[Pytorch系列-71]: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/122077757
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
1.3 训练方式
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:启动可视化工具visdom
第7步:模型训练
第8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)Pycharm进行调试,替代命令行或Jupter
(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模型训练
1.3 训练方式
- 从头开始训练
- 从预预训练模型开始训练(官网提供的预训练模型只包括G网络,不包括D网络)
- 从上次训练结果开始训练
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/')
- Pycharm: 把工程文件copy到Pycharm工作目录中即可
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)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。
(2)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
(3)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(所需要的内存空间最小)
- maps:地图轮廓转换成实体地图
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/{xxx}/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{xxx}目录中,这与使用预训练模型进行测试是不一样的。
- 官方的预训练模型,只有G网络的参数,没有D网络的参数,因此基本上需要重新训练。
第6步:启动可视化工具visdom
(1)启动visdom server
conda info -e
conda activate pytorch-gpu-os
python -m visdom.server
(2)启动visdom Client
http://localhost:8097
第7步:模型训练
(1)CPU方式(仅用于学习代码)运行
--dataroot ./datasets/facades --name facades_pix2pix --model pix2pix --direction BtoA
--gpu_ids -1 --niter_decay 1 --niter 1
--display_freq 1 --update_html_freq 1 --print_freq 1 --save_epoch_freq 5 --save_latest_freq 100
- --gpu_ids -1:表示使用CPU进行训练。
- -print_freq 1:每迭代多少次,在终端上打印一次提示信息, 默认100.
- -display_freq 1:每迭代多少次,在visdom客户端可视化一次图像,默认400
- --update_html_freq 1:每迭代多少次,更新一次html输出文件,默认1000.
- --save_epoch_freq 5: 每迭代多少次,存储一次模型参数
- --save_latest_freq 100:每迭代多少次,存储一次模型参数
- --niter 1:迭代的epoch次数, 默认100
- --niter_decay 1:迭代的epoch次数,对学习率进行一次衰减,默认100,总的epoc=niter + niter_decay + 1
备注:
- 该项目,采用GPU训练时,需要>8G的GPU内存,如果GPU条件不满足,在学习代码流程时,可以使用CPU进行训练
- 之所以修改这些默认参数,是因为CPU的训练太慢,不利于学习的效率。
(2)GPU方式(适用于正式训练模型)
--dataroot ./datasets/facades --name facades_pix2pix --model pix2pix --direction BtoA
备注:
在GPU的情况下,使用默认的参数。
(3)重头训练与基于先前的训练结果继续训练
--continue_train :如果设置,则基于先前的训练结果继续训练,如果不设置,则从头开始训练。
第8步:效果展示
(1)控制台打印显示
dataset [AlignedDataset] was created
The number of training images = 400
initialize network with normal
initialize network with normal
model [Pix2PixModel] was created
---------- Networks initialized -------------
[Network G] Total number of parameters : 54.414 M
[Network D] Total number of parameters : 2.769 M
-----------------------------------------------
(epoch: 1, iters: 1, time: 0.861, data: 8.576) G_GAN: 1.932 G_L1: 35.501 D_real: 0.595 D_fake: 1.196
(epoch: 1, iters: 2, time: 0.861, data: 0.001) G_GAN: 1.457 G_L1: 52.500 D_real: 1.197 D_fake: 1.248
(epoch: 1, iters: 3, time: 0.791, data: 0.000) G_GAN: 0.957 G_L1: 39.967 D_real: 1.115 D_fake: 1.119
............................
(epoch: 2, iters: 400, time: 0.973, data: 0.000) G_GAN: 1.775 G_L1: 39.182 D_real: 0.137 D_fake: 0.277
End of epoch 2 / 2 Time Taken: 408 sec
learning rate = 0.0000000
Process finished with exit code 0
(2)visdom图形化显示
- loss
- 训练结果
第9步:输出文件
(1)图片文件:
目录:
- pytorch-CycleGAN-and-pix2pix\checkpoints\facades_pix2pix\web\images
(2)模型文件
目录:
- pytorch-CycleGAN-and-pix2pix\checkpoints\facades_pix2pix\
内容:
- latest_net_G.pth:最新的G网络模型文件, 再训练时,可以 基于此文件进行继续训练
- latest_net_D.pth:最新的D网络模型文件,再训练时,可以 基于此文件进行继续训练
- 200_net_G.pth:迭代n次的G网络模型文件
- 200_net_D.pth:迭代n次的D网络模型文件
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/122077757
[Pytorch系列-71]: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pix2pix模型相关推荐
- [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 ...
- [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-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/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 ...
- 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 ...
- 【CV秋季划】生成对抗网络GAN有哪些研究和应用,如何循序渐进地学习好(2022年言有三一对一辅导)?...
GAN自从被提出来后,技术发展就非常迅猛,已经被落地于众多的方向,其应用涉及图像与视频生成,数据仿真与增强,各种各样的图像风格化任务,人脸与人体图像编辑,图像质量提升. 那我们究竟如何去长期学好相关的 ...
最新文章
- 条件变量 pthread_cond_wait
- 智能车竞赛技术报告 | 智能车视觉 - 天津大学 - 北洋钽星
- hdu 5256 LIS变形
- HDU 1498:50 years, 50 colors(二分图匹配)
- 添加翻转功能的list类
- Angular 自定义 structural 指令的一个例子
- 36氪联合阿里云,共同研制中小企业发展「催化剂」
- 资料:vue 3.0+版本发布
- win7日历加入农历_还是农历更亲切,春节制作一个带农历的日历,欢欢喜喜过新年...
- 微软鼠标测试软件,微软sculpt鼠标评测 | 微软sculpt人体工学无线鼠标评测_什么值得买...
- vue实现下载excel表格俩种方式
- 写latex 遇到bib中参考文献 的俄文人名(类似于带有声调的拼音字母)如何转义?
- Discuz!x1.5实现在线文档(doc、ppt、pdf)播放
- Linux命令:ifconfig出现command not found 的解决办法
- 哈理工计算机学院学生会技术部,某大学学生会网络技术部规章制度(网友投稿)...
- [每日100问][2011-9-08]iphone开发笔记,今天你肿了么
- 如何系统自学黑客(网络安全)?
- 苹果签名多少钱?怎么联系客服?
- 自己整理_银行核心系统相关技术知识
- 公司员工生日活动策划方案PPT模板