Real-ESRGAN

Instalasi

Real-ESRGAN tidak memerlukan komponen tambahan opsional. Semua impornya tersedia dalam instalasi dasar.

pip install libreyolo

Prediksi

Bobot diunduh dari Hugging Face saat pertama kali digunakan dan disimpan dalam cache lokal.

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreRealESRGANx4-restore.pt")result = model(SAMPLE_IMAGE, save=True) restored = result.restoredprint(restored.array.shape, restored.array.dtype)

libreyolo predict model=LibreRealESRGANx4-restore.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

from libreyolo import LibreYOLO model = LibreYOLO("LibreRealESRGANx4-restore.pt") # tile membagi forward pass menjadi tile yang saling tumpang tindih dan memadukan# sambungannya kembali; tile_pad adalah halo yang ditambahkan di sekitar setiap tile# sebelum dipotong kembali. Keduanya adalah argumen keyword khusus Python,# bukan flag CLI.result = model("large-photo.jpg", tile=512, tile_pad=10, save=True)

Hasil restorasi tidak memiliki kotak; result.restored adalah gambar RGB uint8 padat (H, W, 3) pada canvas yang ukurannya Results.restore_scale kali input di setiap dimensi. save=True menulis gambar tersebut secara langsung, bukan plot beranotasi. Input dikonversi ke RGB dan channel alfa akan dibuang. Sumber yang lebih besar daripada kapasitas memori dapat dibagi dengan tile dan tile_pad, yang memadukan kembali sambungan tile dalam output. Lihat prediksi untuk sumber, streaming, dan penanganan hasil.

Varian

Tiga checkpoint yang dinamai berdasarkan faktor upscale. x4 adalah RRDBNet (RealESRGAN_x4plus), dengan 23 residual-in-residual dense block, dan menjadi default berkualitas tinggi pada 4x. x2 memakai arsitektur RRDBNet yang sama pada 2x. x4t adalah SRVGGNetCompact (realesr-general-x4v3), generator yang lebih kecil dan cepat, dibuat untuk video serta penggunaan berlatensi lebih rendah pada 4x. Model upstream serbaguna juga menyediakan jaringan kekuatan denoise berpasangan yang dipadukan saat inferensi; kontrol kekuatan tersebut bukan bagian dari port ini, yang menjalankan generator dasar x4t.

Validasi

val() mengukur PSNR dan SSIM antara output restorasi dan gambar target bersih. Keduanya dihitung dalam RGB pada canvas asli tanpa pemotongan batas dan tanpa pengubahan ukuran. SSIM memakai jendela Gaussian 11x11 dengan sigma 1.5, lalu dirata-ratakan pada ketiga channel warna.

from libreyolo import LibreYOLO model = LibreYOLO("LibreRealESRGANx4-restore.pt")metrics = model.val(data="my-restore-dataset.yaml") print(metrics["metrics/PSNR"])print(metrics["metrics/SSIM"])

libreyolo val model=LibreRealESRGANx4-restore.pt data=my-restore-dataset.yaml

Argumen dataset adalah YAML yang memasangkan direktori gambar input terdegradasi dengan direktori gambar target bersih beresolusi sama; lihat format dataset untuk key yang tepat.

Ekspor

Artefak hasil ekspor dimuat kembali melalui LibreYOLO() berdasarkan sufiks berkasnya, sehingga berkas .onnx atau .engine berperilaku seperti checkpoint dan mengembalikan Results yang sama. Ekspor mencantumkan argumen yang diterima setiap format beserta komponen tambahan yang disediakan beberapa format.

from libreyolo import LibreYOLO model = LibreYOLO("LibreRealESRGANx4-restore.pt") # imgsz memakai patch internal kecil secara default jika dihilangkan, bukan# resolusi kerja Anda, jadi berikan ukuran yang benar-benar digunakan deployment# sebagai input model.model.export(format="onnx", imgsz=512)model.export(format="tensorrt", imgsz=512, half=True)

libreyolo export model=LibreRealESRGANx4-restore.pt format=onnx imgsz=512

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Factory merutekan berdasarkan sufiks berkas, sehingga artefak hasil ekspor# dimuat seperti checkpoint lain dan mengembalikan objek Results yang sama.model = LibreYOLO("LibreRealESRGANx4-restore.onnx")result = model(SAMPLE_IMAGE) print(result.restored.array.shape)

Checkpoint

Setiap berkas bobot yang dipublikasikan untuk family ini.

Lisensi

Sitasi

@InProceedings{wang2021realesrgan,
    author    = {Xintao Wang and Liangbin Xie and Chao Dong and Ying Shan},
    title     = {Real-ESRGAN: Training Real-World Blind Super-Resolution with Pure Synthetic Data},
    booktitle = {International Conference on Computer Vision Workshops (ICCVW)},
    date      = {2021}
}