我们已经为您准备好复现该模型所需的环境,您可以创建实例、一键复用哦!

模型的使用文档涵盖模型所需环境、模型简介以及复现模型的具体步骤。模型效果和模型详细来源可以点击论文地址和模型来源链接查看哦~

Cyclegan

2022-02-18 model:cyclegan-ubuntu18.04-cuda11.1.1-cudnn8-python3.8-pytorch1.8.0-new

模型标签
图像预测 图像分类

模型简介

图像到图像转换是一类视觉和图形问题,其目标是使用一组对齐的图像对来学习输入图像和输出图像之间的映射。但是,对于许多任务,配对训练数据将不可用。论文提出了一种在没有配对示例的情况下学习将图像从源域 X 转换到目标域 Y 的方法。我们的目标是学习一个映射 G:X→Y,使得来自 G(X) 的图像分布与使用对抗性损失的分布 Y 无法区分。因为这个映射是高度欠约束的,我们将它与逆映射 F:Y→X 结合起来,并引入循环一致性损失来推动 F(G(X))≈X(反之亦然)。在不存在配对训练数据的几个任务上给出了定性结果,包括集合风格迁移、对象变形、季节迁移、照片增强等。与几种先前方法的定量比较证明了我们方法的优越性。论文题目:《Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks》 论文地址:https://arxiv.org/abs/1703.10593v7



1. 使用方法

1.1. 准备数据集

在root/pytorch-CycleGAN-and-pix2pix-master/datasets目录下label2image文件夹内,有复现所需的 trainA ,trainB,testA和testB文件。运行命令会直接调用对应文件。

1.2. 模型训练

进入终端,在root/pytorch-CycleGAN-and-pix2pix-master(默认)路径下,运行以下命令:

python3 train.py --dataroot ./datasets/label2image --name label2image_cyclegan --model cycle_gan --pool_size 50 --no_dropout --gpu_ids 0
# 模型在checkpoint文件夹里
参数 说明
dataroot 数据集路径
model 模型名称
pool_size 连接池大小

1.3. 模型测试

进入终端,在root/pytorch-CycleGAN-and-pix2pix-master(默认)路径下,运行以下命令:

pip install wandb
# 安装下载复现所需的可视化工具
python test.py --dataroot ./datasets/label2image --name label2image_cyclegan --model cycle_gan --phase test
# 结果输出在results文件夹里

2. 模型来源

https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix