AMD NPU超分辨率实战SESR-M7-512x512-tiles-amdnpu完整安装与配置教程【免费下载链接】sesr-m7-512x512-tiles-amdnpu项目地址: https://ai.gitcode.com/hf_mirrors/amd/sesr-m7-512x512-tiles-amdnpuSESR-M7-512x512-tiles-amdnpu是一款基于AMD AI PC NPU优化的超分辨率模型能够将低分辨率图像高效提升至2倍分辨率。该模型采用ONNX格式并量化为INT8精度专为Ryzen AI平台设计在保持出色图像质量的同时实现了高效的计算性能。 什么是SESR-M7超分辨率模型Super-Efficient Super Resolution (SESR)模型由Bhardwaj等人于2022年提出旨在解决经典的计算机视觉问题将低分辨率输入图像转换为高分辨率输出图像。该模型基于CNN的线性过参数化创建了一种高效的单图像超分辨率(SISR)架构。这款SESR-M7小型版本已从PyTorch格式转换为ONNX并量化为INT8精度可在配备Ryzen AI软件的AMD AI PC NPU上运行。模型当前版本支持512x512的瓦片大小操作通过瓦片重叠处理可接受几乎任何尺寸的输入图像并创建2倍超分辨率图像输出。 硬件与软件要求支持的AMD处理器系列代号缩写发布年份Windows 11LinuxRyzen AI Max PRO 300 SeriesStrix HaloSTX2025☑️Ryzen AI PRO 300 SeriesStrix Point / Krackan PointSTX/KRK2025☑️Ryzen AI Max 300 SeriesStrix HaloSTX2025☑️Ryzen AI 300 SeriesStrix PointSTX2025☑️软件要求操作系统Windows 11Ryzen AI软件套件Python 3.8必要的Python库详见requirements.txt 快速安装步骤1. 安装Ryzen AI软件首先按照以下说明下载必要的NPU驱动程序和Ryzen AI软件Ryzen AI SW Installation Instructions。安装所有必要组件大约需要30分钟。2. 激活conda环境激活之前从Ryzen AI (RAI) SW安装的conda环境并将RAI环境变量设置为安装路径。将v.v.v替换为正确的RAI版本号例如1.7.1。conda activate ryzen-ai-v.v.v $Env:RYZEN_AI_INSTALLATION_PATH C:/Program Files/RyzenAI/v.v.v/3. 克隆仓库git clone https://gitcode.com/hf_mirrors/amd/sesr-m7-512x512-tiles-amdnpu或者您可以使用Hugging Face Hub API通过Python下载文件from huggingface_hub import snapshot_download snapshot_download(amd/sesr-m7-512x512-tiles-amdnpu)4. 安装依赖包pip install -r requirements.txtrequirements.txt中包含的主要依赖项numpy1.26.*opencv-python4.8.*tqdmtorch2.6.0pyiqaonnxonnxruntime 数据准备可选用于评估下载EDSR基准数据集并将其解压缩到datasets/目录。注意您可能需要运行此脚本两次因为第一次尝试可能会失败。python download_edsr_benchmark.pydatasets/目录结构应如下所示datasets/edsr_benchmark └── B100 └── HR ├── 3096.png ├── ... └── LR_bicubic/X2 ├── 3096x4.png ├── ... └── Set5 ... 运行图像超分辨率推理您可以对单张图像或文件夹中的图像运行推理。例如python onnx_inference.py --onnx onnx-models/sesr_nhwc_int8_512x512.onnx --input datasets/edsr_benchmark/B100/HR/3096.png --out-dir outputs --device npu参数说明--onnx: ONNX模型文件路径。--input: 接受单个图像文件路径或目录路径。如果是文件脚本将只处理该图像。如果是目录脚本将递归扫描.png、.jpg和.jpeg文件并处理所有文件。--out-dir: 保存恢复图像的输出目录。--device: 接受npu或cpu。NPU将尝试使用VitisAIExecutionProviderCPU将尝试使用CPUExecutionProvider。注意要使用NPU必须先安装更新的NPU驱动程序和Ryzen AI软件。模型已经在modelcachekey_sesr_nhwc_int8_512x512下编译和缓存但如果该文件夹不存在模型将被重新编译然后可以运行推理。 