Performance-Optimierung Hintergrund
Watermark Removal wurde auf der Grundlage von TensorFlow 1.15 entwickelt und hat einige Hardware-Anforderungen. Es kann zu Leistungsengpässen kommen, wenn es auf Computern mit niedriger Konfiguration läuft.
Spezifische Optimierungsprogramme
- Google Colab verwendenDas Projekt unterstützt Colab mit freiem Zugang zu den GPU-Ressourcen von Google und umgeht so die Beschränkungen der lokalen Hardware.
- Reduzierte VerarbeitungsauflösungVerarbeiten Sie das Eingabebild, indem Sie es mit dem Parameter -resize auf 256×256 oder kleiner verkleinern.
- Aktivieren der Speicheroptimierungtf.config.optimizer.set_jit(True) in main.py hinzufügen, um die XLA-Kompilierung zu beschleunigen
- Batch-ModusModifizierung des Codes, um eine Stapelverarbeitung zu erreichen und den Overhead des wiederholten Ladens von Modellen zu reduzieren
alternativ
Wenn es immer noch nicht reibungslos läuft, können Sie 1) eine leichtere OpenCV+Numpy-Implementierung des Basis-Reparaturalgorithmus verwenden; 2) ihn durch eine PyTorch-Version eines ähnlichen Projekts ersetzen; und 3) die Ressourcennutzung durch Docker-Container einschränken.
Diese Antwort stammt aus dem ArtikelWasserzeichen-Entfernung：offene Quelle Bild Wasserzeichen Entfernung Werkzeug, Bild Wasserzeichen Erholung OriginalbildDie
Darf nicht ohne Genehmigung vervielfältigt werden:KI-Produktivitätswerkzeuge " Wie kann die Effizienz des Tools zum Entfernen von Wasserzeichen auf Computern mit niedriger Konfiguration optimiert werden?
