企业官网建设流程全解析

• 人工智能
• 大模型
• 微调
• 模型推理服务

seeinthedark 是 PaddleHub 图像模块库（modules/image/image_processing/seeinthedark/）中基于 CVPR 2018《Learning to See in the Dark》思想实现的暗光增强模型：它以暗光环境下拍摄的 RAW（Sony .ARW）图像为输入，端到端地输出一张亮度正常、清晰可见的 RGB 图像。本文将以该模块的官方 README 为主体，结合仓库内 module.py 源码，完整讲解模型原理、环境安装、命令行预测、Python API 调用以及基于 PaddleHub Serving 的在线服务部署，读完即可将暗光 RAW 图像一键增强为可见 RGB 图像。

一、模型基本信息与核心原理

1.1 模型档案

根据 README.md 的模型基本信息表，该模块的核心参数如下：

1.2 端到端暗光增强原理

seeinthedark 模块的训练思路来自暗光成像的经典范式：通过大量由暗光条件下的短曝光图像与同一场景长曝光（正常曝光）图像组成的图像对，以RAW 图像为输入、RGB 图像为参照进行监督训练，使模型学会直接在 RAW 域上完成亮度恢复与去噪，从而端到端地将暗光 RAW 图像处理为可见的 RGB 图像。

从源码结构看，这一端到端思想体现在 module.py 的推理流程中：

1. 使用rawpy读取 Sony RAW 文件（.ARW），得到原始 Bayer 马赛克数据；
2. 将单通道 Bayer 图打包为 4 通道输入（对应 RGGB 四个位置），并做黑电平（black level）扣除与归一化；
3. 按 512×512 的 patch 分块送入 ConvNet 推理，输出对应 2 倍尺寸的 RGB 结果；
4. 拼接全部 patch 结果并裁剪到 0～255 的 uint8 范围，保存为增强后的 RGB 图像。

也就是说，用户既不需要手动做去马赛克（demosaic）、白平衡、去噪等 ISP 流水线操作，也不需要任何额外后处理，模型直接从 RAW 输出可见 RGB。

二、源码级推理原理剖析

README 给出了模型的使用入口，而 module.py 完整展示了推理的底层实现，理解它有助于正确准备输入数据。

2.1 RAW 数据打包：pack_raw

denoising内部依赖pack_raw函数完成 Bayer 图像到 4 通道输入的转换（module.py）：

def pack_raw(raw): # pack Bayer image to 4 channels im = raw if not isinstance(raw, np.ndarray): im = raw.raw_image_visible.astype(np.float32) im = np.maximum(im - 512, 0) / (16383 - 512) # subtract the black level im = np.expand_dims(im, axis=2) img_shape = im.shape H = img_shape[0] W = img_shape[1] out = np.concatenate((im[0:H:2, 0:W:2, :], im[0:H:2, 1:W:2, :], im[1:H:2, 1:W:2, :], im[1:H:2, 0:W:2, :]), axis=2) return out

关键细节：

• 黑电平扣除与归一化：np.maximum(im - 512, 0) / (16383 - 512)将 14-bit RAW（像素最大值 16383）减去黑电平 512 后归一化到 0～1 区间，模拟 SID 数据集的预处理方式；
• RGGB 四通道拆分：im[0:H:2, 0:W:2]、im[0:H:2, 1:W:2]、im[1:H:2, 1:W:2]、im[1:H:2, 0:W:2]分别对应 Bayer 排列的 R、G、G、B 四个采样位置，最终拼接为形状[H/2, W/2, 4]的张量。

2.2 分块推理与倍数放大

denoising的主体循环（module.py）做了三件关键的事：

input_full = np.expand_dims(pack_raw(raw), axis=0) * 300 px = input_full.shape[1] // 512 py = input_full.shape[2] // 512 rx, ry = px * 512, py * 512 input_full = input_full[:, :rx, :ry, :] output = np.random.randn(rx * 2, ry * 2, 3) input_full = np.minimum(input_full, 1.0)

