enhancr
Release - 0.9.9 +
enhancr adalah GUI yang elegan dan mudah digunakan untuk Interpolasi Bingkai Video dan Peningkatan Video yang memanfaatkan kecerdasan buatan - yang dibangun menggunakan node.js dan Electron . Itu dibuat untuk meningkatkan pengalaman pengguna bagi siapa pun yang tertarik untuk menyempurnakan rekaman video menggunakan kecerdasan buatan. GUI dirancang untuk memberikan pengalaman menakjubkan yang didukung oleh teknologi tercanggih tanpa terasa kikuk dan ketinggalan jaman seperti alternatif lainnya.
Ini memiliki fitur inferensi TensorRT yang sangat cepat dari NVIDIA, yang dapat mempercepat proses AI secara signifikan . Sudah dikemas sebelumnya, tanpa perlu menginstal Docker atau WSL (Subsistem Windows untuk Linux) - dan inferensi NCNN oleh Tencent yang ringan dan berjalan di NVIDIA , AMD , dan bahkan Apple Silicon - berbeda dengan inferensi raksasa PyTorch, yang mana hanya berjalan pada GPU NVIDIA .
Rilis 0.9.9 menampilkan versi gratis? https://dl.enhancr.app/setup/enhancr-setup-free-0.9.9.exe
Untuk memastikan bahwa Anda memiliki versi perangkat lunak terbaru dan semua dependensi yang diperlukan, kami menyarankan Anda mengunduh penginstal dari Patreon. Harap dicatat bahwa build dan lingkungan python yang dapat disematkan untuk versi Pro tidak disediakan melalui repositori ini.
RIFE (NCNN) - megvii-research/ ECCV2022-RIFE - didukung oleh styler00dollar/ VapourSynth-RIFE-NCNN-Vulkan
RIFE (TensorRT) - megvii-research/ ECCV2022-RIFE - didukung oleh AmusementClub/ vs-mlrt & styler00dollar/ VSGAN-tensorrt-docker
GMFSS - Persatuan (PyTorch/TensorRT) - 98mxr/ GMFSS_Union - didukung oleh HolyWu/ vs-gmfss_union
GMFSS - Fortuna (PyTorch/TensorRT) - 98mxr/ GMFSS_Fortuna - didukung oleh HolyWu/ vs-gmfss_fortuna
CAIN (NCNN) - myungsub/ CAIN - didukung oleh mafiosnik/ vsynth-cain-NCNN-vulkan (belum dirilis)
CAIN (DirectML) - myungsub/ CAIN - didukung oleh AmusementClub/ vs-mlrt
CAIN (TensorRT) - myungsub/ CAIN - didukung oleh HubertSotnowski/ cain-TensorRT
ShuffleCUGAN (NCNN) - styler00dollar/ VSGAN-tensorrt-docker - didukung oleh AmusementClub/ vs-mlrt
ShuffleCUGAN (TensorRT) - styler00dollar/ VSGAN-tensorrt-docker - didukung oleh AmusementClub/ vs-mlrt
RealESRGAN (NCNN) - xinntao/ Real-ESRGAN - didukung oleh AmusementClub/ vs-mlrt
RealESRGAN (DirectML) - xinntao/ Real-ESRGAN - didukung oleh AmusementClub/ vs-mlrt
RealESRGAN (TensorRT) - xinntao/ Real-ESRGAN - didukung oleh AmusementClub/ vs-mlrt
RealCUGAN (TensorRT) - bilibili/ ailab/Real-CUGAN - didukung oleh AmusementClub/ vs-mlrt
SwinIR (TensorRT) - JingyunLiang/ SwinIR - didukung oleh mafiosnik777/ SwinIR-TensorRT (belum dirilis)
DPIR (DirectML) - cszn/ DPIR - didukung oleh AmusementClub/ vs-mlrt
DPIR (TensorRT) - cszn/ DPIR - didukung oleh AmusementClub/ vs-mlrt
SCUNet (TensorRT) - cszn/ SCUNet - didukung oleh mafiosnik777/ SCUNet-TensorRT (belum dirilis)
Catatan tambahan: Dimulai dengan TensorRT 8.6, dukungan untuk Kepler generasi ke-2 dan Maxwell (Seri 900 ke bawah) telah dihentikan. Anda memerlukan setidaknya GPU Pascal (seri 1000 dan lebih tinggi) dan driver CUDA 12.0 + versi >= 525.xx untuk menjalankan inferensi menggunakan TensorRT.
GUI dibuat dengan mempertimbangkan kompatibilitas lintas platform dan kompatibel dengan kedua sistem operasi. Fokus utama kami saat ini adalah memastikan solusi yang stabil dan berfungsi penuh untuk pengguna Windows, namun dukungan untuk Linux dan macOS akan tersedia dengan pembaruan 1.0.
