pix2pix学习系列（1）：预训练模型测试pix2pix

参考文献：

[Pytorch系列-66]：生成对抗网络GAN - 图像生成开源项目pytorch-CycleGAN-and-pix2pix - 使用预训练模型测试pix2pix模型

运行环境

win 10

1、代码下载

Github

2、下载pix2pix数据集

通过URL手工下载：地址

存放路径：pytorch-CycleGAN-and-pix2pix\datasets

3、下载预训练模型

下载链接
存放路径
需要把模型的名称改为latest_net_G.pth，并存放在./checkpoints/facades_label2photo_pretrained目录中。

4. 使用Anaconda进行调试

打开Anaconda Prompt (Anaconda3)
激活环境
activate yolov5_tpz
切换到d盘
输入： d:
切换到 D:\tpz\the-third-paper\pytorch-CycleGAN-and-pix2pix-master
输入： cd D:\tpz\the-third-paper\pytorch-CycleGAN-and-pix2pix-master
运行命令
输入：
python test.py --dataroot ./datasets/facades --direction BtoA --model pix2pix --name facades_label2photo_pretrained
运行效果

----------------- Options ---------------aspect_ratio: 1.0batch_size: 1checkpoints_dir: ./checkpointscrop_size: 256dataroot: ./datasets/facades                   [default: None]dataset_mode: aligneddirection: BtoA                                 [default: AtoB]display_winsize: 256epoch: latesteval: Falsegpu_ids: 0init_gain: 0.02init_type: normalinput_nc: 3isTrain: False                                [default: None]load_iter: 0                                    [default: 0]load_size: 256max_dataset_size: infmodel: pix2pix                              [default: test]n_layers_D: 3name: facades_label2photo_pretrained       [default: experiment_name]ndf: 64netD: basicnetG: unet_256ngf: 64no_dropout: Falseno_flip: Falsenorm: batchnum_test: 50num_threads: 4output_nc: 3phase: testpreprocess: resize_and_cropresults_dir: ./results/serial_batches: Falsesuffix:use_wandb: Falseverbose: False
----------------- End -------------------
dataset [AlignedDataset] was created
initialize network with normal
model [Pix2PixModel] was created
loading the model from ./checkpoints\facades_label2photo_pretrained\latest_net_G.pth
---------- Networks initialized -------------
[Network G] Total number of parameters : 54.414 M
-----------------------------------------------
creating web directory ./results/facades_label2photo_pretrained\test_latest
D:\Anaconda3\envs\yolov5_tpz\lib\site-packages\torchvision\transforms\transforms.py:280: UserWarning: Argument interpolation should be of type InterpolationMode instead of int. Please, use InterpolationMode enum.warnings.warn(
processing (0000)-th image... ['./datasets/facades\\test\\1.jpg']
processing (0005)-th image... ['./datasets/facades\\test\\103.jpg']
processing (0010)-th image... ['./datasets/facades\\test\\12.jpg']
processing (0015)-th image... ['./datasets/facades\\test\\17.jpg']
processing (0020)-th image... ['./datasets/facades\\test\\21.jpg']
processing (0025)-th image... ['./datasets/facades\\test\\26.jpg']
processing (0030)-th image... ['./datasets/facades\\test\\30.jpg']
processing (0035)-th image... ['./datasets/facades\\test\\35.jpg']
processing (0040)-th image... ['./datasets/facades\\test\\4.jpg']
processing (0045)-th image... ['./datasets/facades\\test\\44.jpg']

查看结果
图片位置： \results\facades_label2photo_pretrained\test_latest\images

5. 也可以使用pycharm进行调试

设置 options/base_options.py

parser.add_argument('--dataroot', default='datasets/facades', help='path to images (should have subfolders trainA, trainB, valA, valB, etc)')
parser.add_argument('--name', type=str, default='facades_label2photo_pretrained', help='name of the experiment. It decides where to store samples and models')
parser.add_argument('--model', type=str, default='pix2pix', help='chooses which model to use. [cycle_gan | pix2pix | test | colorization]')
parser.add_argument('--direction', type=str, default='BtoA', help='AtoB or BtoA')

设置 options/test_options.py

parser.set_defaults(model='pix2pix')

注意：
如果不将 parser.set_defaults(model='test ') 更改为 parser.set_defaults(model=‘pix2pix’)，将会出现以下错误：
AttributeError: ‘Sequential’ object has no attribute ‘model’

解决方案参考

运行 test.py

pix2pix学习系列（1）：预训练模型测试pix2pix相关推荐

深度学习之openvino预训练模型测试（车牌识别）
0 背景在上一篇文章<深度学习之openvino预训练模型测试>,我们介绍了如何使用 intel 提供的预训练模型完成语义分割任务.但在用 public 预训练模型时,发现我的 open ...
深度学习之openvino预训练模型测试
0 背景在<深度学习之win10安装配置openvino>中我们介绍了 openvino 的安装方法,本文对下一步的使用进行一个介绍. 1 模型介绍 openvino 提供了一系列的预训 ...
[Pytorch系列-66]：生成对抗网络GAN - 图像生成开源项目pytorch-CycleGAN-and-pix2pix - 使用预训练模型测试pix2pix模型
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:https://blog.csdn.net/HiWangWenBing/article/detai ...
多模态模型学习1——CLIP对比学习语言-图像预训练模型
多模态模型学习1--CLIP对比学习语言-图像预训练模型学习前言什么是CLIP模型代码下载 CLIP实现思路一.网络结构介绍 1.Image Encoder a.Patch+Position ...
深度学习进阶篇-预训练模型[3]：XLNet、BERT、GPT,ELMO的区别优缺点，模型框架、一些Trick、Transformer Encoder等原理详细讲解
[深度学习入门到进阶]必看系列,含激活函数.优化策略.损失函数.模型调优.归一化算法.卷积模型.序列模型.预训练模型.对抗神经网络等专栏详细介绍:[深度学习入门到进阶]必看系列,含激活函数.优化策略 ...
python与机器学习（七）下——torchvision预训练模型测试真实图像分类
任务要求:利用torchvision中的预训练CNN模型来对真实的图像进行分类,预测每张图片的top5类别. 数据: real_image, class_index.json 导入: import t ...
OpenAI打破文本和图像次元壁，提出基于对比学习的多模态预训练模型CLIP
OpenAI 打破了自然语言与视觉的次元壁,推出了一个连接文本与图像的神经网络模型CLIP. 相关资料 CLIP原论文:Radford et al. Learning transferable vis ...
【12】Caffe学习系列：训练和测试自己的图片
一.准备数据有条件的同学,可以去imagenet的官网http://www.image-net.org/download-images,下载imagenet图片来训练.验证码始终出不来需要翻墙(是g ...
【深度学习】使用预训练模型
主要有两种方法: 特征提取微调模型特征提取特征提取就是使用已经训练好的网络在新的样本上提取特征,然后将这些特征输入到新的分类器,从头开始训练的过程. 卷积神经网络分为两个部分: 一系列池化层+卷 ...

pix2pix学习系列（1）：预训练模型测试pix2pix

pix2pix学习系列（1）：预训练模型测试pix2pix

参考文献：

运行环境

1、代码下载

2、下载pix2pix数据集

3、下载预训练模型

4. 使用Anaconda进行调试

5. 也可以使用pycharm进行调试

pix2pix学习系列（1）：预训练模型测试pix2pix相关推荐

最新文章

热门文章