- 이 세팅은 모두 LAIT2 서버에서 구성되었습니다.
- 세팅되어진 도커 이미지를 이용하여 컨테이너를 생성한다.
docker run -it --name [컨테이너 이름] --gpus all -v [git clone한 디렉토리명]:/workspace gan-inversion:latest /bin/bash
- pretrained_models 디렉토리를 다음 위치에 생성하고, 모든 모델의 모델을 다운받아서 저장한다. (한꺼번에 저장하는 파일을 생성하려고 했으나 wget 명령어가 제대로 실행되지 않아 따로 id 및 file name 올려드립니다.
| gan-inversion | Repository root folder |
|---|---|
| ├ encoder4editing | |
| ├ PTI | |
| ├ hyperstyle | |
| ├ Dockerfile | Dockerfile for image building(stylegan2-ada) |
| ├ pretrained_models | Folder containing all pretrained_models |
| File name | used for |
|---|---|
| e4e_ffhq_encode.pt | e4e, PTI, hyperstyle |
| e4e_cars_encode.pt | e4e, hyperstyle |
| e4e_horse_encode.pt | e4e |
| e4e_church_encode.pt | e4e |
| stylegan2-ffhq-config-f.pt | e4e,PTI |
| model_ir_se50.pth | e4e |
| moco_v2_800ep_pretrain.pt | e4e |
| shape_predictor_68_face_landmarks.dat | PTI |
| hyperstyle_ffhq.pt | hyperstyle |
| hyperstyle_cars.pt | hyperstyle |
| hyperstyle_afhq_wild.pt | hyperstyle |
| afhq_wild_w_encoder.pt | hyperstyle |
| stylegan2-car-config-f.pt | hyperstyle |
| afhqwild.pt | hyperstyle |
| ffhq_cartoon_blended.pt | hyperstyle |
| pixar.pt | hyperstyle |
| CurricularFace_Backbone.pth | hyperstyle |
| mtcnn.tar.gz | hyperstyle |
| ResNet-34 Model | hyperstyle |
#[e4e train.py] train 할때마다 new 폴더가 생기므로 새로 학습시에 new 폴더를 삭제(rm -rf new)하고 시작해야합니다.
CUDA_VISIBLE_DEVICES=[gpu_num] python scripts/train.py \
--dataset_type ffhq_encode \
--exp_dir new/experiment/directory \
--start_from_latent_avg \
--use_w_pool \
--w_discriminator_lambda 0.1 \
--progressive_start 20000 \
--id_lambda 0.5 \
--val_interval 10000 \
--max_steps 200000 \
--stylegan_size 512 \
--stylegan_weights pretrained_models/stylegan2-ffhq-config-f.pt \
--workers 8 \
--batch_size 8 \
--test_batch_size 4 \
--test_workers 4
e4e inference는 scripts/inference.py에서 gpu 번호를 변경할 수 있습니다.
#[e4e inference.py]
python encoder4editing/scripts/inference.py \
--images_dir=data/my_data \
--save_dir=results \
pretrained_models/e4e_ffhq_encode.pt
#[hyperstyle inference.py]
CUDA_VISIBLE_DEVICES=[gpu_num] python scripts/inference.py \
--exp_dir=./experiment \
--checkpoint_path=pretrained_models/hyperstyle_ffhq.pt \
--data_path=./datasets/my_data \
--test_batch_size=4 \
--test_workers=4 \
--n_iters_per_batch=5 \
--load_w_encoder \
--w_encoder_checkpoint_path pretrained_models/faces_w_encoder.pt
#[run_pti.py]
CUDA_VISIBLE_DEVICES=[gpu_num] python scripts/run_PTI.py
#[hyperstyle inference.py]
CUDA_VISIBLE_DEVICES=[gpu_num] python scripts/inference.py \
--exp_dir=./experiment \
--checkpoint_path=pretrained_models/hyperstyle_ffhq.pt \
--data_path=./datasets/my_data \
--test_batch_size=4 \
--test_workers=4 \
--n_iters_per_batch=5 \
--load_w_encoder \
--w_encoder_checkpoint_path pretrained_models/faces_w_encoder.pt
training/coach_hyperstyle.py에서 self.device로 gpu 변경 가능
#[hyperstyle train.py]
python scripts/train.py \
--dataset_type=ffhq_hypernet \
--encoder_type=SharedWeightsHyperNetResNet \
--exp_dir=experiments/hyperstyle \
--workers=8 \
--batch_size=8 \
--test_batch_size=8 \
--test_workers=8 \
--val_interval=5000 \
--save_interval=10000 \
--lpips_lambda=0.8 \
--l2_lambda=1 \
--id_lambda=0.1 \
--n_iters_per_batch=5 \
--max_val_batches=150 \
--output_size=1024 \
--load_w_encoder \
--w_encoder_checkpoint_path pretrained_models/e4e_ffhq_encode.pt \
--layers_to_tune=0,2,3,5,6,8,9,11,12,14,15,17,18,20,21,23,24