update tiny_datasets

README.md

@@ -4,18 +4,18 @@
 
 ## 模型结构
 
-生成网络: 采用ESRGAN的生成网络，对于x4倍的超分辨，网络完全按照ESRGAN的生成器执行；对x2和x1倍的超分辨，网络先进行pixel-unshuffle（pixel-shuffl的反操作，pixel-shuffle可理解为通过压缩图像通道而对图像尺寸进行放大），以降低图像分辨率为前提，对图像通道数进行扩充，然后将处理后的图像输入网络进行超分辨重建。
+生成网络: 采用ESRGAN的生成网络, 对于x4倍的超分辨, 网络完全按照ESRGAN的生成器执行；对x2和x1倍的超分辨, 网络先进行pixel-unshuffle（pixel-shuffl的反操作, pixel-shuffle可理解为通过压缩图像通道而对图像尺寸进行放大）, 以降低图像分辨率为前提, 对图像通道数进行扩充, 然后将处理后的图像输入网络进行超分辨重建。
 <div align=center>
     <img src="./doc/ESRGAN.png"/>
 </div>
 
-对抗网络: 由于使用的复杂的构建数据集的方式，所以需要使用更先进的判别器对生成图像进行判别。使用U-Net判别器可以在像素角度，对单个生成的像素进行真假判断，这能够在保证生成图像整体真实的情况下，注重生成图像细节。
+对抗网络: 由于使用的复杂的构建数据集的方式, 所以需要使用更先进的判别器对生成图像进行判别。使用U-Net判别器可以在像素角度, 对单个生成的像素进行真假判断, 这能够在保证生成图像整体真实的情况下, 注重生成图像细节。
 <div align=center>
     <img src="./doc/UNet.png"/>
 </div>
 
 ## 算法原理
-通过使用更实用的退化过程合成训练对，扩展强大的ESRGAN以恢复一般的真实世界LR图像。
+通过使用更实用的退化过程合成训练对, 扩展强大的ESRGAN以恢复一般的真实世界LR图像。
 <div align=center>
     <img src="./doc/High-order的pipeline.png"/>
 </div>
@@ -102,18 +102,23 @@ python setup.py develop
 ├── datasets
 │   ├── DF2K
 │       ├── DF2K_HR # 将DIV2K和Flickr2K的HR图像放于这里
+│       ├── DF2K_HR_sub # 生成的
 │       ├── DF2K_multiscale # 生成的
 │       ├── DF2K_multiscale_sub # 生成的
 │       └── meta_info # 生成的
 │   ├── OST
+│       ├── train_HR # 将OST的HR图像放于这里
+│       ├── train_HR_sub # 生成的
 ```
 
+项目提供了tiny_datasets进行快速上手测试, 如需使用tiny_datasets, 下面的生成步骤的数据路径需进行对应修改。
+
 ### 预处理数据集
 #### 1.【可选】生成多尺寸图片
 
-针对 DF2K 数据集，我们使用多尺寸缩放策略,对 HR 图像进行下采样，获得多尺寸的标准参考（Ground-Truth）图像。 <br>
+针对 DF2K 数据集, 我们使用多尺寸缩放策略,对 HR 图像进行下采样, 获得多尺寸的标准参考（Ground-Truth）图像。 <br>
 使用 [scripts/generate_multiscale_DF2K.py](scripts/generate_multiscale_DF2K.py) 脚本快速生成多尺寸的图像。<br>
-如果只想简单试试而不进行准确训练，那么该过程可选。
+如果只想简单试试而不进行准确训练, 那么该过程可选。
 
 ```bash
 # example
@@ -122,11 +127,11 @@ python scripts/generate_multiscale_DF2K.py --input datasets/DF2K/DF2K_HR --outpu
 
 #### 2.【可选】裁切为子图像
 
-使用脚本 [scripts/extract_subimages.py](scripts/extract_subimages.py) 将 DF2K 图像裁切为子图像，以加快 IO 和处理速度。<br>
-如果你的 IO 够好或储存空间有限，那么此步骤是可选的。
+使用脚本 [scripts/extract_subimages.py](scripts/extract_subimages.py) 将 DF2K 图像裁切为子图像, 以加快 IO 和处理速度。<br>
+如果你的 IO 够好或储存空间有限, 那么此步骤是可选的。
 ```bash
 # example
- python scripts/extract_subimages.py --input datasets/DF2K/DF2K_multiscale --output datasets/DF2K/DF2K_multiscale_sub --crop_size 400 --step 200
+ python scripts/extract_subimages.py --input datasets/DF2K/DF2K_HR --output datasets/DF2K/DF2K_HR_sub --crop_size 400 --step 200
 ```
 
