Python 人工智能老照片修复算法学习
前言
项目环境搭建
conda虚拟环境创建
激活环境
Pytorch安装
Synchronized-BatchNorm-PyTorch repository安装
Global目录Synchronized-BatchNorm-PyTorch项目部署
检测预处理模型下载
下载脸部增强模型文件
下载依赖
完整部署后项目结构
项目使用
验证一下
总结
前言老旧或者破损的照片如何修复呢？本文主要分享一个博主使用后非常不错的照片恢复开源项目：Bringing-Old-Photos-Back-to-Life。
项目的Github地址：项目地址
我们先看看官方给出的效果图：
就算现在看到这张图，我仍然觉着非常惊艳。下面我会把项目环境安装部署，到最后使用的效果做一个展示。
项目环境搭建该项目的环境搭建有点复杂，我一点点说。
conda虚拟环境创建在项目README.md文件中要求python版本在3.6以上。
我们用anaconda创建一个虚拟环境bobl
conda create -n bobl python=3.6
激活环境
conda activate bobl
在Pycharm项目中配置interpreter，设置到conda目录envs下bobl环境的python。
虽然项目官方给出的requirements.txt包含pytorch，为了保险起见，还是去Pytorch官方网站上安装一下。Pytorch官方地址:PyTorch
因为我本机没插显卡，安装的cpu版本。
选择对应的命令安装Pytorch库。
Synchronized-BatchNorm-PyTorch repository安装官方给出的安装说明里面需要部署Synchronized-BatchNorm-PyTorch项目进来。
这里注意一点，需要把Synchronized-BatchNorm-PyTorch项目中的sync_batchnorm拷贝到上级目录。完整的目录接口参考下图：
官方说明里面也需要把Synchronized-BatchNorm-PyTorch项目部署到Global里面。
也是一样要把sync_batchnorm拷贝到上级目录。结构如下：
需要用到一个检测预处理模型，主要是用来识别照片中的人脸部分的。
注意解压后的位置，结构如下：
官方说明：
下载两个模型zip解压到对应目录下，结构如下：
注意，我这里去掉了pytorch的依赖安装，已经已经装过了。
dlib
scikit-image
easydict
PyYAML
dominate>=2.3.1
dill
tensorboardX
scipy
opencv-python
einops
PySimpleGUI
安装命令：
pip install -r requirements.txt -i https://pypi.douban.com/simple
完整部署后项目结构
完整的结构如下图：
官方给到的图，我就不用了，不能说明问题。我自己准备了两种图，一张是一张人脸的，一张是多张人脸的。
先按照官方给出的命令跑跑看
我们直接使用最下面这个命令，包含划痕去除与高度还原。看一下执行情况。
(bobl) D:\spyder\Bringing-Old-Photos-Back-to-Life>python run.py --input_folder E:\csdn\老照片 --output_folder result1/ --GPU -1 --with_scratch --HR
Running Stage 1: Overall restoration
initializing the dataloader
model weights loaded
directory of testing image: E:\csdn\老照片
processing 1.jpg
processing 2.jpg
Mapping: You are using multi-scale patch attention, conv combine + mask input
Now you are processing 1.png
C:\ProgramData\Anaconda3\envs\bobl\lib\site-packages\torch\nn\functional.py:3635: UserWarning: Default upsampling behavior when mode=bilinear is changed to align_corners=False since 0.4
.0. Please specify align_corners=True if the old behavior is desired. See the documentation of nn.Upsample for details.
"See the documentation of nn.Upsample for details.".format(mode)
Now you are processing 2.png
Finish Stage 1 ...
Running Stage 2: Face Detection
12
1
Finish Stage 2 ...
Running Stage 3: Face Enhancement
dataset [FaceTestDataset] of size 13 was created
The size of the latent vector size is [16,16]
Network [SPADEGenerator] was created. Total number of parameters: 92.1 million. To see the architecture, do print(network).
hi :)
Finish Stage 3 ...
Running Stage 4: Blending
Finish Stage 4 ...
All the processing is done. Please check the results.
(bobl) D:\spyder\Bringing-Old-Photos-Back-to-Life>
输出的文件不但有最终的结果，也有检测出来的每个脸的处理前后效果。结果结构如下：
1、多人照片最终的效果验证，下面上图是输出结果图，下图是原始图。可以看出有些划痕已经消失，但是还是有一些，不过整体的任务更立体鲜明了。
2、单人照片最终效果验证，下面上图为结果图，下图为原始图。单人就很明显了，不但划痕都消除了，人也更清晰立体，效果是真不错。
3、模型也会把多人图中的每张脸都识别出来，并且跑出结果，可以对比一下看看，细节还是修复的很好的。
官方还给出了其他的命令，就不一一验证了。整体的效果是非常好的，只是在多人图的时候还有些瑕疵，瑕不掩瑜。
到此这篇关于Python 人工智能老照片修复算法学习的文章就介绍到这了,更多相关Python人工智能内容请搜索软件开发网以前的文章或继续浏览下面的相关文章希望大家以后多多支持软件开发网！
