[Pytorch系列-66]:生成对抗网络GAN - 图像生成开源项目pytorch-CycleGAN-and-pix2pix - 使用预训练模型测试pix2pix模型
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客
本文网址:https://blog.csdn.net/HiWangWenBing/article/details/122061704
目录
第1章 概述
1.1 代码架构与总体思路
1.2 本章基本思路
第2章 测试步骤
第1步:下载或克隆pytorch-CycleGAN-and-pix2pix所有代码
第2步:切换当前目录
第3步:安装依赖文件(可视化工具)
第4步:下载pix2pix数据集
第5步:下载预训练模型
第6步:模型测试
第7步 效果展示
第1章 概述
1.1 代码架构与总体思路
[Pytorch系列-63]:生成对抗网络GAN - 图像生成开源项目pytorch-CycleGAN-and-pix2pix - 代码总体架构_文火冰糖(王文兵)的博客-CSDN博客作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:目录第1章 理论概述1.1普通GAN, pix2pix, CycleGAN和pix2pixHD的演变过程第2章 CycleGAN-and-pix2pix代码下载2.1 github代码链接2.2 github使用说明2.3 代码下载第3章CycleGAN-and-pix2pix代码代码结构3.1 目录结构3.2 图片转换的两大功能3.3 启动程序的三种方法..https://blog.csdn.net/HiWangWenBing/article/details/121940011
1.2 本章基本思路
(1)选择命令行或jupter进行测试
(2)选择所需要硬盘空间小的数据进行测试
(3)熟悉pytorch-CycleGAN-and-pix2pix项目的使用
(4)熟悉pix2pix的使用效果
第2章 测试步骤
第1步:下载或克隆pytorch-CycleGAN-and-pix2pix所有代码
如果已经完成,可以跳过此步骤。
(1)Linux 命令行方式:!git clone https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix
(2)Windows浏览器下载:https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix
备注:
可以把代码下载或拷贝到jupter的工作目录中,以便后续可以通过jupter运行代码。
第2步:切换当前目录
(1)运行方式
- Windows 命令行方式:
cd xxx
- jupter方式:
import os
os.chdir('pytorch-CycleGAN-and-pix2pix/')
第3步:安装依赖文件(可视化工具)
如果已经完成,可以跳过此步骤。
- Windows 命令行方式
pip install -r requirements.txt
- Jupter方式
!pip install -r requirements.txt
torch>=0.4.1
torchvision>=0.2.1
dominate>=2.3.1
visdom>=0.1.8.3
第4步:下载pix2pix数据集
(1)支持的数据集
支持的数据集:
- cityscapes: 城市轮廓转换成城市街景实体
- night2day: 晚上转换成白天
- edges2handbags:边沿转换成手提包
- edges2shoes:边沿转换成鞋子
- facades:房屋外观转换成房子实体
- maps:地图轮廓转换成实体地图
(2)下载方式
- Linux 命令行方式
bash ./datasets/download_pix2pix_dataset.sh facades
- Jupter方式
!bash ./datasets/download_pix2pix_dataset.sh facades
- Windows浏览器方式
根据./datasets/download_pix2pix_dataset.sh的内容,获取数据集URL, 通过URL手工下载:Index of /pix2pix/datasets
备注:
- 有些数据集很多,高达8G, 下载时需留意硬盘空间是否可以承载。
- pix2pix的数据集是成对出现的。
- Facades和cityscapes数据集最小,方便测试验证。
(3)数据集的存放路径
- 存放路径:pytorch-CycleGAN-and-pix2pix\datasets
备注:必须同名,不能改名
第5步:下载预训练模型
(1)下载方式
- Linux命令行方式
bash ./scripts/download_pix2pix_model.sh facades_label2photo
- jupter方式
!bash ./scripts/download_pix2pix_model.sh facades_label2photo
- Windows方式
根据download_pix2pix_model.sh脚步的内容,获取链接:
http://efrosgans.eecs.berkeley.edu/pix2pix/models-pytorch/
(2)存放路径
./checkpoints/{NAME}_pretrained/latest_net_G.pth
xxx为模型名称。
备注:
需要把模型的名称,改为latest_net_G.pth,并存放在{NAME}_pretrained目录中。
第6步:模型测试
(1)运行方式
- 命令行方式:
test.py --dataroot ./datasets/facades --direction BtoA --model pix2pix --name facades_pix2pix
- jupter方式:
!python test.py --dataroot ./datasets/facades --direction BtoA --model pix2pix --name facades_pix2pix
(2)主要参数
--dataroot ./datasets/facades: 指定数据集的路径
