[人工智能]关于2018-learning-based video magnification 的GitHub上复现代码的调试记录

题记：关于2018-learning-based video magnification?的GitHub上的复现代码的调试记录

GitHub上的复现的代码：GitHub - ZhengPeng7/motion_magnification_learning-based: An unofficial implementation of "Learning-based Video Motion Magnification" in Pytorch.

注意：本人只对测试程序进行了调试，不涉及模型训练（不涉及训练数据集）。

调试代码可查阅：关于2018-learning-basedvideomagnification的GitHub上复现代码的调试记录及调试代码-互联网文档类资源-CSDN下载

####################################

1 调试2018-learning-VM的过程记录：

0 所使用的pytorch环境是已有的anaconda创建的环境的复制重命名环境，然后在该新环境中进行的代码调试。

（PS：使用的是anaconda的命令行窗口以及pycharm软件）

PS：在命令行窗口中跳转到自己的环境中：conda activate pytorch_sxc_env2

PS：利用命令行跳转文件目录，包括G:、cd LRF、cd./Exa_20220302、等

0.1 查看该环境中pip list，是否包含了requirements.txt所需的包；如果不包含，则使用pip install *包名 进行安装

PS: pip list查看已安装的包

0.2 配置一些镜像文件的地址

1.1 网址资料：https://github.com/ZhengPeng7/motion_magnification_learning-based

（参考上述资料中的说明文件，进行调试）

1.2 由于打算直接使用作者已经训练好的网络进行视频测试，因此跳过了网页中“Data preparation”中的前两步，而直接调试第3部。

（注意：代码中的main.py是训练模型用的代码，即常见的train.py的文件；

? 此外，test_video.py是测试文件；

? 使用“bash run.sh”命令可同时执行上述两个文件；不过在我的此次调试过程中，不考虑对网络进行训练，因此后期只考虑执行test_video.py是测试文件。）

2 关于“

To convert the?validation?video into frames:

mkdir VIDEO_NAME && ffmpeg -i VIDEO_NAME.mp4 -f image2 VIDEO_NAME/%06d.png”的调试过程记录：

2.1 首先，按照以下两个文件中关于视频数据存放目录的指示，创建目录，以便于存放视频：

?因此，目前创建的存放视频数据的目录为：

2.2 在命令行窗口中，执行?mkdir VIDEO_NAME && ffmpeg -i VIDEO_NAME.mp4 -f image2 VIDEO_NAME/%06d.png”

（&&连接了两条命令：前者为创建名为VIDEO_NAME的文件夹，后者为使用FFmpeg可执行文件（不是pip安装的包）将视频文件VIDEO_NAME.mp4的各帧图像提取出来，命名为%06d.png）

2.2.1 首先安装ffmpeg可执行文件

在网上下载该文件，并解压放置在某文件目录下，并ffmpeg.exe的路径添加到环境变量中即可。

2.2.2 使用anaconda的命令行窗口，将当前目录跳转到视频所在的目录下，执行上述命令，即可：

（PS：我已经自行创建了名为baby的文件夹，因此没有再次使用mkdir命令创建该文件夹。）

?执行结果：

3. 继续调试：

3.0 执行make_frameACB.py，其功能在于：

3.0.1 首先获得待处理的视频图像序列的文件夹

3.0.2 依次对每个文件夹进行处理（类似于对每个视频文件进行处理）：

? ? 1. 将原始视频图像序列复制到新文件夹fameA中，并删除最后一张图片（序号从1开始）

? ? 2.?将原始视频图像序列复制到新文件夹fameC中，并删除第一张图片（序号从2开始），再通过图像重命名，将文件名的序号更新为从1开始

? ? 3. 将fameC中的文件复制给frameB，从而得到了frameA、frameC和frameB，并发现后两者是一样的。

3.0.3 删除原始视频图像序列

3.0.4 for循环处理下一个文件夹中的视频

3.1 将文件“make_frameACB.py“存放在与视频文件相同的文件夹下

3.2 在pycharm中调试make_frameACB.py程序，查看程序的执行结果：

本段语句用来选取当前文件下的待处理的视频文件的文件夹，例如：本程序的执行结果是选取当前目录下的名为“baby”的文件夹。

即：

?3.3 生成frameA、frameC时，对“用于实现图片复制功能”的代码，进行了调整：

PS：查阅当前路径的命令 os.getcwd()

3.4 此外，对文件复制、文件删除的语句做了更新

4 接下来调试test_video.py

4.1 设置config文件中的参数

PS：设置存放网络训练模型的文件夹，并将已训练好的模型.pth文件存放进去。

?4.2 调用gen_state_dict函数，将网络参数模型加载到GPU或者CPU

PS：这里对该函数gen_state_dict()进行了修改，用来判断“

torch.cuda.is_available()

”是否为True，否则使用CPU：

def gen_state_dict(weights_path):
 ? ?if torch.cuda.is_available():#来判断“torch.cuda.is_available()”是否为True，否则使用CPU： 
 ? ? ? ?st = torch.load(weights_path)
 ? ?else:
 ? ? ? ?st = torch.load(weights_path,map_location=torch.device('cpu'))
 ? ?st_ks = list(st.keys())
 ? ?st_vs = list(st.values())
 ? ?state_dict = {}
 ? ?for st_k, st_v in zip(st_ks, st_vs):
 ? ? ? ?state_dict[st_k.replace('module.', '')] = st_v
 ? ?return state_dict

4.4 对存在cuda()的函数，都加入了判断：，如果GPU不可用，则使用CPU。

4.5 程序跑通了，结果存储在result文件夹中。（PS：速度有点慢。）