评估模型准确性可选可以在基准数据集上评估模型的准确性。在Set14上评估python onnx_eval.py --onnx onnx-models/sesr_nchw_int8_512x512.onnx --hq-dir datasets/edsr_benchmark/Set14/HR --lq-dir datasets/edsr_benchmark/Set14/LR_bicubic/X2 --out-dir outputs/Set14 --device npu -cleanonnx_eval.py的其他参数--max-samples: 可选限制要评估的样本数量。用于调试。如果未指定将评估所有样本。-clean: 可选如果指定生成的超分辨率图像将在评估后删除以节省磁盘空间。输出是JSON文件中的一组精度指标PSNR、MS_SSIM、SSIM和FID{ onnx: onnx-models/sesr_nhwc_int8_512x512.onnx, psnr: 30.85795783996582, ms_ssim: 0.9930450362280406, ssim: 0.8996076221698892, fid: 18.408399498033305 }其他数据集评估脚本在Set5上评估python onnx_eval.py --onnx onnx-models/sesr_nhwc_int8_512x512.onnx --hq-dir datasets/edsr_benchmark/Set5/HR --lq-dir datasets/edsr_benchmark/Set5/LR_bicubic/X2 --out-dir outputs/Set5 --device npu -clean在B100上评估python onnx_eval.py --onnx onnx-models/sesr_nhwc_int8_512x512.onnx --hq-dir datasets/edsr_benchmark/B100/HR --lq-dir datasets/edsr_benchmark/B100/LR_bicubic/X2 --out-dir outputs/B100 --device npu -clean在Urban100上评估python onnx_eval.py --onnx onnx-models/sesr_nhwc_int8_512x512.onnx --hq-dir datasets/edsr_benchmark/Urban100/HR --lq-dir datasets/edsr_benchmark/Urban100/LR_bicubic/X2 --out-dir outputs/Urban100 --device npu -clean 性能表现以下是6个超分辨率模型在Strix机器NPU上的性能结果模型Strix上的FPS (越高越好)amd/sesr-m7-256x256-tiles-amdnpu32.22amd/sesr-m7-512x512-tiles-amdnpu23.56amd/realesrgan-128x128-tiles-amdnpu14.65amd/realesrgan-256x256-tiles-amdnpuu4.21amd/realesrgan-512x512-tiles-amdnpu0.55amd/realesrgan-1024x1024-tiles-amdnpu0.05SESR-M7模型在保持良好图像质量的同时提供了出色的性能表现非常适合在AMD AI PC上进行实时超分辨率处理。⚠️ 注意事项此模型仅适用于2倍超分辨率不是4倍。确保您的系统满足硬件要求特别是使用支持Ryzen AI的处理器。首次运行时可能需要编译模型这会需要一些时间但后续运行将使用缓存的编译结果。 引用如果您在研究中使用此模型请引用以下论文article{bhardwaj2022collapsible, title{Collapsible linear blocks for super-efficient super resolution}, author{Bhardwaj, Kartikeya and Milosavljevic, Milos and ONeil, Liam and Gope, Dibakar and Matas, Ramon and Chalfin, Alex and Suda, Naveen and Meng, Lingchuan and Loh, Danny}, journal{Proceedings of machine learning and systems}, volume{4}, pages{529--547}, year{2022} }❓ 获取帮助如果您有任何问题或意见请通过以下渠道联系Community TabAMD Developer Community Discord【免费下载链接】sesr-m7-512x512-tiles-amdnpu项目地址: https://ai.gitcode.com/hf_mirrors/amd/sesr-m7-512x512-tiles-amdnpu创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
)