Dukungan untuk Apple Silicon juga direncanakan, tapi saat ini saya hanya memiliki Intel Macbook Pro yang tersedia untuk pengujian saya akan mendapatkan instance Apple Silicon di Amazon AWS untuk mengimplementasikan ini, tepat pada saat rilis 1.0.
Ukuran masukan: 1920x1080 @ 2x
| RTX 2060S 1 | RTX 3070 2 | RTX A4000 3 | RTX 3090 Ti 4 | RTX 4090 5 | |
|---|---|---|---|---|---|
| RIFE / marak-v4.6 (NCNN) | 53,78fps | 64,08fps | 80,56fps | 86,24fps | 136,13fps |
| RIFE/rife-v4.6 (TensorRT) | 70,34fps | 94,63fps | 86,47fps | 122,68fps | 170,91fps |
| KAIN / cvp-v6 (NCNN) | 9,42fps | 10,56fps | 13,42fps | 17,36fps | 44,87fps |
| KAIN / cvp-v6 (TensorRT) | 45,41fps | 63,84fps | 81,23fps | 112,87fps | 183,46fps |
| GMFSS / Atas (PyTorch) | - | - | 4,32fps | - | 16,35fps |
| GMFSS / Persatuan (PyTorch) | - | - | 3,68fps | - | 13,93fps |
| GMFSS / Persatuan (TensorRT) | - | - | 6,79fps | - | - |
| RealESRGAN / animevideov3 (TensorRT) | 7,64fps | 9,10fps | 8,49fps | 18,66fps | 38,67fps |
| CUGAN Nyata (TensorRT) | - | - | 5,96fps | - | - |
| BabiIR (PyTorch) | - | - | 0,43fps | - | - |
| DPIR / Denoise (TensorRT) | 4,38fps | 6,45fps | 5,39fps | 11,64fps | 27,41fps |
1 Ryzen 5 3600X - Dapatkan RTX 2060 Super @ Stok
2 Ryzen 7 3800X - Gigabyte RTX 3070 Eagle OC @ Stok
3 Ryzen 5 3600X - PNY RTX A4000 @ Stok
4 i9 12900KF - ASUS RTX 3090 Ti Strix OC @ ~2220MHz
5 Ryzen 9 5950X - ASUS RTX 4090 Strix OC - @ ~3100MHz dengan kurva untuk mencapai performa maksimal
Bagian ini telah dipindahkan ke wiki: https://github.com/mafiosnik777/enhancr/wiki
Lihat untuk mempelajari lebih lanjut tentang cara memaksimalkan peningkatan atau cara memperbaiki berbagai masalah.
TensorRT adalah runtime inferensi AI yang sangat optimal untuk GPU NVIDIA. Ini menggunakan benchmarking untuk menemukan kernel optimal yang akan digunakan untuk GPU spesifik Anda, dan ada langkah ekstra untuk membangun mesin pada mesin tempat Anda menjalankan AI. Namun, kinerja yang dihasilkan juga biasanya jauh lebih baik daripada implementasi PyTorch atau NCNN mana pun.
NCNN adalah kerangka komputasi inferensi jaringan saraf berkinerja tinggi yang dioptimalkan untuk platform seluler. NCNN tidak memiliki ketergantungan pihak ketiga. Ini bersifat lintas platform, dan berjalan lebih cepat daripada semua kerangka kerja sumber terbuka yang dikenal di sebagian besar platform utama. Ini mendukung NVIDIA, AMD, Intel Graphics dan bahkan Apple Silicon. NCNN saat ini digunakan di banyak aplikasi Tencent, seperti QQ, Qzone, WeChat, Pitu dan lain sebagainya.
Saya akan berterima kasih jika Anda dapat menunjukkan dukungan Anda terhadap proyek ini dengan berkontribusi di Patreon atau melalui donasi di PayPal. Dukungan Anda akan membantu mempercepat pengembangan dan menghadirkan lebih banyak pembaruan pada proyek ini. Selain itu, jika Anda memiliki keahlian, Anda juga dapat berkontribusi dengan membuka pull request. Apa pun bentuk dukungan yang Anda pilih, ketahuilah bahwa itu sangat kami hargai.
Saya terus berupaya meningkatkan basis kode, termasuk mengatasi segala inkonsistensi yang mungkin timbul karena keterbatasan waktu. Pembaruan rutin akan dirilis, termasuk fitur baru, perbaikan bug, dan penggabungan teknologi dan model baru saat tersedia. Terima kasih atas pengertian dan dukungan Anda.
Pemain kami bergantung pada mpv dan ModernX untuk OSC.
Terima kasih kepada HubertSontowski dan styler00dollar yang telah membantu penerapan CAIN.
Untuk berinteraksi dengan komunitas, membagikan hasil Anda atau untuk mendapatkan bantuan ketika menghadapi masalah, kunjungi perselisihan kami. Pratinjau versi mendatang juga akan dipamerkan di sana.
