SwinIR

Instalasi

SwinIR 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("LibreSwinIRm-restore.pt")result = model(SAMPLE_IMAGE, save=True) restored = result.restoredprint(restored.array.shape, restored.array.dtype)

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

from libreyolo import LibreYOLO model = LibreYOLO("LibreSwinIRl-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=16, save=True)

Hasil restorasi tidak memiliki kotak; result.restored adalah gambar RGB uint8 padat (H, W, 3) pada canvas 4x input di setiap dimensi. save=True menulis gambar tersebut secara langsung, bukan plot beranotasi. Input diberi padding hingga kelipatan 8, bukan diubah ukurannya, sehingga prediksi berjalan pada resolusi foto sendiri; 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 ukuran, semuanya dengan upscale tetap 4x. s adalah generator lightweight resmi, dengan empat tahap residual Swin Transformer block (RSTB) dan upsampling pixel-shuffle-direct. m dan l adalah generator real-world medium dan large, dengan enam dan sembilan tahap RSTB serta upsampler nearest-neighbor-plus-convolution yang dibuat untuk degradasi dunia nyata, bukan hanya downscaling bikubik.

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("LibreSwinIRm-restore.pt")metrics = model.val(data="my-restore-dataset.yaml") print(metrics["metrics/PSNR"])print(metrics["metrics/SSIM"])

libreyolo val model=LibreSwinIRm-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. ExecuTorch dan setiap format yang ditandai diblokir dalam matriks tidak tersedia untuk family ini; ONNX, TorchScript, TensorRT, OpenVINO, dan TFLite tersedia. Ekspor mencantumkan argumen yang diterima setiap format beserta komponen tambahan yang disediakan beberapa format.

from libreyolo import LibreYOLO model = LibreYOLO("LibreSwinIRm-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=LibreSwinIRm-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("LibreSwinIRm-restore.onnx")result = model(SAMPLE_IMAGE) print(result.restored.array.shape)

Checkpoint

Setiap berkas bobot yang dipublikasikan untuk family ini.

Lisensi

Sitasi

@article{liang2021swinir,
  title={SwinIR: Image Restoration Using Swin Transformer},
  author={Liang, Jingyun and Cao, Jiezhang and Sun, Guolei and Zhang, Kai and Van Gool, Luc and Timofte, Radu},
  journal={arXiv preprint arXiv:2108.10257},
  year={2021}
}