--name facades_pix2pix:预训练mode的名称
--model pix2pix:模型分类。
--direction BtoA:训练方向
(3)参数详解
----------------- Options ---------------
aspect_ratio: 1.0
batch_size: 1
checkpoints_dir: ./checkpoints
crop_size: 256
dataroot: ./datasets/facades [default: None]
dataset_mode: aligned
direction: BtoA [default: AtoB]
display_winsize: 256
epoch: latest
eval: False
gpu_ids: 0
init_gain: 0.02
init_type: normal
input_nc: 3
isTrain: False [default: None]
load_iter: 0 [default: 0]
load_size: 256
max_dataset_size: inf
model: pix2pix [default: test]
n_layers_D: 3
name: facades_label2photo_pretrained [default: experiment_name]
ndf: 64
netD: basic
netG: unet_256
ngf: 64
no_dropout: False
no_flip: False
norm: batch
ntest: inf
num_test: 50
num_threads: 4
output_nc: 3
phase: test
preprocess: resize_and_crop
results_dir: ./results/
serial_batches: False
suffix:
verbose: False
(3)输出结果
dataset [AlignedDataset] was created initialize network with normal model [Pix2PixModel] was created loading the model from ./checkpoints\facades_label2photo_pretrained\latest_net_G.pth ---------- Networks initialized ------------- [Network G] Total number of parameters : 54.414 M ----------------------------------------------- creating web directory ./results/facades_label2photo_pretrained\test_latest processing (0000)-th image... ['./datasets/facades\\test\\1.jpg'] processing (0005)-th image... ['./datasets/facades\\test\\103.jpg'] processing (0010)-th image... ['./datasets/facades\\test\\12.jpg'] processing (0015)-th image... ['./datasets/facades\\test\\17.jpg'] processing (0020)-th image... ['./datasets/facades\\test\\21.jpg'] processing (0025)-th image... ['./datasets/facades\\test\\26.jpg'] processing (0030)-th image... ['./datasets/facades\\test\\30.jpg'] processing (0035)-th image... ['./datasets/facades\\test\\35.jpg'] processing (0040)-th image... ['./datasets/facades\\test\\4.jpg'] processing (0045)-th image... ['./datasets/facades\\test\\44.jpg']
图片位置:
\pytorch-CycleGAN-and-pix2pix\results\facades_label2photo_pretrained\test_latest\images
第7步 效果展示
(1)输入图片(成对)
(2)输出图片(三张独立的图片)
第1张:真实的输入图片
第3张:生成的输出图片
第2张:真实的参考图片,用于比较
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客
本文网址:https://blog.csdn.net/HiWangWenBing/article/details/122061704
[Pytorch系列-66]:生成对抗网络GAN - 图像生成开源项目pytorch-CycleGAN-and-pix2pix - 使用预训练模型测试pix2pix模型相关推荐
- [Pytorch系列-69]:生成对抗网络GAN - 图像生成开源项目pytorch-CycleGAN-and-pix2pix - test.py代码详解
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客 本文网址:[Pytorch系列-66]:生成对抗网络GAN - 图像生成开源项目pytorch-CycleG ...
- [Pytorch系列-72]:生成对抗网络GAN - 图像生成开源项目pytorch-CycleGAN-and-pix2pix - 使用预训练模型训练CycleGAN模型
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客 本文网址:https://blog.csdn.net/HiWangWenBing/article/detai ...