• ×300 放大：归一化后的输入乘以 300，将低光 RAW 的微弱信号放大到网络可感知的动态范围（随后再np.minimum(input_full, 1.0)截断到 1.0）；
• 512 对齐裁剪：图像宽高被裁剪到 512 的整数倍（rx = px * 512），再按 512×512 的 patch 分块送入模型；
• 2 倍超分输出：每个 patch 推理结果被写入output[i*512*2 : ..., j*512*2 : ...]，最终输出尺寸是输入的 2 倍，即输出 RGB 图像为[H, W, 3]（H、W 为原始 RAW 可见区域尺寸）。

推理结束后，结果经np.clip(output, 0, 255).astype('uint8')转为 8-bit 图像。由于 OpenCV 的cv2.imwrite按 BGR 保存，源码在写盘时做了通道反转out[:, :, ::-1]，保证保存的是正常 RGB 颜色。

2.3 模型加载与设备管理

LearningToSeeInDark类通过set_device(use_gpu)惰性加载推理模型：首次调用时使用paddle.static.load_inference_model分别加载 CPU 版（paddle.CPUPlace()）或 GPU 版（paddle.CUDAPlace(0)）的model.pdmodel/model.pdiparams，并缓存到实例属性中以备复用。同时denoising开头调用paddle.enable_static()，说明该模块基于 Paddle 静态图执行推理。

三、环境准备与安装

3.1 环境依赖

模块的核心 Python 依赖只有一个（见 requirements.txt）：

• rawpy：用于读取 Sony 等相机的 RAW 格式文件（.ARW），是暗光图像输入的必备依赖。

安装 rawpy：

$ pip install rawpy

3.2 安装模块

通过 PaddleHub 命令行安装：

$ hub install seeinthedark

如需指定版本（例如本文档对应的 1.0.0 初始版本），可使用：

$ hub install seeinthedark==1.0.0

如安装过程遇到问题，可参考 PaddleHub 的零基础安装文档：Windows 安装指南、Linux 安装指南、MacOS 安装指南。安装成功后，即可通过命令行、Python API 或 Serving 三种方式使用模型。

四、命令行预测

4.1 基本用法

PaddleHub 提供了统一的hub run命令来执行模块预测，CV 类任务通过--input_path指定输入图像路径（参见 命令行工具说明）：

# Read from a raw (Sony, .ARW) file $ hub run seeinthedark --input_path "/PATH/TO/IMAGE"

4.2 可配置参数

结合 module.py 中run_cmd与add_module_config_arg的实现，命令行支持以下参数：

例如使用 GPU 并自定义输出目录：

$ hub run seeinthedark --input_path "/PATH/TO/IMAGE.ARW" --use_gpu --output_dir ./result --visualization

从实现上，hub run命令会解析参数并调用模块的denoising方法（对应 paddlehub/commands/run.py 中 RunCommand 的调用链），--input_path会以paths=[input_path]的形式传给 API。

五、Python API 预测

5.1 预测代码示例

在 Python 中，通过hub.Module(name="seeinthedark")加载模块并调用denoisingAPI：

import paddlehub as hub denoiser = hub.Module(name="seeinthedark") input_path = "/PATH/TO/IMAGE" # Read from a raw file denoiser.denoising(paths=[input_path], output_path='./denoising_result.png', use_gpu=True)

注：README 示例中的output_path为示意写法，源码中保存目录参数名为output_dir（见下方 API 签名），保存的图片文件以output_0.png、output_1.png形式命名。

5.2 denoising API 详解

def denoising(images=None, paths=None, output_dir='./denoising_result/', use_gpu=False, visualization=True)

该 API 用于完成对暗光 RAW 图像的降噪并生成 RGB 图像。参数说明如下：

images与paths两种输入方式在源码中对应两条独立分支：images分支直接对传入的numpy.ndarray调用pack_raw打包（要求输入本身已是 RAW 数值矩阵）；paths分支则先通过rawpy.imread(path)读取 RAW 文件，再取raw.raw_image_visible参与打包。因此：

• 若手头已有 RAW 数值矩阵，可走images分支；
• 若只有.ARW文件，直接走paths分支即可，无需手动读取。

当visualization=True时，结果会以output_{i}.png的命名写入output_dir，函数最终返回增强结果的 RGB 图像列表（每个元素形状为[H, W, 3]的 uint8 数组）。

