[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
Posted 文火冰糖的硅基工坊
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了[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模型相关的知识,希望对你有一定的参考价值。
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步:下载或克隆pytorch-CycleGAN-and-pix2pix所有代码
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)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:与预训练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
以上是关于[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模型的主要内容,如果未能解决你的问题,请参考以下文章
GAN 系列的探索与pytorch实现 (数字对抗样本生成)
[Pytorch系列-61]:生成对抗网络GAN - 基本原理 - 自动生成手写数字案例分析
[Pytorch系列-75]:生成对抗网络GAN - 图像生成开源项目pytorch-CycleGAN-and-pix2pix - CycleGAN网络结构与代码实现详解
[Pytorch系列-63]:生成对抗网络GAN - 图像生成开源项目pytorch-CycleGAN-and-pix2pix - 代码总体架构与总体学习思路
[Pytorch系列-73]:生成对抗网络GAN - 图像生成开源项目pytorch-CycleGAN-and-pix2pix - Train.py代码详解
[Pytorch系列-65]:生成对抗网络GAN - 图像生成开源项目pytorch-CycleGAN-and-pix2pix - 无监督图像生成CycleGan的基本原理