• 克隆这个回购：

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

• 安装PyTorch和 0.4+ 以及其他依赖项（例如，torchvision、visdom和dominate）。
  • 对于 pip 用户，请键入命令pip install -r requirements.txt。
  • 对于 Conda 用户，您可以使用conda env create -f environment.yml.
  • 对于 Docker 用户，我们提供预构建的 Docker 镜像和 Dockerfile。请参阅我们的Docker页面。

CycleGAN 训练/测试

• 下载 CycleGAN 数据集（例如地图）：

bash ./datasets/download_cyclegan_dataset.sh maps

• 要查看训练结果和损失图，请运行python -m visdom.server并单击 URL http://localhost:8097。
• 要将训练进度和测试图像记录到 W&B 仪表板，请--use_wandb使用训练和测试脚本设置标志
• 训练模型：

#!./scripts/train_cyclegan.sh
python train.py --dataroot ./datasets/maps --name maps_cyclegan --model cycle_gan

要查看更多中间结果，请查看./checkpoints/maps_cyclegan/web/index.html。

• 测试模型：

#!./scripts/test_cyclegan.sh
python test.py --dataroot ./datasets/maps --name maps_cyclegan --model cycle_gan

• 测试结果将保存到此处的 html 文件中：./results/maps_cyclegan/latest_test/index.html。

pix2pix 训练/测试

• 下载一个 pix2pix 数据集（例如facades）：

bash ./datasets/download_pix2pix_dataset.sh facades

• 要查看训练结果和损失图，请运行python -m visdom.server并单击 URL http://localhost:8097。
• 要将训练进度和测试图像记录到 W&B 仪表板，请--use_wandb使用训练和测试脚本设置标志
• 训练模型：

#!./scripts/train_pix2pix.sh
python train.py --dataroot ./datasets/facades --name facades_pix2pix --model pix2pix --direction BtoA

要查看更多中间结果，请查看 ./checkpoints/facades_pix2pix/web/index.html。

• 测试模型（bash ./scripts/test_pix2pix.sh）：

#!./scripts/test_pix2pix.sh
python test.py --dataroot ./datasets/facades --name facades_pix2pix --model pix2pix --direction BtoA

• 测试结果将保存到此处的 html 文件中：./results/facades_pix2pix/test_latest/index.html。您可以在目录中找到更多脚本scripts。
• 要训​​练和测试基于 pix2pix 的着色模型，请添加--model colorization和--dataset_mode colorization。有关详细信息，请参阅我们的培训提示。

应用预训练模型 (CycleGAN)

• 您可以使用以下脚本下载预训练模型（例如 horse2zebra）：

bash ./scripts/download_cyclegan_model.sh horse2zebra

• 预训练模型保存在./checkpoints/{name}_pretrained/latest_net_G.pth. 在此处查看所有可用的 CycleGAN 模型。
• 要测试模型，您还需要下载 horse2zebra 数据集：

bash ./datasets/download_cyclegan_dataset.sh horse2zebra

• 然后使用生成结果

python test.py --dataroot datasets/horse2zebra/testA --name horse2zebra_pretrained --model test --no_dropout

• 该选项--model test仅用于为一侧生成 CycleGAN 结果。此选项将自动设置--dataset_mode single，仅加载一组中的图像。相反，使用--model cycle_gan需要双向加载和生成结果，这有时是不必要的。结果将保存在./results/。用于--results_dir {directory_path_to_save_result}指定结果目录。

• 对于 pix2pix 和您自己的模型，您需要明确指定--netG, --norm,--no_dropout以匹配训练模型的生成器架构。有关详细信息，请参阅此常见问题解答。

应用预训练模型 (pix2pix)

下载预训练模型./scripts/download_pix2pix_model.sh。

• 在此处查看所有可用的 pix2pix 模型。例如，如果您想在 Facades 数据集上下载 label2photo 模型，

bash ./scripts/download_pix2pix_model.sh facades_label2photo

• 下载 pix2pix facades 数据集：

bash ./datasets/download_pix2pix_dataset.sh facades

• 然后使用生成结果

python test.py --dataroot ./datasets/facades/ --direction BtoA --model pix2pix --name facades_label2photo_pretrained

• 请注意，我们指定--direction BtoAFacades 数据集的 A 到 B 方向是照片到标签。

• 如果您想将预训练模型应用于一组输入图像（而不是图像对），请使用--model test选项。请参阅./scripts/test_single.sh如何将模型应用于 Facade 标签映射（存储在目录中facades/testB）。

• 查看当前可用型号的列表，网址为./scripts/download_pix2pix_model.sh

Docker

我们提供了可以运行此代码库的预构建 Docker 映像和 Dockerfile。见Docker。

数据集

下载 pix2pix/CycleGAN 数据集并创建您自己的数据集。

自定义模型和数据集

如果您计划为您的新应用程序实施自定义模型和数据集，我们提供一个数据集模板和一个模型模板作为起点。

引用

如果您将此代码用于您的研究，请引用我们的论文。

@inproceedings{CycleGAN2017,
  title={Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks},
  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}
}


@inproceedings{isola2017image,
  title={Image-to-Image Translation with Conditional Adversarial Networks},
  author={Isola, Phillip and Zhu, Jun-Yan and Zhou, Tinghui and Efros, Alexei A},
  booktitle={Computer Vision and Pattern Recognition (CVPR), 2017 IEEE Conference on},
  year={2017}
}