Super rozdzielczość dzięki TensorFlow Lite

Przegląd

Zadanie odzyskiwania obrazu o wysokiej rozdzielczości (HR) z jego odpowiednika o niskiej rozdzielczości jest powszechnie określane jako Single Image Super Resolution (SISR).

Model stosowany tu jest ESRGAN ( ESRGAN Ulepszone Super rozdzielczości generatywnej kontradyktoryjności Networks ). Zamierzamy użyć TensorFlow Lite do uruchomienia wnioskowania na wstępnie wytrenowanym modelu.

Model TFLite jest przekształcana z tej realizacji hostowane na TF Hub. Zwróć uwagę, że model, który przekonwertowaliśmy, upsampluje obraz o niskiej rozdzielczości 50x50 do obrazu o wysokiej rozdzielczości 200x200 (współczynnik skali=4). Jeśli potrzebujesz innego rozmiaru wejściowego lub współczynnika skali, musisz ponownie przekonwertować lub ponownie nauczyć oryginalny model.

Ustawiać

Najpierw zainstalujmy wymagane biblioteki.

pip install matplotlib tensorflow tensorflow-hub

Importuj zależności.

import tensorflow as tf
import tensorflow_hub as hub
import matplotlib.pyplot as plt
print(tf.__version__)

2.7.0

Pobierz i przekonwertuj model ESRGAN

model = hub.load("https://tfhub.dev/captain-pool/esrgan-tf2/1")
concrete_func = model.signatures[tf.saved_model.DEFAULT_SERVING_SIGNATURE_DEF_KEY]

@tf.function(input_signature=[tf.TensorSpec(shape=[1, 50, 50, 3], dtype=tf.float32)])
def f(input):
  return concrete_func(input);

converter = tf.lite.TFLiteConverter.from_concrete_functions([f.get_concrete_function()], model)
converter.optimizations = [tf.lite.Optimize.DEFAULT]
tflite_model = converter.convert()

# Save the TF Lite model.
with tf.io.gfile.GFile('ESRGAN.tflite', 'wb') as f:
  f.write(tflite_model)

esrgan_model_path = './ESRGAN.tflite'

WARNING:absl:Found untraced functions such as restored_function_body, restored_function_body, restored_function_body, restored_function_body, restored_function_body while saving (showing 5 of 335). These functions will not be directly callable after loading.
INFO:tensorflow:Assets written to: /tmp/tmpinlbbz0t/assets
INFO:tensorflow:Assets written to: /tmp/tmpinlbbz0t/assets
2021-11-16 12:15:19.621471: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:363] Ignored output_format.
2021-11-16 12:15:19.621517: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:366] Ignored drop_control_dependency.
WARNING:absl:Buffer deduplication procedure will be skipped when flatbuffer library is not properly loaded

Pobierz obraz testowy (głowa owada).

test_img_path = tf.keras.utils.get_file('lr.jpg', 'https://raw.githubusercontent.com/tensorflow/examples/master/lite/examples/super_resolution/android/app/src/main/assets/lr-1.jpg')

Downloading data from https://raw.githubusercontent.com/tensorflow/examples/master/lite/examples/super_resolution/android/app/src/main/assets/lr-1.jpg
16384/6432 [============================================================================] - 0s 0us/step

Wygeneruj obraz w super rozdzielczości za pomocą TensorFlow Lite

lr = tf.io.read_file(test_img_path)
lr = tf.image.decode_jpeg(lr)
lr = tf.expand_dims(lr, axis=0)
lr = tf.cast(lr, tf.float32)

# Load TFLite model and allocate tensors.
interpreter = tf.lite.Interpreter(model_path=esrgan_model_path)
interpreter.allocate_tensors()

# Get input and output tensors.
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()

# Run the model
interpreter.set_tensor(input_details[0]['index'], lr)
interpreter.invoke()

# Extract the output and postprocess it
output_data = interpreter.get_tensor(output_details[0]['index'])
sr = tf.squeeze(output_data, axis=0)
sr = tf.clip_by_value(sr, 0, 255)
sr = tf.round(sr)
sr = tf.cast(sr, tf.uint8)

Wizualizuj wynik

lr = tf.cast(tf.squeeze(lr, axis=0), tf.uint8)
plt.figure(figsize = (1, 1))
plt.title('LR')
plt.imshow(lr.numpy());

plt.figure(figsize=(10, 4))
plt.subplot(1, 2, 1)        
plt.title(f'ESRGAN (x4)')
plt.imshow(sr.numpy());

bicubic = tf.image.resize(lr, [200, 200], tf.image.ResizeMethod.BICUBIC)
bicubic = tf.cast(bicubic, tf.uint8)
plt.subplot(1, 2, 2)   
plt.title('Bicubic')
plt.imshow(bicubic.numpy());

Testy wydajności

Numery testów wydajności są generowane za pomocą narzędzia opisanego tutaj .

Nazwa modelu	Rozmiar modelu	Urządzenie	procesor	GPU
super rozdzielczość (ESRGAN)	4,8 Mb	Piksel 3	586,8 ms*	128,6 ms
		Piksel 4	385,1 ms*	130,3 ms

* 4 nitki stosowane