zip(cropped_faces, restored_faces)): # save cropped face save_crop_path = os.path.join(args.save_root, 'cropped_faces', f'{basename}_{idx:02d}.png') imwrite(cropped_face, save_crop_path) # save restored face if args.suffix is not None: save_face_name = f'{basename}_{idx:02d}_{args.suffix}.png' else: save_face_name = f'{basename}_{idx:02d}.png' save_restore_path = os.path.join(args.save_root, 'restored_faces', save_face_name) imwrite(restored_face, save_restore_path) # save cmp image cmp_img = np.concatenate((cropped_face, restored_face), axis=1) imwrite(cmp_img, os.path.join(args.save_root, 'cmp', f'{basename}_{idx:02d}.png')) # save restored img if args.suffix is not None: save_restore_path = os.path.join(args.save_root, 'restored_imgs', f'{basename}_{args.suffix}{ext}') else: save_restore_path = os.path.join(args.save_root, 'restored_imgs', img_name) imwrite(restored_img, save_restore_path)
以上即为inference_gfpgan.py全部功能实现