Чтобы запустить проект на питоне - удобно пользоваться Anaconda Prompt (anaconda3). Скачать Анаконду можно на официальном сайте. Когда вы запустите командную строку Анаконды - выполните последовательно серию команд:
conda create -n DFDNet python=3.6
conda activate DFDNet
conda install pytorch torchvision cudatoolkit=10.2 -c pytorch
pip install cmake
pip install dlib
pip install opencv-python
pip install tqdm
pip install scikit-image
pip install dominate
pip install numba==0.48
cd C:\DFDNet-whole
Нейросеть готова к работе. Положите в инпут C:\DFDNet-whole\TestData\TestWhole нужные вам картинки, это могут быть и последовательные кадры фильма, преобразованные в jpg или png при помощи ffmpeg.
И можно запускать нейросеть DFDNet в работу, указав нужный вам графический процессор в системе (в моем примере команды медленно считает всего пару картинок на CPU, --gpu_ids -1, но на большое кол-во кадров лучше задействовать самый мощный GPU в системе, работа над роликом минуты на три может растянуться на многие часы, хороший GPU в десятки раз процесс ускоряет):
python test_FaceDict.py --test_path ./TestData/TestWhole --results_dir ./Results/TestWholeResults --upscale_factor 8 --gpu_ids -1
upscale_factor укажите какой вам требуется. В примере увеличение 8-кратное - я восстановил лицо из картинки 10% от оригинала и 25% от оригинала, и вот какие результаты получил:
- Оригинальное уменьшенное до 10% изображение с плохой детализацией для эксперимента по восстановлению лица
- • 44.34 КБ • 2160 просмотров
- Восстановление с 8-кратным увеличением от DFDNet
- • 162.18 КБ • 2160 просмотров
- Оригинальное уменьшенное до 25% изображение с плохой детализацией для эксперимента по восстановлению лица
- • 171.23 КБ • 2160 просмотров
- Восстановление с 8-кратным увеличением от DFDNet
- • 273.97 КБ • 2160 просмотров
conda create -n DFDNet python=3.6
conda activate DFDNet
cd C:\DFDNet-whole
и можно запускать нейросеть test_FaceDict.py. Иногда она ругается, что не хватает cv2. Это лечится как раз запуском команды pip install opencv-python
Потренировать модели самостоятельно для проекта DFDNet можно в дружественной программе BasicSR. Потребуются значительные вычислительные ресурсы вашего GPU.