六、基于 PaddleHub Serving 的在线服务部署

PaddleHub Serving 可以部署一个在线的图像暗光增强服务，前端通过 Flask 与 Gunicorn 处理网络请求，后端直接调用 PaddleHub 预测接口，并支持多进程并发（详见 PaddleHub Serving 部署文档）。

6.1 第一步：启动 PaddleHub Serving

运行启动命令：

$ hub serving start -m seeinthedark

执行后即完成了一个暗光增强在线服务 API 的部署，默认端口号为8866。

NOTE：如使用 GPU 预测，需要在启动服务之前设置CUDA_VISIBLE_DEVICES环境变量，例如：

$ export CUDA_VISIBLE_DEVICES=0

否则无需设置。

除命令行方式外，也可使用配置文件方式启动（见 serving.md），例如：

{ "modules_info": { "seeinthedark": { "init_args": { "version": "1.0.0" }, "predict_args": { "use_gpu": false } } }, "port": 8866, "use_multiprocess": false, "workers": 2, "gpu": "0" }

$ hub serving start --config serving_config.json

其中port指定服务端口（默认 8866），use_multiprocess与workers用于多进程并发（Windows 仅支持单进程），gpu用于指定显卡卡号。

6.2 第二步：发送预测请求

服务启动后，客户端通过 POST 请求访问http://127.0.0.1:8866/predict/seeinthedark/获取预测结果。请求体以 JSON 形式携带images字段，内容为 RAW 图像矩阵（rawpy.imread(...).raw_image_visible）经 base64 编码后的字符串：

import requests import json import rawpy import base64 def cv2_to_base64(image): data = cv2.imencode('.jpg', image)[1] return base64.b64encode(data.tostring()).decode('utf8') # 发送HTTP请求 data = {'images': [cv2_to_base64(rawpy.imread("/PATH/TO/IMAGE").raw_image_visible)]} headers = {"Content-type": "application/json"} url = "http://127.0.0.1:8866/predict/seeinthedark/" r = requests.post(url=url, headers=headers, data=json.dumps(data)) # 打印预测结果 print(r.json()["results"])

服务端收到请求后，会调用模块的serving_method（module.py 中由@serving装饰）：先用base64_to_cv2解码 base64 字符串还原 RAW 数值矩阵，再调用denoising(images=...)完成增强，最终将结果转为列表通过 JSON 返回。仓库中提供了完整的 base64 编解码工具函数（见 paddlehub/utils/utils.py），上述示例中的cv2_to_base64也是 PaddleHub Serving 官方模板的标准写法（参见 serving_demo.tmpl）。

6.3 关闭服务

服务使用完毕后，可通过端口号安全关闭：

$ hub serving stop --port 8866

七、更新历史

该模块当前版本为 1.0.0，为初始发布版本，安装命令：

$ hub install seeinthedark==1.0.0

八、注意事项与最佳实践小结

• 输入格式严格为 RAW：无论是命令行、Python API 还是 Serving 请求，输入都必须是相机 RAW 数据（Sony.ARW文件或对应数值矩阵），普通 JPEG/PNG 图像无法直接使用本模型增强；
• 内存与显存：模型按 512×512 patch 分块推理，输出为输入 2 倍尺寸的 RGB 图，高分辨率 RAW 文件推理时建议优先使用 GPU（use_gpu=True）；
• 输出目录：Python API 的output_dir参数实际默认值为./enlightening_result/（以 module.py 为准），命令行模式下默认输出目录为denoising_result；
• 部署选型：本地单次预测用hub run或 Python API；需要对外提供 HTTP 接口或接入业务系统时，使用 PaddleHub Serving（默认端口 8866），并可按 serving.md 配置多进程与显卡参数。

借助 seeinthedark 模块，开发者可以用最少的代码完成"暗光 RAW → 可见 RGB"的端到端增强，将其无缝嵌入安防监控、夜间摄影、低光成像等实际业务场景。

• 人工智能
• 大模型
• 微调
• 模型推理服务