机器学习图像处理|从零开始实现一个简单的CycleGAN项目机器学习|python|深度学习|人工

项目地址：https://github.com/jzsherlock4869/cyclegan-pytorch
pytorch 中CycleGAN（循环一致生成对抗网络）的简单且易于修改的实现
CycleGAN 的基本说明（来自原始论文）：

文章图片

使用“horse2zebra”数据集重新实现此 repo 的结果（没有参数调整，仍然有一些明显的伪影，您可以调整超参数以使其更好~）

文章图片

文章图片

安装和准备
下载 CycleGAN 的常用数据集并使用它们来训练和验证代码管道
Monet-Photo 传输：Kaggle Monet-Photo 传输
Horse-Zebra 转移：Kaggle Horse-Zebra 转移
然后按以下结构准备数据集文件夹：
├── monet_dataset
│ ├── monet_jpg
│ └── photo_jpg
└── zebra_dataset
├── testA
├── testB
├── trainA
└── trainB
Git 克隆这个 repo 并 cd 到根文件夹

git clone https://github.com/jzsherlock4869/cyclegan-pytorch cd cyclegan-python

根据requirements.txt文件夹中的安装必要的python包
开始训练
将 dataroot 修改config/000_base_cyclegan_horse2zebra.yml为您自己的数据集路径，然后运行训练过程：

python train_cyclegan.py --opt configs/000_base_cyclegan_horse2zebra.yml

“ horse2zebra ”和“ photo2monet ”的数据集类已经在这个 repo 中实现。
get_photo2monet_train_dataloader要在您自己的数据集（域 A 和域 B）上进行训练，请将您自己的数据加载器编写 get_horse2zebra_train_dataloader为 data/sample_dataloader.py

def get_your_custom_train_dataloader(root_dir="your_path", batch_size=8, img_size=(256, 256)): imgA_sub, imgB_sub = "subdirnameA", "subdirnameB" # sub directory name to your root_dir postfix_set=["jpg"]# which postfix is your images train_dataset = CycleGANDataset(root_dir, imgA_sub, imgB_sub, postfix_set, img_size) train_dataloader = DataLoader(train_dataset, batch_size=batch_size, shuffle=False) return train_dataloader

然后修改第train_cyclegan.py54-60 行以添加您的数据集（记得先导入它们！）

if which_dataset == 'horse2zebra': train_dataloader = get_horse2zebra_train_dataloader(dataroot, batch_size=batch_size, img_size=img_size) elif which_dataset == 'photo2monet': train_dataloader = get_photo2monet_train_dataloader(dataroot, batch_size=batch_size, img_size=img_size) #add lines here elif which_dataset == 'your_custom_dataset': train_dataloader = get_your_custom_train_dataloader(dataroot, batch_size=batch_size, img_size=img_size) #add lines here else: raise NotImplementedError(f"Unrecognized dataset type : {which_dataset}")

参考
这段代码是对 CycleGAN 的重新实现，更易于理解和修改，尤其适合初学者。原论文是：
@inproceedings{CycleGAN2017, title={Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networkss}, author={Zhu, Jun-Yan and Park, Taesung and Isola, Phillip and Efros, Alexei A}, booktitle={Computer Vision (ICCV), 2017 IEEE International Conference on}, year={2017} }
一个keras版本和教程，详细解释了CycleGAN的理论和过程：
https://machinelearningmastery.com/cyclegan-tutorial-with-keras/
而且，这个代码库的代码架构和风格也参考了BasicSR和UnpairedSR，部分功能直接借鉴。欣赏他们的好作品~
【机器学习图像处理|从零开始实现一个简单的CycleGAN项目】欢迎star?如果这个 repo 对你有帮助:)