waifu2x ncnn vulkan

Waifu2x ncnn vulkan

Implementasi NCNN dari WaiFu2x Converter. Berlari cepat di Intel / AMD / NVIDIA / Apple-Silicon dengan API Vulkan.

Waifu2x-ncnn-Vulkan menggunakan proyek NCNN sebagai kerangka inferensi jaringan saraf universal.

Unduh

Unduh Windows/Linux/MacOS dapat dieksekusi untuk Intel/AMD/NVIDIA GPU

https://github.com/nihui/waifu2x-ncnn-vulkan/releases

Paket ini mencakup semua binari dan model yang diperlukan. Ini portabel, jadi tidak ada lingkungan runtime cafda atau caffe :)

Penggunaan

Contoh Perintah

waifu2x-ncnn-vulkan.exe -i input.jpg -o output.png -n 2 -s 2

Penggunaan penuh

 Usage: waifu2x-ncnn-vulkan -i infile -o outfile [options]...

  -h                   show this help
  -v                   verbose output
  -i input-path        input image path (jpg/png/webp) or directory
  -o output-path       output image path (jpg/png/webp) or directory
  -n noise-level       denoise level (-1/0/1/2/3, default=0)
  -s scale             upscale ratio (1/2/4/8/16/32, default=2)
  -t tile-size         tile size (>=32/0=auto, default=0) can be 0,0,0 for multi-gpu
  -m model-path        waifu2x model path (default=models-cunet)
  -g gpu-id            gpu device to use (-1=cpu, default=auto) can be 0,1,2 for multi-gpu
  -j load:proc:save    thread count for load/proc/save (default=1:2:2) can be 1:2,2,2:2 for multi-gpu
  -x                   enable tta mode
  -f format            output image format (jpg/png/webp, default=ext/png)

• input-path dan output-path menerima jalur file atau jalur direktori
• noise-level = tingkat kebisingan, nilai besar berarti efek denoise yang kuat, -1 = tidak ada efek
• scale = level skala, 1 = tidak ada penskalaan, 2 = kelas atas 2x
• tile-size = ukuran ubin, gunakan nilai yang lebih kecil untuk mengurangi penggunaan memori GPU, default memilih secara otomatis
• load:proc:save = jumlah utas untuk tiga tahap (decoding gambar + waifu2x upscaling + pengkodean gambar), menggunakan nilai yang lebih besar dapat meningkatkan penggunaan GPU dan mengkonsumsi lebih banyak memori GPU. Anda dapat menyetel konfigurasi ini dengan "4: 4: 4" untuk banyak gambar ukuran kecil, dan "2: 2: 2" untuk gambar ukuran besar. Pengaturan default biasanya berfungsi dengan baik untuk sebagian besar situasi. Jika Anda menemukan bahwa GPU Anda lapar, cobalah meningkatkan jumlah benang untuk mencapai pemrosesan yang lebih cepat.
• format = Format gambar yang akan menjadi output, PNG didukung lebih baik, namun Webp umumnya menghasilkan ukuran file yang lebih kecil, keduanya dikodekan tanpa kerugian

Jika Anda mengalami kerusakan atau kesalahan, coba upgrade driver GPU Anda:

• Intel: https://downloadcenter.intel.com/product/80939/graphics-drivers
• AMD: https://www.amd.com/en/support
• Nvidia: https://www.nvidia.com/download/index.aspx

Membangun dari sumber

1. Unduh dan Siapkan Vulkan SDK dari https://vulkan.lunarg.com/

• Untuk distribusi Linux, Anda bisa mendapatkan persyaratan pembuatan penting dari manajer paket

dnf install vulkan-headers vulkan-loader-devel

apt-get install libvulkan-dev

pacman -S vulkan-headers vulkan-icd-loader

2. Klon proyek ini dengan semua submodule

git clone https://github.com/nihui/waifu2x-ncnn-vulkan.git
cd waifu2x-ncnn-vulkan
git submodule update --init --recursive

3. Bangun dengan cmake

• Anda dapat melewati -duse_static_moltenvk = On Option untuk menghindari menautkan pustaka vulkan loader di macOS

mkdir build
cd build
cmake ../src
cmake --build . -j 4

Perbandingan kecepatan dengan waifu2x-caffe-cui

Lingkungan

• Windows 10 1809
• AMD R7-1700
• NVIDIA GTX-1070
• Driver NVIDIA 419.67
• CUDA 10.1.105
• Cudnn 10.1

