/dacon-sr

Primary LanguagePython

Dacon AI-hub Super Resolution

Description [link]

  • Team: 오예!
  • 구성원: gradient, Capshulization
  • Score: 24.95184 (🥈 2nd)

개발 환경 및 라이브러리

  • 개발 환경 
    Ubuntu version  : 18.04
GPU             : V100 (4개)
Cuda version    : 11.1
Python version  : 3.8
Pytorch version : 1.12.1
  1. Code download 
    git clone https://github.com/thisisiron/dacon-sr.git
cd dacon-sr
  2. 가상환경 구축 및 라이브러리 다운로드 
    pip install virtualenv
virtualenv dacon
source dacon/bin/activate
pip install -r requirements.txt

Data Download & Image Preprocessing

  1. Data download [link] 
    ├── dacon-sr
│   ├── open.zip
│   │
  2. open.zip 압축 해제 
    unzip open.zip
    • 압축 후 디렉토리 상태 
      ├── dacon-sr
│   ├── train
│   │   ├── lr
│   │   ├── hr
│   ├── test
│   │   ├── lr
│   ├── train.csv
│   ├── test.csv
  3. Image Preprocessing (Patch 만들기) 
    python preprocessing.py
    • ./data/train에서 hr과 lr에 설정한 옵션 디렉토리 밑에 npy 파일 생성
    • 전처리 후 디렉토리 상태 
      ├── dacon-sr
│   ├── data
│   │   ├── train
│   │   │   ├── lr
│   │   │   │   ├── p128x128_r512x512_s32x32
│   │   │   ├── hr
│   │   │   │   ├── p512x512_r2048x2048_s128x128
│   ├── train.csv
│   ├── test.csv
│   ├── train
│   ├── test

Training

실행 명령어는 아래 Command를 참고해주세요

  1. SwinIR + L1 Loss 학습 진행 (Epoch 34까지 진행, 해당 Epoch 근처 Test 성능 향상이 거의 없었음)
  2. 1번에서 진행한 실험 weight를 이용하여 아래 두 가지 실험 진행
    1. SwinIR + L1 Loss + L2 Loss (Epoch 5까지 진행)
    2. SwinIR + L1 Loss + LR 1e-5 (Epoch 11까지 진행)

Command

  • EXP_NAME: experiments에 생성된 실험 디렉토리 (실행날짜 + name 옵션에 설정한 NAME으로 구성)
    • Ex. experiments/10051136_swinir_no-acti_epoch26_lr1e5
  • ckpt_NUM: 해당 실험 디렉토리에서 weight 아래에 있는 ckpt_NUM 디렉토리
    • Ex. 10051136_swinir_no-acti_epoch26_lr1e5/weight/ckpt_10
  1. SwinIR + L1 Loss 
    python -m torch.distributed.run --nproc_per_node 4 main.py --gene swinir \
                                                           --cfg models/swinir.yaml \
                                                           --data p128x128_r512x512_s32x32 \
                                                           --data_hr p512x512_r2048x2048_s128x128 \
                                                           --batch 4 \
                                                           --name NAME
  2. SwinIR + L1 Loss + L2 Loss (10:5) 
    python -m torch.distributed.run --nproc_per_node 4 main.py --gene swinir \
                                                           --cfg models/swinir.yaml \
                                                           --data p128x128_r512x512_s32x32 \
                                                           --data_hr p512x512_r2048x2048_s128x128 \
                                                           --batch 4 \
                                                           --lamb_l2 5 \
                                                           --weight experiments/EXP_NAME/weight/ckpt_NUM/gene \
                                                           --name NAME
  3. SwinIR + L1 Loss + LR 1e-5 
    python -m torch.distributed.run --nproc_per_node 4 main.py --gene swinir \
                                                           --cfg models/swinir.yaml \
                                                           --data p128x128_r512x512_s32x32 \
                                                           --data_hr p512x512_r2048x2048_s128x128 \
                                                           --batch 4 \
                                                           --lr 1e-5
                                                           --weight experiments/EXP_NAME/weight/ckpt_NUM/gene \
                                                           --name EXP_NAME

Inference

LR 512 이미지를 HR 2048로 예측 (LR 512 -> HR 2048)

python infer.py --img-size 2048 --stride 512 --batch 1 --weight experiments/EXP_NAME/weight/ckpt_NUM/gene

Model weight download [link]

Ensemble

  1. ensemble.ipynb 실행
  2. 앙상블할 결과를 알맞게 subm_dirs 리스트에 작성
  3. 앙상블 진행