自编码训练问题

[Mrgorlay]

@DEVILENMO 大佬你好，小白冒昧打扰了，看了好久还是没太理解您的做法，有更详细的文档说明嘛，或者方便的话可以提供下您的数据集。我学习测试下。谢谢。我想直接使用您的那个编码器，然后还原图像看看效果。但是在做的过程中出现好多奇怪的问题。感谢

[DEVILENMO]

@DEVILENMO 大佬你好，小白冒昧打扰了，看了好久还是没太理解您的做法，有更详细的文档说明嘛，或者方便的话可以提供下您的数据集。我学习测试下。谢谢。我想直接使用您的那个编码器，然后还原图像看看效果。但是在做的过程中出现好多奇怪的问题。感谢

数据集是一个比赛的数据集，不方便提供，但是可以给你介绍一下我们那个数据集的情况给你参考，是5类不同的PCB样本，每类大概10张图左右，都是无缺陷的正常样本。其实我这个方案的无监督检测的详细原理就是：首先手动把输入图片用SAM分割出你需要检测的对象的主体部分（非必要步骤，看你自己数据集是否干净决定），接下来对输入图片进行样本增强，然后交给GAN去训练生成器以及辨别器，训练完成后如果你之前使用过SAM就可以基于辨别器做一个自动分割并找出主体的功能，如果没有用到SAM的话直接用生成器对输入的有缺陷图像也进行重建，然后把重建后的图像和原始图像做一个图像减法，就可以找出有缺陷的部分。我训练好的模型size比较大，所以我没有一起传到项目里来，但是具体效果就是文档里的demo图。

[Mrgorlay]

@DEVILENMO 大佬你好，小白冒昧打扰了，看了好久还是没太理解您的做法，有更详细的文档说明嘛，或者方便的话可以提供下您的数据集。我学习测试下。谢谢。我想直接使用您的那个编码器，然后还原图像看看效果。但是在做的过程中出现好多奇怪的问题。感谢

数据集是一个比赛的数据集，不方便提供，但是可以给你介绍一下我们那个数据集的情况给你参考，是5类不同的PCB样本，每类大概10张图左右，都是无缺陷的正常样本。其实我这个方案的无监督检测的详细原理就是：首先手动把输入图片用SAM分割出你需要检测的对象的主体部分（非必要步骤，看你自己数据集是否干净决定），接下来对输入图片进行样本增强，然后交给GAN去训练生成器以及辨别器，训练完成后如果你之前使用过SAM就可以基于辨别器做一个自动分割并找出主体的功能，如果没有用到SAM的话直接用生成器对输入的有缺陷图像也进行重建，然后把重建后的图像和原始图像做一个图像减法，就可以找出有缺陷的部分。我训练好的模型size比较大，所以我没有一起传到项目里来，但是具体效果就是文档里的demo图。

感谢大佬解答，现在更加通透了。我想直接用到您的那个GAN去训练和重构，那就只需要改下那个VAE_GAN_train.py下的图片路径，其他地方也就改下input的尺寸512*512，然后训练一个辨别器（可以选是否使用）和生成器对吧。

有下面几个问题，麻烦您解答下，谢谢啦

if __name__ == '__main__':
    
    test_dataset_path = './datasets/test_dataset.pt'
    if os.path.isfile(test_dataset_path):
        test_dataset = torch.load(test_dataset_path)
        print(f"Test dataset has been loaded from {test_dataset_path}.")
    else:
        print(f"Error: Test dataset was not found at {test_dataset_path}.")
        # 没有的时候就调用函数加载测试图片数据集
        test_dataset = load_test_dataset()

test_dataset.pt这个是怎么来的呢，是保存的测试数据集文件？这个测试数据集文件在那里生成？

还想请教下，您这样的场景能用在印刷检测的场景下嘛， 图片大概是这样的，我也想训练好的OK图，然后进行还原。这样的话好的印刷质量减去原图，就可以找到缺陷了。

[DEVILENMO]

@DEVILENMO 大佬你好，小白冒昧打扰了，看了好久还是没太理解您的做法，有更详细的文档说明嘛，或者方便的话可以提供下您的数据集。我学习测试下。谢谢。我想直接使用您的那个编码器，然后还原图像看看效果。但是在做的过程中出现好多奇怪的问题。感谢

数据集是一个比赛的数据集，不方便提供，但是可以给你介绍一下我们那个数据集的情况给你参考，是5类不同的PCB样本，每类大概10张图左右，都是无缺陷的正常样本。其实我这个方案的无监督检测的详细原理就是：首先手动把输入图片用SAM分割出你需要检测的对象的主体部分（非必要步骤，看你自己数据集是否干净决定），接下来对输入图片进行样本增强，然后交给GAN去训练生成器以及辨别器，训练完成后如果你之前使用过SAM就可以基于辨别器做一个自动分割并找出主体的功能，如果没有用到SAM的话直接用生成器对输入的有缺陷图像也进行重建，然后把重建后的图像和原始图像做一个图像减法，就可以找出有缺陷的部分。我训练好的模型size比较大，所以我没有一起传到项目里来，但是具体效果就是文档里的demo图。

感谢大佬解答，现在更加通透了。我想直接用到您的那个GAN去训练和重构，那就只需要改下那个VAE_GAN_train.py下的图片路径，其他地方也就改下input的尺寸512*512，然后训练一个辨别器（可以选是否使用）和生成器对吧。

有下面几个问题，麻烦您解答下，谢谢啦

if __name__ == '__main__':
    
    test_dataset_path = './datasets/test_dataset.pt'
    if os.path.isfile(test_dataset_path):
        test_dataset = torch.load(test_dataset_path)
        print(f"Test dataset has been loaded from {test_dataset_path}.")
    else:
        print(f"Error: Test dataset was not found at {test_dataset_path}.")
        # 没有的时候就调用函数加载测试图片数据集
        test_dataset = load_test_dataset()

test_dataset.pt这个是怎么来的呢，是保存的测试数据集文件？这个测试数据集文件在那里生成？

还想请教下，您这样的场景能用在印刷检测的场景下嘛， 图片大概是这样的，我也想训练好的OK图，然后进行还原。这样的话好的印刷质量减去原图，就可以找到缺陷了。

这个场景可能需要你做一些针对性的结构优化和一些改变，因为我们的目标场景没有这么大数量的印刷文字，我那个模型在只有一些比较大的型号文字的时候是可以还原的。然后这个数据集我记得就是把图片经过前处理（调整通道和尺寸）后保存成.pt的格式，方便下次直接开始训练不需要再做前处理了，这块你可以自由修改。