 Measure-Command { waifu2x-ncnn-vulkan.exe - i input.png - o output.png - n 2 - s 2 - t [ block size ] - m [ model dir ] }

 Measure-Command { waifu2x-caffe-cui.exe - t 0 -- gpu 0 - b 1 - c [ block size ] - p cudnn -- model_dir [ model dir ] - s 2 - n 2 - m noise_scale - i input.png - o output.png }

Cunet

	Ukuran gambar	Ukuran target	Ukuran blok	Total waktu	Memori GPU (MB)
Waifu2x-ncnn-Vulkan	200x200	400x400	400/200/100	0.86/0.86/0.82	638/638/197
waifu2x-caffe-cui	200x200	400x400	400/200/100	2.54/2.39/2.36	3017/936/843
Waifu2x-ncnn-Vulkan	400x400	800x800	400/200/100	1.17/1.04/1.02	2430/638/197
waifu2x-caffe-cui	400x400	800x800	400/200/100	2.91/2.43/2.7	3202/1389/1178
Waifu2x-ncnn-Vulkan	1000x1000	2000x2000	400/200/100	2.35/2.26/2.46	2430/638/197
waifu2x-caffe-cui	1000x1000	2000x2000	400/200/100	4.04/3.79/4.35	3258/1582/1175
Waifu2x-ncnn-Vulkan	2000x2000	4000x4000	400/200/100	6.46/6.59/7.49	2430/686/213
waifu2x-caffe-cui	2000x2000	4000x4000	400/200/100	7.01/7.54/10.11	3258/1499/1200
Waifu2x-ncnn-Vulkan	4000x4000	8000x8000	400/200/100	22.78/23.78/27.61	2448/654/213
waifu2x-caffe-cui	4000x4000	8000x8000	400/200/100	18.45/21.85/31.82	3325/1652/1236

upconv_7_anime_style_art_rgb

	Ukuran gambar	Ukuran target	Ukuran blok	Total waktu	Memori GPU (MB)
Waifu2x-ncnn-Vulkan	200x200	400x400	400/200/100	0,74/0,75/0,72	482/482/142
waifu2x-caffe-cui	200x200	400x400	400/200/100	2.04/1.99/1.99	995/546/459
Waifu2x-ncnn-Vulkan	400x400	800x800	400/200/100	0,95/0,83/0,81	1762/482/142
waifu2x-caffe-cui	400x400	800x800	400/200/100	2.08/2.12/2.11	995/546/459
Waifu2x-ncnn-Vulkan	1000x1000	2000x2000	400/200/100	1.52/1.41/1.44	1778/482/142
waifu2x-caffe-cui	1000x1000	2000x2000	400/200/100	2.72/2.60/2.68	1015/570/459
Waifu2x-ncnn-Vulkan	2000x2000	4000x4000	400/200/100	3.45/3.42/3.63	1778/482/142
waifu2x-caffe-cui	2000x2000	4000x4000	400/200/100	3.90/4.01/4.35	1015/521/462
Waifu2x-ncnn-Vulkan	4000x4000	8000x8000	400/200/100	11.16/11.29/12.07	1796/498/158
waifu2x-caffe-cui	4000x4000	8000x8000	400/200/100	9.24/9.81/11.16	995/546/436

Contoh gambar

Gambar asli

Kelas atas 2x dengan Imagemagick

convert origin.jpg -resize 200% output.png

Kelas atas 2x dengan filter imagemagick lanczo4

convert origin.jpg -filter Lanczos -resize 200% output.png

Kelas atas 2x dengan noise waifu2x = 2 skala = 2

waifu2x-ncnn-vulkan.exe -i origin.jpg -o output.png -n 2 -s 2

Proyek waifu2x asli

• https://github.com/nagadomi/waifu2x
• https://github.com/lltcgie/waifu2x-caffe

Kode open-source lainnya yang digunakan

• https://github.com/tencent/ncnn untuk inferensi jaringan saraf cepat di semua platform
• https://github.com/webmproject/libwebp untuk pengkodean dan decoding gambar webp di semua platform
• https://github.com/nothings/stb untuk decoding dan encoding gambar pada linux/macos
• https://github.com/tronkko/dirent untuk mendaftarkan file di direktori di windows