CycleGAN-TensorFlow

使用 TensorFlow 实现的 CycleGAN（开发中）。

原始论文：https://arxiv.org/abs/1703.10593

测试数据结果

苹果 → 橙子

输入	输出		输入	输出		输入	输出

橙子 → 苹果

输入	输出		输入	输出		输入	输出

环境

• TensorFlow 1.0.0
• Python 3.6.0

数据准备

• 首先，下载一个数据集，例如 apple2orange：

$ bash download_dataset.sh apple2orange

• 将数据集写入 tfrecords 文件：

$ python3 build_data.py

更多信息请参阅 $ python3 build_data.py --help。

训练

$ python3 train.py

如果需要更改某些默认设置，可以通过命令行传递参数，例如：

$ python3 train.py  \
    --X=data/tfrecords/horse.tfrecords \
    --Y=data/tfrecords/zebra.tfrecords

以下是所有参数列表：

用法: train.py [-h] [--batch_size BATCH_SIZE] [--image_size IMAGE_SIZE]
                [--use_lsgan [USE_LSGAN]] [--nouse_lsgan]
                [--norm NORM] [--lambda1 LAMBDA1] [--lambda2 LAMBDA2]
                [--learning_rate LEARNING_RATE] [--beta1 BETA1]
                [--pool_size POOL_SIZE] [--ngf NGF] [--X X] [--Y Y]
                [--load_model LOAD_MODEL]

可选参数:
  -h, --help            显示此帮助信息并退出
  --batch_size BATCH_SIZE
                        批量大小，默认为 1
  --image_size IMAGE_SIZE
                        图像大小，默认为 256
  --use_lsgan [USE_LSGAN]
                        使用 LSGAN（均方误差）或交叉熵损失，默认为 True
  --nouse_lsgan
  --norm NORM           [instance, batch] 使用实例归一化或批归一化，默认为 instance
  --lambda1 LAMBDA1     正向循环损失（X->Y->X）的权重，默认为 10.0
  --lambda2 LAMBDA2     反向循环损失（Y->X->Y）的权重，默认为 10.0
  --learning_rate LEARNING_RATE
                        Adam 优化器的初始学习率，默认为 0.0002
  --beta1 BETA1         Adam 优化器的动量项，默认为 0.5
  --pool_size POOL_SIZE
                        存储先前生成图像的缓冲区大小，默认为 50
  --ngf NGF             第一层卷积中的生成器滤波器数量，默认为 64
  --X X                 用于训练的 X tfrecords 文件，默认为 data/tfrecords/apple.tfrecords
  --Y Y                 用于训练的 Y tfrecords 文件，默认为 data/tfrecords/orange.tfrecords
  --load_model LOAD_MODEL
                        您希望继续训练的已保存模型文件夹（例如 20170602-1936），默认为 None

使用 TensorBoard 查看训练进度和生成的图像：

$ tensorboard --logdir checkpoints/${datetime}

如果您中断了训练过程并希望继续训练，可以这样设置 load_model 参数：

$ python3 train.py  \
    --load_model 20170602-1936

以下是在训练橙子 → 苹果时从 TensorBoard 截取的一些有趣截图：

注意事项

• 如果在输入和生成的图像之间观察到高对比度的背景颜色变化（例如黑色变为白色），则应重新开始训练！
• 多次训练以获得最佳模型。

导出模型

您可以从检查点导出为独立的 GraphDef 文件，如下所示：

$ python3 export_graph.py --checkpoint_dir checkpoints/${datetime} \
                          --XtoY_model apple2orange.pb \
                          --YtoX_model orange2apple.pb \
                          --image_size 256

推理

导出模型后，您可以将其用于推理。例如：

python3 inference.py --model pretrained/apple2orange.pb \
                     --input input_sample.jpg \
                     --output output_sample.jpg \
                     --image_size 256

预训练模型

我的预训练模型可在 https://github.com/vanhuyz/CycleGAN-TensorFlow/releases 上找到。

贡献

如果您遇到任何问题或发现代码中有错误，请提交一个问题 :)

许可证

本项目采用 MIT 许可证授权 - 详细信息请参阅 LICENSE 文件。

参考文献

• CycleGAN 论文：https://arxiv.org/abs/1703.10593
• Torch 官方源码：https://github.com/junyanz/CycleGAN

CycleGAN-TensorFlow 快速上手指南

CycleGAN-TensorFlow 是基于 TensorFlow 实现的 CycleGAN 模型，用于无需配对数据的图像风格迁移（例如：苹果变橘子、马变斑马）。

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 需自行配置兼容环境)
• Python: 3.6.0
• 深度学习框架: TensorFlow 1.0.0
  • 注意：本项目基于较旧的 TensorFlow 1.x 版本开发。若使用新版 TensorFlow，可能需要修改代码以适配 2.x API 或使用兼容模式。

依赖安装：

pip install tensorflow==1.0.0
# 其他常见依赖（如 numpy, scipy 等）通常随 tensorflow 自动安装，若缺失请手动补充
pip install numpy scipy matplotlib

安装与数据准备

克隆项目代码并准备数据集。

1. 获取代码

   git clone https://github.com/vanhuyz/CycleGAN-TensorFlow.git
   cd CycleGAN-TensorFlow
   

2. 下载数据集 以经典的 apple2orange 数据集为例：

   bash download_dataset.sh apple2orange
   

   提示：如果下载速度慢，可尝试手动从原论文作者提供的源或其他国内镜像站下载数据集压缩包，解压至 datasets 目录。

3. 转换为 TFRecords 格式 将下载的图片数据转换为 TensorFlow 所需的 .tfrecords 格式：

   python3 build_data.py
   

   如需查看支持的数据集类型或自定义路径，运行 python3 build_data.py --help。

基本使用

1. 开始训练

运行默认配置进行训练（默认使用 apple 和 orange 数据）：

python3 train.py

自定义训练参数示例（例如训练马到斑马的转换）：

python3 train.py \
    --X=data/tfrecords/horse.tfrecords \
    --Y=data/tfrecords/zebra.tfrecords \
    --image_size 256 \
    --batch_size 1

监控训练进度： 启动 TensorBoard 实时查看损失曲线和生成的中间图像：

tensorboard --logdir checkpoints/${datetime}
# 请将 ${datetime} 替换为实际生成的检查点文件夹名称，例如 20231027-1000

注意：如果在训练初期发现生成图像背景颜色出现高对比度反转（如黑变白），建议停止训练并重新启动，这通常是初始化导致的局部最优解。

2. 导出模型

训练完成后，将检查点（Checkpoint）导出为独立的 .pb 图文件，以便部署或推理：

python3 export_graph.py --checkpoint_dir checkpoints/20170602-1936 \
                        --XtoY_model apple2orange.pb \
                        --YtoX_model orange2apple.pb \
                        --image_size 256

请将 checkpoints/20170602-1936 替换为您实际的模型保存路径。

3. 图像推理（测试）

使用导出的模型对单张图片进行风格迁移：

python3 inference.py --model pretrained/apple2orange.pb \
                     --input input_sample.jpg \
                     --output output_sample.jpg \
                     --image_size 256

执行完毕后，output_sample.jpg 即为转换后的图像。

---

更多预训练模型可前往项目 GitHub Release 页面下载。