DeepAA

这是一个使用卷积神经网络生成 ASCII 艺术的作品。 本仓库仍在建设中。

该工作已被 NIPS 2017 创意与设计机器学习研讨会 接受。 论文：使用卷积网络合成 ASCII 艺术

Web 应用程序（使用旧版本模型）（由 tar-bin 开发）

更新日志

• 2017/12/2 添加了轻量级模型

环境要求

• TensorFlow (1.3.0)
• Keras (2.0.8)
• NumPy (1.13.3)
• Pillow (4.2.1)
• Pandas (0.18.0)
• Scikit-learn (0.19.0)
• h5py (2.7.1)
• 模型权重文件（从 这里 下载，并放置于 model 目录下）
• 训练数据（可选，从 这里 下载，解压后将得到的目录放入 data 目录）

使用方法

请修改 output.py 文件的第 15 行：

image_path = 'sample images/original images/21 original.png' # 替换为您要转换的图片路径。

将其改为您所使用的图片文件路径。请注意，输入图片应为灰度线条图。

然后运行 output.py，转换后的图片将会输出到 output/ 目录中。

若要使用轻量级模型，只需将 output.py 文件的第 13、14 行修改为：

model_path = "model/model_light.json"
weight_path = "model/weight_light.hdf5"

许可协议

我们提供的预训练模型及其他文件均采用 MIT 许可协议授权。

DeepAA 快速上手指南

DeepAA 是一个基于卷积神经网络（CNN）生成 ASCII 字符画的开源项目。本指南将帮助你快速在本地部署并运行该工具。

环境准备

在开始之前，请确保你的系统已安装 Python（推荐 Python 3.6+），并准备好以下依赖库。由于原项目指定了较旧的版本，建议创建虚拟环境以避免冲突。

核心依赖：

• TensorFlow (1.3.0)
• Keras (2.0.8)
• NumPy (1.13.3)
• Pillow (4.2.1)
• Pandas (0.18.0)
• Scikit-learn (0.19.0)
• h5py (2.7.1)

提示：国内用户建议使用清华或阿里镜像源加速安装。

安装步骤

1. 克隆项目

git clone https://github.com/OsciiArt/DeepAA.git
cd DeepAA

2. 安装 Python 依赖

使用 pip 安装指定版本的依赖包（推荐使用国内镜像源）：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow==1.3.0 keras==2.0.8 numpy==1.13.3 pillow==4.2.1 pandas==0.18.0 scikit-learn==0.19.0 h5py==2.7.1

3. 下载模型权重

项目需要预训练的模型权重文件才能运行。

• 下载地址：Google Drive 链接
• 操作：下载后，将文件放入项目根目录下的 model 文件夹中。

  注：如果无法访问 Google Drive，需自行寻找替代下载源或使用代理。

4. （可选）下载训练数据

如果你需要重新训练模型，可下载额外数据：

• 下载地址：Google Drive 链接
• 操作：解压后将目录放入 data 文件夹。仅进行图像转换无需此步骤。

基本使用

1. 配置输入图片

打开 output.py 文件，修改第 15 行，将 image_path 设置为你想要转换的图片路径。

image_path = 'sample images/original images/21 original.png' # put the path of the image that you convert.

注意：为了获得最佳效果，请使用灰度线条图（grayscale line image）。

2. 运行转换

在终端执行以下命令：

python output.py

转换生成的 ASCII 字符画图片将保存在 output/ 目录下。

3. 切换轻量级模型（可选）

如果需要运行速度更快的轻量级模型，请修改 output.py 的第 13 和 14 行：

model_path = "model/model_light.json"
weight_path = "model/weight_light.hdf5"

确保你已下载对应的轻量级权重文件（通常在上述模型下载链接中包含，或需单独确认文件名）。