Histórico da otimização de desempenho
O Watermark Removal foi desenvolvido com base no TensorFlow 1.15 e tem alguns requisitos de hardware. Ele pode enfrentar gargalos de desempenho quando executado em computadores de baixa configuração.
Programas específicos de otimização
- Usando o Google ColabO projeto permite que o Colab seja executado com acesso gratuito aos recursos de GPU do Google, ignorando completamente as limitações do hardware local.
- Resolução de processamento reduzidaImagem de entrada: processe a imagem de entrada reduzindo-a para 256×256 ou menos com o parâmetro -resize.
- Ativar a otimização da memória: adicione tf.config.optimizer.set_jit(True) em main.py para ativar a aceleração da compilação do XLA
- modo de loteModificar o código para obter o processamento em lote e reduzir a sobrecarga de carregar modelos repetidamente
alternativa
Se ainda assim não conseguir executar sem problemas, considere 1) usar uma implementação OpenCV+Numpy mais leve do algoritmo de reparo básico; 2) substituí-lo por uma versão PyTorch de um projeto semelhante; e 3) limitar o uso de recursos por meio de contêineres do Docker.
Essa resposta foi extraída do artigoRemoção de marca d'água: ferramenta de remoção de marca d'água de imagem de código aberto, recuperação de marca d'água de imagem originalO
Não pode ser reproduzido sem permissão:Ferramentas de produtividade de IA " Como otimizar a eficiência do Watermark Removal Tool em computadores de baixa configuração?
