蓝雨凌
论坛回复已创建
-
-
第三步、应用数据集提取整个视频中的人物
这一步就是出结果的阶段啦，我们通过训练好的几帧，让计算机学会了这段视频中的这个人物，使用数据就是将训练好的人物数据，应用到整个视频中，达到自动化提取人物的目的。
添加 Inference 节点，并从路径中选择上一步训练好的数据集。
应用数据后，就可以看到整段视频处理后的结果，人物已经从视频中提取出来了
仔细检查素材，我们会发现有一些小细节不够完美，下一篇我们再来总结如何进行重新训练或者通过 Roto 修补来完善结果。
好啦，今天十七的教程就到这里啦，如果本教程对您有所帮助，点击我的头像，加我为好友，就可以看到我得更新啦，也可给我发私信，点击帖子顶部得收藏放入收藏夹，方便将来再次查看～
本帖未经允许不得转载，转载请注明出处并保留在本站的完整链接，谢谢^_^
-
第二步、添加 Copycata 节点开始训练数据集并监视神经网络
最后添加 Copycat 节点，将 Alpha 通道连接到 BackgroundTruth，将 Input 连接到原视频帧，开始训练。
Copycat 节点上有几个参数，其中一个是训练好的数据存储路径，这是必须要设置的，具体的 Copycat 节点用法可以学习这篇：点击“Training”开始进行学习，解算完毕后会生成数据集，这一步就算结束啦。
-
第一步、创建采样图像与提取原始图像参考数据
训练数据集就是让Copycat 来学习视频中的某个部分，这里我们按照 Nuke 官方教学中的 Roto 来举例，让 copycat 学习视频中的人物，让 Copynode 能精确的识别视频中的人物与原视频的区别。
1、我们为视频添加6个 Framehold 节点，截取视频中的6个帧，并在这六帧上绘制 Roto
2、绘制好 Roto 后通过AppendClip 合并帧，并在下方使用 Alpha 节点将Alpha 通道到 R 通道，最终输出 R 通道。
3、然后添加 Remove 节点，去除多余通道。（仅保留 Alpha 和 R 通道）
4、然后从原视频的对应帧添加 Remove 节点，仅仅保留 RGB 通道，去除 Alpha 通道。
-
Copycat 机器学习节点控制器的参数及功能
1、本地GPU（gpuName）：默认不启用
启用“使用GPU”（如果可用）时显示用于渲染的GPU。本地GPU显示在以下情况下不可用：
•在“首选项”中，将“使用CPU”选择为默认的渲染设备。
•在系统上找不到合适的GPU。
•无法创建用于在所选GPU上进行处理的上下文，例如，当GPU上没有足够的可用内存时。
可以选择另一个GPU（如果有），方法是在“首选项”，从默认设备下拉列表中选择一个替代的GPU ，选择其他GPU要求您重新启动Nuke才能使更改生效。
使用GPU（如果有）useGPUIfAvailable：勾选后将会启用，启用后，渲染将在指定的本地GPU（如果有）上而不是CPU上进行。
2、资料目录（dataDirectory）：默认为空，需要手工选择目录，选定后CopyCat表和.cat文件将会输出到此目录下。
3、精度(epochs):默认为10000,设置后在训练网络期间CopyCat处理整个数据集的次数。较高的值通常会产生更高精度的结果，但是会花费更长的处理时间。
4、显示信息，可在高级选项中自定义
通道数（Channels）：神经网络模型要处理的通道信息。默认情况下，Batch Size（批次大小）是使用可用的GPU内存自动计算的。
Batch Size（批量大小）：CopyCat都会使用输入和结果图像信息除以“批次大小”中的随机作物对来训练网络。
Total Steps = Epochs * (Data Set Size) / (Batch Size)
Total Steps（总步数）：完成指定数量的精度所需的步骤数，总步数=精度*（数据集）/（批处理大小）。
Crop Size（裁切大小）：定义从数据集图像对中获取解算部分的大小。较大的值通常会产生更准确的结果，但是会消耗更多处理时间和内存为代价，而较小的值可能需要更多的迭代尝试才能产生良好的结果。 在我们的测试中，默认256适用于大多数场景，但较大图像的数据集可能需要较大的参数才能有效训练。
Checkpoint Interval（检查点间隔）：设置保存到数据目录中的每个检查点.cat文件之间的步数。 可以将.cat文件加载到推理节点中，以在整个序列上的检查点查看训练进度。
