AMD SESR-M7-512x512-tiles-amdnpu项目概览从模型训练到NPU部署全流程【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-amdnpuAMD SESR-M7-512x512-tiles-amdnpu是一款基于Super-Efficient Super ResolutionSESR架构的单图像超分辨率模型专为AMD AI PC NPU优化可将低分辨率图像高效提升至2倍分辨率。该项目提供从模型训练、ONNX转换到NPU部署的完整解决方案特别适合需要在边缘设备上实现高性能图像增强的开发者和用户。 模型核心优势SESR-M7模型通过线性过参数化CNN架构实现了计算效率与图像质量的平衡。与传统超分辨率模型相比它具有以下特点极致轻量化仅18.12K参数4.17G MACs计算量在保证性能的同时大幅降低硬件资源需求NPU优化部署提供INT8量化版本配合modelcachekey_sesr_nhwc_int8_512x512预编译缓存可直接在AMD Ryzen AI处理器上高效运行灵活处理能力支持512x512 tiles重叠处理可接受任意尺寸输入图像2倍分辨率提升专注于x2超分辨率任务在Set5数据集上达到35.43 PSNR和0.9482 SSIM的精度表现 模型性能对比在AMD Strix系列NPU上的测试显示该模型达到23.56 FPS的处理速度远超同系列其他超分辨率模型模型Strix NPU上的FPSamd/sesr-m7-256x256-tiles-amdnpu32.22amd/sesr-m7-512x512-tiles-amdnpu23.56amd/realesrgan-128x128-tiles-amdnpu14.65amd/realesrgan-256x256-tiles-amdnpuu4.21即使经过INT8量化模型精度仍保持接近FP32的水平在Set14数据集上实现30.86 PSNR和0.8996 SSIM的优秀结果证明了其在效率与质量间的出色平衡。 快速开始指南 硬件要求该模型需要支持Ryzen AI的AMD处理器包括系列代号发布年份Windows 11支持Ryzen AI Max PRO 300 SeriesStrix Halo2025☑️Ryzen AI PRO 300 SeriesStrix Point/Krackan Point2025☑️Ryzen AI Max 300 SeriesStrix Halo2025☑️Ryzen AI 300 SeriesStrix Point2025☑️ 安装步骤准备环境安装Ryzen AI软件栈和NPU驱动约需30分钟conda activate ryzen-ai-v.v.v $Env:RYZEN_AI_INSTALLATION_PATH C:/Program Files/RyzenAI/v.v.v/克隆仓库git clone https://gitcode.com/hf_mirrors/amd/sesr-m7-512x512-tiles-amdnpu安装依赖pip install -r requirements.txtrequirements.txt中包含numpy、opencv-python、tqdm、torch、onnx等核心依赖库确保了模型运行的兼容性和稳定性。️ 运行推理使用onnx_inference.py脚本处理单张图片或图片文件夹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主要参数说明--onnx指定ONNX模型路径项目提供onnx-models/sesr_nhwc_fp32_512x512.onnx和INT8量化版本--input输入图片文件或目录路径--out-dir输出结果保存目录--device选择运行设备npu或cpu 模型评估项目提供onnx_eval.py脚本用于在标准数据集上评估模型性能python onnx_eval.py --onnx onnx-models/sesr_nhwc_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 -clean评估脚本会计算PSNR、MS-SSIM、SSIM和FID等指标并生成JSON格式报告。对于数据集准备可使用download_edsr_benchmark.py自动下载EDSR benchmark数据集。 技术细节训练背景SESR-M7模型基于DIV2K数据集训练该数据集包含800张2K分辨率图像。x2版本模型训练了300个epoch使用ADAM优化器学习率5×10⁻⁴批大小32。模型架构采用可折叠线性块设计在保持性能的同时显著降低计算复杂度。文件结构项目主要包含以下关键文件和目录模型文件onnx-models目录下的FP32和INT8 ONNX模型预编译缓存modelcachekey_sesr_nhwc_int8_512x512目录包含NPU优化文件推理脚本onnx_inference.py、onnx_runner.py等执行文件评估工具onnx_eval.py、onnx_fps_benchmark.py性能测试脚本⚠️ 注意事项该模型仅支持2倍超分辨率不支持4倍放大NPU运行需要安装最新的Ryzen AI软件和驱动首次运行时如无缓存模型会自动编译可能需要额外时间评估数据集下载脚本可能需要运行两次才能成功 引用信息如果您在研究中使用该模型请引用原作者论文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} }该项目为开源项目采用Apache 2.0许可协议详情参见LICENSE文件。如有问题或建议可通过AMD开发者社区Discord或项目社区标签进行反馈。【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
