CycleGAN代码使用入门

以下内容为本人亲测使用过程，完成了橘子到苹果的AI转化效果，先上效果：

目录

1、下载数据集

2、下载代码

3、程序运行

（1）数据集

（2）运行visdom

（3）本地执行train.py文件

（4）ECS服务端运行train.py

（5）测试模型效果

4、自己的数据集进行训练

---

1、下载数据集

Index of /cyclegan/datasets

本次做的是苹果和橘子相互转化的实验，所以下载apple2orange.zip数据集

2、下载代码

github地址为：

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

3、程序运行

（1）数据集

将数据集apple2orange放到代码的datasets目录下

（2）运行visdom

这个是facebook开发的类似tensorboard的可视化工具

执行命令：python -m visdom.server

刚打开是只有蓝色背景：

（3）本地执行train.py文件

在pycharm中的”Run”-> “Edit Configurations”下配置执行参数

--dataroot ./datasets/apple2orange --name apple2orange_cyclegan --model cycle_gan

执行后报错如下：“AttributeError: module 'torchvision.transforms' has no attribute 'InterpolationMode'”

解决方案：参考https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix/issues/1450文档，data/base_dataset.py文件中将transforms.InterpolationMode.BICUBIC全部修改为Image.BICBIC。

报错信息：OSError: [WinError 1455] 页面文件太小，无法完成操作。 Error loading "D:\programs\python37\lib\site-packages\torch\lib\caffe2_detectron_ops_gpu.dll" or one of its dependencies.

本人2G的GPU跑不起来，需要改小模型、改少数据加载量、以及CPU运行，如果服务器显存够大则不需要下面的步骤。

修改方法为:

在models/networks.py文件中增加如下信息：

然后修改python运行配置，添加：

--netG

resnet_1blocks

--print_freq

1

--display_freq

2

--gpu_ids

-1

在options/base_options.py中修改--num_threads为1

再次运行成功，pycharm显示如下：

Visdom显示如下：

（4）ECS服务端运行train.py

本人在本机（2G显存）上进行代码调试，在服务器（16G显存）上进行训练。

代码在Docker（0a381dad2084）的位置为：/root/program/pytorch-CycleGAN-and-pix2pix

首先，data/base_dataset.py文件中将transforms.InterpolationMode.BICUBIC全部修改为Image.BICBIC

然后，执行命令：python -m visdom.server -p 8097，先下载一些脚本文件

接着，执行命令：python train.py --dataroot ./datasets/apple2orange --name apple2orange_cyclegan --model cycle_gan --display_id 0 --num_threads 1

后台运行方式为：nohup python -u train.py --dataroot ./datasets/apple2orange --name apple2orange_cyclegan --model cycle_gan --display_id 0 --num_threads 1 > train.log 2>&1 &

注意：一定要指定—display_id 0，否则会报错：Setting up a new session...，然后一直卡在那里。

（5）测试模型效果

下载测试的预料如下，放置两个目录testA和testB，分别放一张苹果和橘子的图片。

执行测试命令：python test.py --dataroot datasets/ping2ju --name apple2orange_cyclegan --model cycle_gan --no_dropout

最后会生成images文件，如下图所示：

最后效果如下：

4、自己的数据集进行训练

本次试验是将“虚假的车牌”变成“真实的车牌”。

A是虚假的车牌，B是真实的车牌。

首先根据B生成虚假的车牌A，然后训练A->B的神经网络，最后希望能把任意的A图生成B图。

构造数据集如下：共4个目录，分别为trainA、trainB、testA、testB。XXB为真实的车牌；XXA为代码生成的比较假的车牌，如下图所示：

 （1）将所有车牌（清晰+不清晰）图片用于cycleGAN训练，迭代了10轮之后模型测试的效果如下：

可以看到得到的B图非常不清楚。

（2）仅将清晰的车牌用于cycleGAN训练，迭代了100轮之后模型测试的效果如下：

可以看到车牌样式与实际非常相符，但是车牌号码完全不对。

原因：cycleGAN并不是一对一的进行训练，而是域和域之间的训练，数字被作为域图片样式的一部分，所以使用cycleGAN生成指定字符的“真实车牌”有点困难。

将原始的车牌号码换成较真实一点的如下：

140轮迭代之后变成：

400迭代之后变成：

 

效果仍然欠佳！