[LEADERG APP] Pix2Pix

 [簡介]

 

Pix2Pix 架構和 GAN 類似,但不在於產生仿真的影像,而是希望透過監督學習的方式,讓原影像輸出訓練學習的影像風格。例如 : 黑白轉換成彩色、邊緣圖轉換相片、地圖轉換成衛星地圖等各種應用。 

 

[操作步驟及說明]

 

APP 主要分成四大使用功能,資料夾準備、前處理、訓練、推論、其它。

 

APP.png

 

資料夾準備 :

 

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 map 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。

 

 

前處理 :

 

 

資料準備.png  

1. 請準備想要圖像轉換的影像,轉換需同類型且同一對影像檔名需相同 (附檔名需為 .jpg)。

接著,請點擊 1. combine A and B 中的 Folder A view 與 Folder B view。

 

資料夾開啟後,A 與 B 資料夾內有 train、val、test ,A 是放置轉換後的影像、B 是放置轉換前的影像。請將影像依照轉換前後放入 A、B 資料夾中的 train、val、test,需注意一點的是 兩資料夾中的 train、val、test 皆需要能夠找到對應的影像檔名。

 

接著按下 1. combine A and B 將對應的影像合併為一張,可點擊 Folder AB view 察看。

 

例如 : 地圖轉換衛星圖。在 A 中的train 資料夾可以找到 1.png 的地圖,在 B 中的 train 應該也要可以找到對應的 1.png 衛星圖,在 train 中也可找到合併為一張的 1.png。

 

  • data/A/train : 地圖的訓練影像;data/B/train : 衛星的訓練影像。

=> data/train : 合併 A 與 B 的訓練影像。

 

  • data/A/val : 地圖的驗證影像;data/B/val : 衛星的驗證影像。

=> data/val : 合併 A 與 B 的驗證影像。

 

  • data/A/test : 地圖的測試影像;data/B/test : 衛星的測試影像。

=> data/test : 合併 A 與 B 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。

3). 影像需兩兩相對應。    

 

 

2. 資料準備好,開始訓練前,請依序點擊 2. visdom server 與 3. 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 4. train 即可開始訓練。在訓練過程中,可以藉由前一步驟開啟的 3. 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.pth、latest_net_D.pth)。反之,不要打勾。

 

    Dataroot : 訓練影像檔案位置,按下 view 可以看到 train、val,資料夾內為訓練用影像。

 

    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。主要分兩種,一種是單張推論,結果呈現轉換前後;另一種是推論合併後的影像 (1. combine A and B 的輸出影樣),結果呈現轉換前後與轉換後的標準影像。

使用方式皆為按下 5. inference folder/6. Inference folder image pairs,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 :

 

    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 test 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

 

標籤:

延伸閱讀

1.
LEADERG APP 人工智慧軟體 (No Code ,不用寫程式, APP 操作介面, deep learning, 深度學習, machine learning, 機器學習, big data, 大數據)

2.
LEADERG AI ZOO 進階人工智慧軟體 (Low Code ,提供豐富範例程式, Jupyter Lab 操作介面, AI Model Zoo, deep learning, 深度學習, machine learning, 機器學習, big data, 大數據)

3.
LEADERG-22 中階人工智慧工作站 (NVIDIA RTX-3060-12G, RTX-3080-10G, RTX-3090-24G, RTX-A6000-48G, AMD Ryzen 9, Intel Core i9, GPU 電腦, computer, workstation, deep learning, 深度學習)

4.
LEADERG-38 高階人工智慧工作站 (NVIDIA RTX-3090-24G 兩張, RTX-A6000-48G 四張, RTX-3080-10G 兩張, RTX-3060-12G 兩張, AMD, Ryzen Threadripper, Intel, Xeon, Core i9, GPU 電腦, computer

LEADERG APP 申請試用

歡迎聯絡我們申請15天試用授權碼。
電子郵件: leaderg@leaderg.com

購買方式

歡迎聯絡我們索取報價單,幫助您購買適合的產品。
電子郵件: leaderg@leaderg.com
客服電話: 02-2784-9788

感謝客戶們的支持

臺灣大學、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、國防大學、海軍軍官學校、逢甲大學、長庚大學、義守大學、實踐大學、台科大、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、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、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、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、大聯大 - 世平興業、盟立自動化、南茂科技、順達科技、致伸科技、竹陞科技、研揚科技、精材科技、敦陽科技、竑騰科技、先豐通訊、神達電腦、百佳泰、科音國際、鴻鵠國際等。