5、开始训练（startTraining）：单击以开始使用当前设置训练网络。
继续训练（Resume Training）：单击后会从数据目录中记录的检查点再次重复训练。
建立推论（Create Inference）：在训练完毕后，单击将一个Inference（推理节点）添加到“节点图”，该节点会自动引用此CopyCat节点的生成的.cat文件。
Graphs Tab
Log Scale（对数刻度）：启用后，图形y轴将从线性转换为对数，随着训练的深入，它可以较低的值显示更多详细信息。Smoothness（光滑度）：显示指定数据目录中所有训练的步数/损失数据。 可以使用曲线通过图表上方的缩放控件实时监视训练。
Runs（运行）：显示指定目录中所有在运行训练的数据。 可以使用每个条目左侧的复选框启用和禁用曲线以分别运行。还可以通过双击“名称”字段并输入自己的字符串来重命名“数据目录”中的文件。
Python选项卡（这些控件用于Python回调，可用于在Nuke中发生各种事件时自动调用Python函数。）
before render（渲染前）：这些函数在开始执行execute（）之前运行。如果它们引发异常，则渲染中止。
after each frame（每帧之后）：这些功能在开始渲染每个单独的帧之前运行。如果它们引发异常，则渲染中止。
after each frame（每帧之后）：这些功能在每帧渲染完成后运行。如果渲染异常终止，则不会调用它们。如果它们引发异常，则渲染中止。
after render（渲染后）：这些功能在所有帧的渲染完成后运行。如果他们抛出错误，则渲染中止。
render progress（）这些功能在渲染过程中运行以确定进度或失败。 -
CopyCat 节点的三个输入端口及功能
CopyCat（仅适用于NukeX和 Nuke Studio）可以从一段视频的几个关键帧中学习某种数据，比如Roto，美容修复或去模糊，通过训练神经网络，可以将这些数据应用到整个视频中。CopyCat在.cat文件中输出经过训练的网络数据集，以供推理节点使用这些数据。
Input（输入端）：应用任何效果之前的图像序列。
Ground Truth（处理后的数据）：应用所需效果后的图像序列。此输入描述了网络正在尝试学习的内容。
Preview（预览）：可选的示例图像叠加层。此输入用于查看模型应用于帧（该帧不属于用于训练模型的数据集的一部分）时的工作方式。随着训练的进行，“预览”图像应朝着“地面真相”所定义的理想结果移动。注意：仅当输入和地面真相连接时，Preview（预览）端口此输入才可见。
-
2、Nuke12新 Shuffle 节点的7种操作方式全解
新的 Shuffle 节点不仅仅是改变了通道连接方式，提供了更多高效的连接快捷键，和拖拉连接方式，这里将所有涉及 Shuffle 快捷键操作的命令与操作方式以表格形式整理出来：
操作目的 操作方式 操作结果 自动连接所有通道 拖放 
按顺序自动连接 连按两下 
按通道名称自动连接 Ctrl / Cmd +双击 
连接通道和该层中所有底部的通道 Ctrl / Cmd +拖动 
连接通道和该层中所有上方的通道 Ctrl / Cmd + Shift +拖动 
将选中通道全部输出到所有通道 Alt +拖动 
将所有输出通道设置为全黑（0）或全白（1） Ctrl / Cmd +单击 
Shuffle节点还可以将黑色（0）或白色（1）常量分配给任何传入通道。因此，例如，要将Alpha通道重置为全帧图像，请启用全白按钮：
提示： 还可以使用Ctrl/Cmd+单击将所有输出通道设置为全黑（0）或全白（1）。
创建交换层
最后，如果想输出通道的图层不存在，则可以使用右侧下拉菜单上的new选项创建该图层。选择新选项后，按照创建通道和图层所述的相同步骤来创建图层。
好啦，今天小雨的更贴就到这里啦，如有疑问，可以跟帖留言，会尽快回复你的。点击Nuke影视合成制作并订阅可以查看更多精彩教程哦。
如果喜欢NewVFX社区的帖子，点击我的头像，加我为好友，就可以看到我得更新啦，也可给我发私信，点击帖子顶部得收藏放入收藏夹，方便将来再次查看～
本帖未经允许不得转载，转载请注明出处并保留在本站的完整链接，谢谢^_^
工信部备