[App4AI] CycleGAN

[簡介]

 

CycleGAN 是發表在 ICCV2017 image-to-image translation 的著名演算法,最大特點為不要求訓練數據要成對,只需要提供不同 domain 的影像就能成功訓練不同 domain 之間的影像轉換。

可應用於語義標籤的街道轉換成寫實影像、衛星影像轉換成地圖影像、將場景從白天轉換成夜晚、將黑白影像變成彩色影像、用輪廓圖合成出實品圖等各種應用。  

 

[操作步驟及說明]

 

APP 主要分成四大使用功能,資料準備、訓練、推論、其它。

 

APP.png

 

資料準備 :

 

Select Dataset選擇要進行 AI 學習的數據集。

如果要訓練自己的影像,請點選 View 檢視 data 資料夾,請複製一個預設的 horse-zebra 資料夾,將其改為自己的數據名稱,此時請先不要刪除資料夾內的任何子資料夾或檔案。

接著找到 trainA、trainB、testA、testB 資料夾,刪除資料夾內的舊影像與替換成自己需訓練、測試的影像。

 

如果要學習馬與斑馬之間的轉換

trainA : 馬的訓練影像。

trainB : 斑馬的訓練影像。

testA : 馬的測試影像。

testB : 斑馬的測試影像。

 

 

注意 : 

1. 影像長寬建議相同,正方形,如果不相同可以縮放或裁切等方式。

2. 圖檔與其附檔名需為 .jpg。  

 

資料準備.png

 

 

訓練前準備 :

 

訓練前,請依序點擊 1. visdom server 與 2. visdom server browser,如下圖,請勿按 x 關閉,用於訓練過程中,請保持開著。

 

開始訓練後,訓練的 loss 曲線圖等資訊會 post 到 visdom server 且顯示在 visdom server browser 上。  

 

visdom.png

 

 

訓練 :

 

訓練.png

 

按下 3. train 即可開始訓練。在訓練過程中,可以藉由前一步驟開啟的 2. visdom server browser 觀看 loss 變化曲線與訓練效果。 

 

其訓練時,可以設定的參數如下 :

    Continue training : 如果要接續訓練,請打勾,訓練會自動載最後一個模型接著訓練 (latest_net_G_A.pth、latest_net_G_B.pth、latest_net_D_A.pth、latest_net_D_B.pth)。反之,不要打勾。

 

    Dataroot : 訓練影像檔案位置,按下 view 可以看到 trainA 與 trainB,資料夾內為訓練影像。

 

    Checkpoints dir : 放置訓練產出模型的資料夾,按下 view 可以查看資料夾。

 

    GPU ID : 您的裝置如果有支援 NVIDIA GPU 加速運算,請設定 GPU ID,如使用第 0 顆 GPU 則設置為 0,使用第0、1 顆 GPU 則設置為 0, 1; 若未支援NVIDIA GPU 加速運算,則設置為 -1。

 

    Batch size : 一次訓練的樣本數。

 

    N epochs : 設定訓練的週期數。訓練的總週期數會再額外加 100 期是使用線性衰減至 0 的學習率。

 

    Save epoch freq : 儲存模型的頻率週期數。  

 

 

推論:

 

推論整個資料夾。

按下 4. inference folder,選擇模型,開始推論,推論完成後跳出瀏覽器可查看推論結果。

 

推論參數如下 :

 

    A->B : 將 A 轉成 B;B->A : 將 B 轉成 A。 例如訓練時,A 是斑馬、B 是馬,則推論選擇 A->B,即把斑馬轉成馬。

 

    Inference folder : 顯示推論圖片的資料夾位置。此資料夾為資料準備步驟裡面的 testA 與 testB 資料夾。

 

    GPU ID : 您的裝置如果有支援 NVIDIA GPU 加速運算,請設定 GPU ID,如使用第 0 顆 GPU 則設置為 0,使用第0、1 顆 GPU 則設置為 0, 1; 若未支援NVIDIA GPU 加速運算,則設置為 -1。  

 

推論.png

 

 

[軟體下載]

 

https://d.leaderg.com/CycleGAN/download

 

 

[ 軟體試用 ]

 

下載軟體後,請用7zip解壓縮,輸入「TRY30」試用授權碼,每台電腦可以試用30天。

 

 

聯絡我們及購買方式


請參閱以下網址:

https://tw.leaderg.com/article/index?sn=11056


延伸閱讀

1.
LEADERG App4AI 人工智能軟體 (App for AI, 不用寫程式, 視窗操作介面, 易學易用, 無經驗可, AI Model Zoo, No Code, Deep Learning, 深度學習, Machine Learning, 機器學習, 人工智慧)

2.
LEADERG AI Zoo 人工智能演算法 (整理及優化200多種範例程式碼, 節省90%的開發時間, 10倍速快速開發 AI 程式, Jupyter Lab 操作介面, Code for AI, Code4AI, Less Coding, AI Model Zoo, AIZOO, 深度學習, Big Data, 大數據)

3.
LEADERG ACE-22 中階人工智能工作站 (RTX-A6000-48G, RTX-A5000-24G, RTX-A4000-16G, RTX-3090-24G, AMD Ryzen 9, Intel Core i9, GPU 電腦, computer, workstation, deep learning, 深度學習)

4.
LEADERG ACE-38 高階人工智能工作站 (RTX-A6000-48G 四張, RTX-A5000-24G 四張, RTX-A4000-16G 七張, NVIDIA RTX-3090-24G 兩張, RTX-3080-10G 兩張, RTX-3060-12G 兩張, AMD, Ryzen Threadripper PRO)

感謝客戶們的支持

臺灣大學、清華大學、陽明交通大學、成功大學、臺北醫學大學、臺北護理健康大學、中興大學、暨南大學、宜蘭大學、聯合大學、淡江大學、逢甲大學、長庚大學、義守大學、實踐大學、大同大學、中原大學、臺科大、北科大、臺中科大、雲林科大、勤益科大、虎尾科大、屏東科大、高雄科大、朝陽科大、明志科大、南臺科大、亞東科大、中國科大、國防大學、海軍軍官學校、陸軍專科學校、鼓山高中、臺大醫院、榮民總醫院、長庚醫院、慈濟醫院、義大醫院、中山科學研究院、國防部軍備局、法務部調查局、工研院、資策會、原子能委員會核能研究所、農業委員會特有生物研究保育中心、勞動部勞動研究所、紡織研究所、金屬工業研究發展中心、台灣儀器科技研究中心、車輛測試中心、台灣自來水公司、台積電、聯電、南亞科、華邦電子、精材科技、華信光電、友達光電、群創光電、瀚宇彩晶、台塑、台塑網、南亞塑膠、台灣化學纖維、中國石油、羅技電子、義隆電子、隆達電子、達方電子、鴻海、大聯大 - 世平興業、盟立自動化、迅得機械、南茂科技、順達科技、致伸科技、英特盛、豐興鋼鐵、中宇環保工程、竹陞科技、研揚科技、敦陽科技、竑騰科技、先豐通訊、神達電腦、神通電腦、百佳泰、科音國際、峰安車業、鴻鵠國際、藍海智能等。