從JPEG影像目錄中洗掉背景

我撰寫了一個代碼來洗掉 8000 張影像的背景，但整個代碼大約需要 8 個小時才能給出結果。

• 由于將來必須處理大型資料集，如何提高其時間復雜度？
• 還是我必須撰寫一個全新的代碼？如果是，請建議一些示例代碼。

from rembg import remove
import cv2
import glob
for img in glob.glob('../images/*.jpg'):
   a = img.split('../images/')
   a1 = a[1].split('.jpg')
   try: 
     cv_img = cv2.imread(img)
     output = remove(cv_img)
   except:
     continue
   cv2.imwrite('../output image/'   str(a1[0])   '.png', output) 

uj5u.com熱心網友回復：

查看U^2Net 存盤庫。像u2net_test.py一樣，撰寫自己的洗掉函式并使用資料加載器可以加快行程。如果沒有必要跳過 alpha matting，否則您可以從 rembg 添加 alpha matting 代碼。

def main():

# --------- 1. get image path and name ---------
model_name='u2net'#u2netp



image_dir = os.path.join(os.getcwd(), 'test_data', 'test_images')
prediction_dir = os.path.join(os.getcwd(), 'test_data', model_name   '_results'   os.sep)
model_dir = os.path.join(os.getcwd(), 'saved_models', model_name, model_name   '.pth')

img_name_list = glob.glob(image_dir   os.sep   '*')
print(img_name_list)

#1. dataloader
test_salobj_dataset = SalObjDataset(img_name_list = img_name_list,
                                    lbl_name_list = [],
                                    transform=transforms.Compose([RescaleT(320),
                                                                  ToTensorLab(flag=0)])
                                    )
test_salobj_dataloader = DataLoader(test_salobj_dataset,
                                    batch_size=1,
                                    shuffle=False,
                                    num_workers=1)
for i_test, data_test in enumerate(test_salobj_dataloader):

    print("inferencing:",img_name_list[i_test].split(os.sep)[-1])

    inputs_test = data_test['image']
    inputs_test = inputs_test.type(torch.FloatTensor)

    if torch.cuda.is_available():
        inputs_test = Variable(inputs_test.cuda())
    else:
        inputs_test = Variable(inputs_test)

    d1,d2,d3,d4,d5,d6,d7= net(inputs_test)

    # normalization
    pred = d1[:,0,:,:]
    pred = normPRED(pred)

    # save results to test_results folder
    if not os.path.exists(prediction_dir):
        os.makedirs(prediction_dir, exist_ok=True)
    save_output(img_name_list[i_test],pred,prediction_dir)

    del d1,d2,d3,d4,d5,d6,d7

uj5u.com熱心網友回復：

啊，您使用https://github.com/danielgatis/rembg#usage-as-a-library中的示例作為代碼模板。也許嘗試使用 PIL 影像而不是 OpenCV 的另一個示例。后者大多不那么快，但誰知道呢。嘗試使用 10 張影像并比較執行時間。

這是您使用 PIL 而不是 OpenCV 的代碼。未測驗。

import glob

from PIL import Image
from rembg import remove

for img in glob.glob("../images/*.jpg"):

    a = img.split("../images/")
    a1 = a[1].split(".jpg")
    try:
        cv_img = Image.open(img)
        output = remove(cv_img)
    except:
        continue
    output.save("../output image/"   str(a1[0])   ".png")

uj5u.com熱心網友回復：

嘗試multiprocessing像 Mark Setchell 在他的評論中提到的那樣使用并行化。我根據此處的方法 8 重寫了您的代碼。多處理應該加快您的執行時間。我沒有測驗代碼，試試它是否有效。

import glob
from multiprocessing import Pool

import cv2
from rembg import remove


def remove_background(filename):
    a = filename.split("../images/")
    a1 = a[1].split(".jpg")
    try:
        cv_img = cv2.imread(filename)
        output = remove(cv_img)
    except:
        continue
    cv2.imwrite("../output image/"   str(a1[0])   ".png", output)


files = glob.glob("../images/*.jpg")
pool = Pool(8)
results = pool.map(remove_background, files)

標籤：Python opencv 机器学习 图像处理 图像分割

上一篇：是否可以從原始影像“散列”一個ssim，所以我不必再次讀取影像？

下一篇：使用移位進行子像素繪圖時如何讓opencv填充所有觸摸像素