- 利用Tensorflow构建生成对抗网络GAN以生成数据
使用生成对抗网络(GAN)生成数据 本文主要内容 介绍了自动编码器的基本原理 比较了生成模型与自动编码器的区别 描述了GAN模型的网络结构 分析了GAN模型的目标核函数以及训练过程 介绍了利用Goog ...
- Keras实现生成对抗网络(GAN)(生成二维平面上服从某一分布的点)
GAN原理 相关数学推导可参考 李宏毅https://www.bilibili.com/video/av36779967/?p=4 通俗的比喻:制造假钞(G)和警察(D)对抗的过程.假钞制造者制造假钞 ...
- [人工智能-深度学习-61]:生成对抗网络GAN - 图像融合的基本原理与案例
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客 本文网址:https://blog.csdn.net/HiWangWenBing/article/detai ...
- pix2pix学习系列(1):预训练模型测试pix2pix
pix2pix学习系列(1):预训练模型测试pix2pix 参考文献: [Pytorch系列-66]:生成对抗网络GAN - 图像生成开源项目pytorch-CycleGAN-and-pix2pix ...
- pytorch生成对抗网络GAN的基础教学简单实例(附代码数据集)
1.简介 这篇文章主要是介绍了使用pytorch框架构建生成对抗网络GAN来生成虚假图像的原理与简单实例代码.数据集使用的是开源人脸图像数据集img_align_celeba,共1.34G.生成器与判 ...
- [Python图像识别] 四十九.图像生成之什么是生成对抗网络GAN?基础原理和代码普及
该系列文章是讲解Python OpenCV图像处理知识,前期主要讲解图像入门.OpenCV基础用法,中期讲解图像处理的各种算法,包括图像锐化算子.图像增强技术.图像分割等,后期结合深度学习研究图像识别 ...
- ECCV2022 | 生成对抗网络GAN论文汇总(图像转换-图像编辑-图像修复-少样本生成-3D等)...
图像转换/图像可控编辑 视频生成 少样本生成 图像外修复/结合transformer GAN改进 新数据集 图像增强 3D 图像来源归属分析 一.图像转换/图像可控编辑 1.VecGAN: Image ...
最新文章
- 获取序列全排列Java,java中全排列的生成算法汇总
- golang的包管理系统比较
- 实测实量数据表格_施工现场全套实测实量操作图解,值得收藏!
- python第四十一天---作业:简单FTP
- Eclipse安装Android开发环境
- Google 发布图片配对基准及挑战:从系列图像重建三维物体和建筑物
- 设置Markdown中展示Liquid(Jekyll)但不解析的方式
- wordpress python 采集_Python3利用Selenium3模拟wordpress博客登陆
- 大数据分析会遇到哪些误区
- 【Java并发.3】对象的共享
- 深度解析MySQL启动时报“The server quit without updating PID file”错误的原因
- FishC笔记—18 讲 函数:灵活即强大
- 如何做出好看的PPT
- 三菱机床的程序传输(DNC)支持上传到CF卡
- 并行计算机未来发展前景
- 监控系统服务器时间怎么更改,监控系统服务器改时间
- 导数,差商,牛顿插值法
- 一种可以穿透还原卡和还原软件的代码一种可以穿透还原卡和还原软件的代码
- 【LaTex】在 LaTex 中优雅地插入行内和行间代码
- 四旋翼无人机学习第4节--STM32、MPU9250等器件的绘制
热门文章
- 视频 (Video) - 属性 (Properties) - 比特率 (Bitrate)
- 2021年A特种设备相关管理(电梯)报名考试及A特种设备相关管理(电梯)考试试题
- c语言1左移i 什么意思
- 【历史上的今天】7 月 4 日:第一本电子书问世;磁条卡的发明者出生;百度智能小程序发布
- ANSYS静力学分析实例入门一
- 使用PyPDF4和PIL修改PDF文件中的图片
- 把RecyclerView撸成 马 蜂 窝
- Element el-date-picker组件限制选择日期/时间
- 微信视频全屏问题解决方案
- python能写什么脚本_如何用python编写一个阴阳师脚本(自动刷御魂,业原火)(2)...