AOD-Net预训练权重下载与使用指南：从零开始的深度学习实践

1次阅读

共计 1842 个字符，预计需要花费 5 分钟才能阅读完成。

AOD-Net（All-in-One Dehazing Network）是一种端到端的图像去雾网络，广泛应用于计算机视觉领域。预训练权重是模型在大量数据上训练后的参数，直接使用可以节省大量训练时间，尤其适合初学者快速验证模型效果。

官方下载渠道
访问 AOD-Net 的 GitHub 仓库（通常为原作者发布页面）
在 ”Releases” 或 ”Pretrained Models” 部分找到权重文件（通常为 .pth 格式）
备用下载方式
使用 Google Drive 或百度网盘等云存储链接
学术资源平台如 arXiv 常附带模型权重链接
完整性校验
比较文件大小（官方会注明预期文件大小）
使用 MD5 或 SHA256 校验和验证文件完整性

Python 环境：推荐使用 Python 3.8+

关键依赖库：

pip install torch torchvision opencv-python tqdm

版本兼容性：
PyTorch 1.8+
CUDA 11.1+（如使用 GPU）

import torch
from torchvision import models
import os
from tqdm import tqdm

# 权重文件路径
weight_path = "./aod_net.pth"

# 检查文件是否存在
if not os.path.exists(weight_path):
    raise FileNotFoundError(f"权重文件 {weight_path} 未找到")

# 加载模型（示例结构，实际需替换为 AOD-Net 定义）model = models.resnet18(pretrained=False)
model.fc = torch.nn.Linear(512, 10)  # 示例修改

# 加载权重
try:
    checkpoint = torch.load(weight_path, map_location='cpu')
    model.load_state_dict(checkpoint['state_dict'])
    print("权重加载成功")
except Exception as e:
    print(f"权重加载失败: {str(e)}")
    # 重试机制
    for i in range(3):
        try:
            checkpoint = torch.load(weight_path, map_location='cpu')
            model.load_state_dict(checkpoint['state_dict'])
            print(f"第 {i+1} 次重试成功")
            break
        except:
            continue

# 模型输入输出说明
# 输入: [batch_size, 3, height, width] 的归一化图像
# 输出: 去雾后的图像 [batch_size, 3, height, width]

准备数据集
组织图像为标准格式（如 ImageFolder）
确保有雾 / 无雾图像对
修改模型结构
调整最后一层适配你的任务

示例代码：

model.fc = torch.nn.Sequential(torch.nn.Linear(512, 256),
    torch.nn.ReLU(),
    torch.nn.Linear(256, 3*256*256)  # 输出去雾图像
)

训练循环
使用预训练权重初始化
冻结部分层（可选）
定义损失函数（如 MSE 或 SSIM）

常见错误 1 ：维度不匹配
解决方案：检查模型定义与权重结构是否一致
常见错误 2 ：CUDA 内存不足
解决方案：减小 batch_size 或使用梯度累积
常见错误 3 ：权重加载失败
解决方案：检查 PyTorch 版本是否兼容

内存管理
使用 torch.cuda.empty_cache() 定期清理缓存

混合精度训练：

from torch.cuda.amp import autocast, GradScaler
scaler = GradScaler()

with autocast():
    outputs = model(inputs)
    loss = criterion(outputs, targets)

scaler.scale(loss).backward()
scaler.step(optimizer)
scaler.update()