AMD SESR-M7-512x512-tiles-amdnpu项目概览从模型训练到NPU部署全流程【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-amdnpuAMD SESR-M7-512x512-tiles-amdnpu是一款基于Super-Efficient Super ResolutionSESR架构的单图像超分辨率模型专为AMD AI PC NPU优化可将低分辨率图像高效提升至2倍分辨率。该项目提供从模型训练、ONNX转换到NPU部署的完整解决方案特别适合需要在边缘设备上实现高性能图像增强的开发者和用户。 模型核心优势SESR-M7模型通过线性过参数化CNN架构实现了计算效率与图像质量的平衡。与传统超分辨率模型相比它具有以下特点极致轻量化仅18.12K参数4.17G MACs计算量在保证性能的同时大幅降低硬件资源需求NPU优化部署提供INT8量化版本配合modelcachekey_sesr_nhwc_int8_512x512预编译缓存可直接在AMD Ryzen AI处理器上高效运行灵活处理能力支持512x512 tiles重叠处理可接受任意尺寸输入图像2倍分辨率提升专注于x2超分辨率任务在Set5数据集上达到35.43 PSNR和0.9482 SSIM的精度表现 模型性能对比在AMD Strix系列NPU上的测试显示该模型达到23.56 FPS的处理速度远超同系列其他超分辨率模型模型Strix NPU上的FPSamd/sesr-m7-256x256-tiles-amdnpu32.22amd/sesr-m7-512x512-tiles-amdnpu23.56amd/realesrgan-128x128-tiles-amdnpu14.65amd/realesrgan-256x256-tiles-amdnpuu4.21即使经过INT8量化模型精度仍保持接近FP32的水平在Set14数据集上实现30.86 PSNR和0.8996 SSIM的优秀结果证明了其在效率与质量间的出色平衡。 快速开始指南 硬件要求该模型需要支持Ryzen AI的AMD处理器包括系列代号发布年份Windows 11支持Ryzen AI Max PRO 300 SeriesStrix Halo2025☑️Ryzen AI PRO 300 SeriesStrix Point/Krackan Point2025☑️Ryzen AI Max 300 SeriesStrix Halo2025☑️Ryzen AI 300 SeriesStrix Point2025☑️ 安装步骤准备环境安装Ryzen AI软件栈和NPU驱动约需30分钟conda activate ryzen-ai-v.v.v $Env:RYZEN_AI_INSTALLATION_PATH C:/Program Files/RyzenAI/v.v.v/克隆仓库git clone https://gitcode.com/hf_mirrors/amd/sesr-m7-512x512-tiles-amdnpu安装依赖pip install -r requirements.txtrequirements.txt中包含numpy、opencv-python、tqdm、torch、onnx等核心依赖库确保了模型运行的兼容性和稳定性。️ 运行推理使用onnx_inference.py脚本处理单张图片或图片文件夹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主要参数说明--onnx指定ONNX模型路径项目提供onnx-models/sesr_nhwc_fp32_512x512.onnx和INT8量化版本--input输入图片文件或目录路径--out-dir输出结果保存目录--device选择运行设备npu或cpu 模型评估项目提供onnx_eval.py脚本用于在标准数据集上评估模型性能python onnx_eval.py --onnx onnx-models/sesr_nhwc_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 -clean评估脚本会计算PSNR、MS-SSIM、SSIM和FID等指标并生成JSON格式报告。对于数据集准备可使用download_edsr_benchmark.py自动下载EDSR benchmark数据集。 技术细节训练背景SESR-M7模型基于DIV2K数据集训练该数据集包含800张2K分辨率图像。x2版本模型训练了300个epoch使用ADAM优化器学习率5×10⁻⁴批大小32。模型架构采用可折叠线性块设计在保持性能的同时显著降低计算复杂度。文件结构项目主要包含以下关键文件和目录模型文件onnx-models目录下的FP32和INT8 ONNX模型预编译缓存modelcachekey_sesr_nhwc_int8_512x512目录包含NPU优化文件推理脚本onnx_inference.py、onnx_runner.py等执行文件评估工具onnx_eval.py、onnx_fps_benchmark.py性能测试脚本⚠️ 注意事项该模型仅支持2倍超分辨率不支持4倍放大NPU运行需要安装最新的Ryzen AI软件和驱动首次运行时如无缓存模型会自动编译可能需要额外时间评估数据集下载脚本可能需要运行两次才能成功 引用信息如果您在研究中使用该模型请引用原作者论文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} }该项目为开源项目采用Apache 2.0许可协议详情参见LICENSE文件。如有问题或建议可通过AMD开发者社区Discord或项目社区标签进行反馈。【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
