Pytorch-CycleGAN

一个干净且易于阅读的 CycleGAN PyTorch 实现（https://arxiv.org/abs/1703.10593）

前置条件

代码旨在与 Python 3.6.x 一起工作，尚未在较早版本上进行过测试。

PyTorch 和 torchvision

请根据您当前的环境，按照 pytorch.org 上的说明进行安装。

Visdom

用于在友好的网页界面中绘制损失曲线和显示图像：

pip3 install visdom

训练

1. 设置数据集

首先，您需要下载并设置一个数据集。最简单的方法是使用加州大学伯克利分校仓库中已有的数据集：

./download_dataset <dataset_name>

有效的 包括：apple2orange、summer2winter_yosemite、horse2zebra、monet2photo、cezanne2photo、ukiyoe2photo、vangogh2photo、maps、cityscapes、facades、iphone2dslr_flower、ae_photos。

或者，您也可以通过以下目录结构构建自己的数据集：

.
├── datasets                   
|   ├── <dataset_name>         # 例如 brucewayne2batman
|   |   ├── train              # 训练集
|   |   |   ├── A              # 包含域 A 的图像（例如布鲁斯·韦恩）
|   |   |   └── B              # 包含域 B 的图像（例如蝙蝠侠）
|   |   └── test               # 测试集
|   |   |   ├── A              # 包含域 A 的图像（例如布鲁斯·韦恩）
|   |   |   └── B              # 包含域 B 的图像（例如蝙蝠侠）

2. 开始训练！

./train --dataroot datasets/<dataset_name>/ --cuda

此命令将使用 dataroot/train 目录下的图像开始训练，并采用 CycleGAN 原作者认为效果最佳的超参数。您可以自由调整这些超参数，具体说明请参阅 ./train --help。

生成器和判别器的权重都将保存在输出目录中。

如果您没有 GPU，请移除 --cuda 选项，不过我还是建议您配备一台！

您还可以通过在另一个终端运行 python3 -m visdom 并在您喜欢的浏览器中打开 http://localhost:8097/ 来查看训练进度以及实时生成的图像。这将生成如下所示的训练损失曲线（默认参数，horse2zebra 数据集）：

测试

./test --dataroot datasets/<dataset_name>/ --cuda

此命令将处理 dataroot/test 目录下的图像，通过生成器进行转换，并将结果分别保存到 output/A 和 output/B 目录中。与训练类似，一些参数（如加载的权重）可以调整，更多信息请参阅 ./test --help。

生成结果示例（默认参数，horse2zebra 数据集）：

许可证

本项目采用 GPL v3 许可证授权——详情请参阅 LICENSE.md 文件。

致谢

该代码基本上是对 pytorch-CycleGAN-and-pix2pix 的更简洁、更清晰的实现。所有功劳归于 CycleGAN 的作者：Zhu, Jun-Yan、Park, Taesung、Isola, Phillip 和 Efros, Alexei A。

PyTorch-CycleGAN 快速上手指南

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux / macOS / Windows (推荐 Linux)
• Python 版本：Python 3.6.x 或更高版本（未测试过更低版本）
• 核心依赖：
  • PyTorch 及 torchvision
  • Visdom（用于可视化训练过程和生成图像）

国内加速建议： 安装 PyTorch 时，建议访问 PyTorch 官网 选择对应的 CUDA 版本获取命令。若下载缓慢，可使用清华或中科大镜像源安装 Python 依赖：

pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple torch torchvision visdom

安装步骤

1. 克隆项目代码

   git clone https://github.com/ai-tor/PyTorch-CycleGAN.git
   cd PyTorch-CycleGAN
   

2. 安装 Python 依赖 如果尚未安装 PyTorch 和 Visdom，请执行以下命令：

   pip3 install visdom
   # 请根据官方指引先安装好 pytorch 和 torchvision
   

3. 启动可视化服务（可选但推荐） 在新终端中运行以下命令，以便在浏览器中实时监控训练损失和生成效果：

   python3 -m visdom
   

   启动后，打开浏览器访问 http://localhost:8097/。

基本使用

1. 准备数据集

您可以直接使用脚本下载预置数据集，或按照指定结构自定义数据集。

方式 A：下载预置数据集 支持的数据集包括：apple2orange, summer2winter_yosemite, horse2zebra, monet2photo 等。

./download_dataset horse2zebra

方式 B：自定义数据集 在项目根目录下创建 datasets 文件夹，并按以下结构存放图片：

.
├── datasets                   
│   ├── <dataset_name>         # 例如：brucewayne2batman
│   │   ├── train              # 训练集
│   │   │   ├── A              # 域 A 图片 (如：Bruce Wayne)
│   │   │   └── B              # 域 B 图片 (如：Batman)
│   │   └── test               # 测试集
│   │   │   ├── A
│   │   │   └── B

2. 开始训练

使用以下命令启动训练。默认会使用作者在 CycleGAN 论文中验证效果最佳的超参数。

./train --dataroot datasets/horse2zebra/ --cuda

• --dataroot: 指定数据集路径。
• --cuda: 启用 GPU 加速。如果没有独立显卡，请移除此选项（但强烈建议使用 GPU）。
• 训练过程中，模型权重将保存在输出目录，同时可在 Visdom 网页界面查看实时损失曲线和生成图像。

3. 测试与生成

训练完成后，使用测试集生成转换后的图像：

./test --dataroot datasets/horse2zebra/ --cuda

• 该命令会读取 dataroot/test 下的图片，通过生成器进行处理。
• 生成的结果将保存在 output/A 和 output/B 目录下（例如：将马转换为斑马，或将斑马转换回马）。

提示：如需修改超参数或加载特定权重，可运行 ./train --help 或 ./test --help 查看详细参数说明。