styleGAN环境搭建 、 动漫模型效果测评

🎉 声明: 作为全网 AI 领域 干货最多的博主之一，❤️ 不负光阴不负卿 ❤️

风格迁移 系列创作如下

• StyleMapGAN、有趣的风格迁移——评测【一】
• StyleMapGAN之celeba_hq 风格迁移 - 图像编辑、实验测评【二】

styleGAN环境搭建 | 动漫模型效果测试流程简记如下：

环境搭建：

• 服务器：ubuntu1~18.04 Quadro RTX 5000 16G （做测试11G的卡可以胜任）
• CUDA版本 V10.0.130

conda create -n tf15 python=3.6.6

conda activate tf15

pip install tensorflow-gpu==1.15 （1.15 测试时会有一些 WARNING，不影响测试）
或者 
pip install tensorflow-gpu==1.13

pip install pillow

pip install requests

动漫模型效果测试开启：

所使用代码： GitHub styleGAN 官方实现

styleGAN论文： A Style-Based Generator Architecture for Generative Adversarial Networks

项目目录结构如下：

模型下载（百度网盘）：

已训练好的动漫头像模型（动漫头像为主，512x512）

# 该模型来自 https://blog.csdn.net/weixin_41943311/article/details/100539707 这位博主的发布

链接：https://pan.baidu.com/s/1_N2y1F4BpwsufNK6xOqaig 
提取码：2022

新建 pretrained_example-dongman.py 内容如下：

# Copyright (c) 2019, NVIDIA CORPORATION. All rights reserved.
#
# This work is licensed under the Creative Commons Attribution-NonCommercial
# 4.0 International License. To view a copy of this license, visit
# http://creativecommons.org/licenses/by-nc/4.0/ or send a letter to
# Creative Commons, PO Box 1866, Mountain View, CA 94042, USA.
 
"""Minimal script for generating an image using pre-trained StyleGAN generator."""
 
import os
import pickle
import numpy as np
import PIL.Image
import dnnlib
import dnnlib.tflib as tflib
import config
import glob
import random

import os
os.environ["CUDA_VISIBLE_DEVICES"] = "3"

PREFIX = 'Anime'
#PREFIX = 'Animation'
 
TIMES_LOOP = 100
 
def main():
    # Initialize TensorFlow.
    tflib.init_tf()
 
    # Load pre-trained network.

    Model = 'cache/2019-03-08-stylegan-animefaces-network-02051-021980.pkl'
    
    model_file = glob.glob(Model)
    if len(model_file) == 1:
        model_file = open(model_file[0], "rb")
    else:
        raise Exception('Failed to find the model')
 
    _G, _D, Gs = pickle.load(model_file)
    # _G = Instantaneous snapshot of the generator. Mainly useful for resuming a previous training run.
    # _D = Instantaneous snapshot of the discriminator. Mainly useful for resuming a previous training run.
    # Gs = Long-term average of the generator. Yields higher-quality results than the instantaneous snapshot.
 
    # Print network details.
    Gs.print_layers()
 
    for i in range(TIMES_LOOP):
        # Pick latent vector.
        SEED = random.randint(0, 18000)
        rnd = np.random.RandomState(SEED)
        latents = rnd.randn(1, Gs.input_shape[1])
 
         # Generate image.
        fmt = dict(func=tflib.convert_images_to_uint8, nchw_to_nhwc=True)
        images = Gs.run(latents, None, truncation_psi=0.7, randomize_noise=True, output_transform=fmt)
 
         # Generate and Save image.
        os.makedirs(config.result_dir, exist_ok=True)
        save_name = PREFIX + '_' + str(random.getrandbits(64)) + '.png'
        save_path = os.path.join(config.result_dir, save_name)
        PIL.Image.fromarray(images[0], 'RGB').save(save_path)
 
if __name__ == "__main__":
    main()

测试运行命令如下：

python pretrained_example-dongman.py 

注意事项：

一定要设置使用的卡，不然它默认会使用所有卡，把其他卡的程序干掉了（难受）：
import os
os.environ["CUDA_VISIBLE_DEVICES"] = "1"

单卡 GPU占用
8271MiB

生成的动漫女生头像如下：

📙 博主 AI 领域八大干货专栏、诚不我欺

• 🍊 计算机视觉： Yolo专栏、一文读懂
• 🍊 计算机视觉：图像风格转换–论文–代码测试
• 🍊 计算机视觉：图像修复-代码环境搭建-知识总结
• 🍊 计算机视觉：超分重建-代码环境搭建-知识总结
• 🍊 深度学习：环境搭建，一文读懂
• 🍊 深度学习：趣学深度学习
• 🍊 落地部署应用：模型部署之转换-加速-封装
• 🍊 CV 和 语音数据集：数据集整理

📙 预祝各位 2022 前途似锦、可摘星辰

🎉 作为全网 AI 领域 干货最多的博主之一，❤️ 不负光阴不负卿 ❤️

❤️ 如果文章对你有帮助、点赞、评论鼓励博主的每一分认真创作

❤️ 比寻找温暖更重要的是，让自己成为一盏灯火 ❤️

• 深度学习模型训练推理——基础环境搭建推荐博文查阅顺序【基础安装—认真帮大家整理了】——【1024专刊】

• 📆 最近更新：2022年1月20日

• 🍊 点赞 👍 收藏 ⭐留言 📝 都是博主坚持写作、更新高质量博文的最大动力！