 #### 3. 准备元信息 txt
@@ -158,9 +163,9 @@ train:
         type: disk
 ```
 
-如果需要指定预训练路径到其他文件，`pretrain_network_g` 参数对应的值, 当前默认保存为`experiments/train_RealESRNetx4plus_1000k_B12G4_fromESRGAN/model/net_g_1000000.pth`。
+如果需要指定预训练路径到其他文件, `pretrain_network_g` 参数对应的值, 当前默认保存为`experiments/train_RealESRNetx4plus_1000k_B12G4_fromESRGAN/model/net_g_1000000.pth`。
 
-3. 如果你想在训练过程中执行验证，就取消注释这些内容并进行相应的修改：
+3. 如果你想在训练过程中执行验证, 就取消注释这些内容并进行相应的修改：
 ```yml
     # 取消注释这些以进行验证
     # val:
@@ -180,7 +185,7 @@ train:
     #   save_img: True
 
     #   metrics:
-    #     psnr: # 指标名称，可以是任意的
+    #     psnr: # 指标名称, 可以是任意的
     #       type: calculate_psnr
     #       crop_border: 4
     #       test_y_channel: false
@@ -188,14 +193,14 @@ train:
 
 ### 微调训练
 
-你可以用自己的数据集微调 Real-ESRGAN。一般地，微调（Fine-Tune）程序可以分为两种类型:
+你可以用自己的数据集微调 Real-ESRGAN。一般地, 微调（Fine-Tune）程序可以分为两种类型:
 
 1. [动态生成降级图像](#动态生成降级图像)
 2. [使用**已配对**的数据](#使用已配对的数据)
 
 #### 动态生成降级图像
 
-只需要高分辨率图像，在训练过程中，使用 Real-ESRGAN 描述的降级模型生成低质量图像。
+只需要高分辨率图像, 在训练过程中, 使用 Real-ESRGAN 描述的降级模型生成低质量图像。
 
 1. 下载预训练模型到 `experiments/pretrained_models` 目录下：
 
@@ -209,7 +214,7 @@ train:
     wget https://github.com/xinntao/Real-ESRGAN/releases/download/v0.2.2.3/RealESRGAN_x4plus_netD.pth -P experiments/pretrained_models
     ```
 
-2. 修改选项文件 [options/finetune_realesrgan_x4plus.yml](options/finetune_realesrgan_x4plus.yml)，特别是 `datasets` 部分：
+2. 修改选项文件 [options/finetune_realesrgan_x4plus.yml](options/finetune_realesrgan_x4plus.yml), 特别是 `datasets` 部分：
 
 ```yml
 train:
@@ -223,16 +228,16 @@ train:
 
 #### 使用已配对的数据
 
-你还可以用自己已经配对的数据微调 RealESRGAN，这个过程更类似于微调 ESRGAN。
+你还可以用自己已经配对的数据微调 RealESRGAN, 这个过程更类似于微调 ESRGAN。
 
 1. 数据准备
 
 假设你已经有两个文件夹（folder）:
 
-- **gt folder**（标准参考，高分辨率图像）：*datasets/DF2K/DIV2K_train_HR_sub*
-- **lq folder**（低质量，低分辨率图像）：*datasets/DF2K/DIV2K_train_LR_bicubic_X4_sub*
+- **gt folder**（标准参考, 高分辨率图像）：*datasets/DF2K/DIV2K_train_HR_sub*
+- **lq folder**（低质量, 低分辨率图像）：*datasets/DF2K/DIV2K_train_LR_bicubic_X4_sub*
 
-然后，使用脚本 [scripts/generate_meta_info_pairdata.py](scripts/generate_meta_info_pairdata.py) 生成元信息（meta_info）txt 文件。
+然后, 使用脚本 [scripts/generate_meta_info_pairdata.py](scripts/generate_meta_info_pairdata.py) 生成元信息（meta_info）txt 文件。
 
 ```bash
 python scripts/generate_meta_info_pairdata.py --input datasets/DF2K/DIV2K_train_HR_sub datasets/DF2K/DIV2K_train_LR_bicubic_X4_sub --meta_info datasets/DF2K/meta_info/meta_info_DIV2K_sub_pair.txt
@@ -254,7 +259,7 @@ python scripts/generate_meta_info_pairdata.py --input datasets/DF2K/DIV2K_train_
 
 3. finetune
 
-修改选项文件 [options/finetune_realesrgan_x4plus_pairdata.yml](options/finetune_realesrgan_x4plus_pairdata.yml) ，特别是 `datasets` 部分：
+修改选项文件 [options/finetune_realesrgan_x4plus_pairdata.yml](options/finetune_realesrgan_x4plus_pairdata.yml) , 特别是 `datasets` 部分：
 
 ```yml
 train:
@@ -268,7 +273,7 @@ train:
 ```
 ### 训练命令
 #### 单机多卡
-默认auto_resume模式，根据完整训练或者微调训练，修改-opt参数对应的yml文件。当前默认为完整训练
+默认auto_resume模式, 根据完整训练或者微调训练, 修改-opt参数对应的yml文件。当前默认为完整训练
 ```bash
 bash train_multi.sh
 ```