【深度学习实践】基于深度学习的图像去雾算法-ChaIR-实践
本文介绍一个去雾算法ChaIR的使用方法，可以完成图像去雾，也可以用于图像去雨、去噪音等任务。本文不涉及论文原理，只包含源代码的跑通和使用。
先展示一下效果：
| 原图 | 去雾 |
 |  |
 |  |
论文：Exploring the potential of channel interactions for image restoration
代码地址：https://github.com/c-yn/ChaIR/tree/main/Dehazing
本文的代码及数据集、训练好的权重：图像去雾代码-SOTS划分好的8：2数据集-训练好的去雾权重-包含推理代码
一、准备数据集
作者在github中给出了去雾数据集reside-indoor，reside-outdoor ，SOTS的地址，因为reside-indoor/outdoor太大了，本文介绍SOTS数据集的使用方法。
数据集地址：
| 数据集 | google drive | 百度云 |
| reside-indoor | https://drive.google.com/drive/folders/1pbtfTp29j7Ip-mRzDpMpyopCfXd-ZJhC?usp=sharing | 百度网盘 请输入提取码 |
| reside-outdoor | https://drive.google.com/drive/folders/1eL4Qs-WNj7PzsKwDRsgUEzmysdjkRs22?usp=sharing | - |
| SOTS | https://drive.google.com/file/d/16j2dwVIa9q_0RtpIXMzhu-7Q6dwz_D1N/view?usp=sharing | 百度网盘 请输入提取码 |
这里请注意，使用SOTS需要将其转换为如下格式：
SOTS数据集也有indoor和outdoor，本文只使用outdoor，本文将SOTS outdoor数据集按照8：2划分训练集和测试集，并提供转换好的数据连接：SOTS数据集8：2划分训练和验证集，可用于训练去雾模型
准备好了数据集之后，按照如下目录结构放置即可：
至此数据集准备完成。
二、安装环境
接下来安装conda环境，首先下载代码：
git clone https://github.com/c-yn/ChaIR.git
cd ChaIR创建虚拟环境：
conda create -n chair python=3.10
conda activate chair 按照官网教程安装pytorch,我安装的是torch 2.3.1 cuda118（可以跳过）：
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia安装pytorch-gradual-warmup-lr：
cd pytorch-gradual-warmup-lr
python setup.py install后续使用过程中会提示缺少相关库，因为源代码未提供requirements.txt库，缺少的库需要自行安装，本文不做赘述。
三、训练验证
环境安装完成，因为本文只介绍去雾模型，所以进入ChaIR/Dehazing/OTS目录：
cd ChaIR/Dehazing/OTS开始训练，如果显存不够，可以降低batch size，我用的rtx3060，我把batch size降低为2：
python main.py --mode train --data_dir SOTS/outdoor训练完成后，results/ChaIR目录的ots里面有权重，如下图：
使用best权重进行验证：
python main.py --data_dir SOTS/outdoor --test_model results/ChaIR/ots/Best.pkl可以看到我训练的精度：
四、推理
因为ChaIR没有推理代码，所以自己写了一个推理代码进行推理，效果如下图：
| 原图 | 标签 | ChaIR推理结果（自己的权重） |
 |  |  |
 |  |  |
 |  |  |
 |  |  |
 |  |  |
 |  |  |
 |  |  |
 |  |  |
本文提供训练好的模型和推理代码以及数据集，地址：图像去雾代码-SOTS划分好的8：2数据集-训练好的去雾权重-包含推理代码