CycleGan：Cycle-Consistent Adversarial Networks模型在keras当中的实现

---

目录

1. 所需环境 Environment
2. 文件下载 Download
3. 预测步骤 How2predict
4. 训练步骤 How2train
5. 参考资料 Reference

所需环境

tensorflow-gpu==1.13.2
keras==2.1.5

文件下载

本仓库以horse2zebra（马与斑马）数据集为示例，训练了转换的例子，训练好的生成器与判别器模型如下：
Generator_A2B_horse2zebra.h5；
Generator_B2A_horse2zebra.h5；
Discriminator_A_horse2zebra.h5；
Discriminator_B_horse2zebra.h5；
可以通过网盘下载或者通过GITHUB下载。

权值的网盘地址如下：
链接: https://pan.baidu.com/s/1rYSXDdRLtHozOVLLT43rzA 提取码: i9xm

常用的数据集地址如下：
链接: https://pan.baidu.com/s/1xng_uQjyG-8CFMktEXRdEg 提取码: grtm

预测步骤

a、使用预训练权重

1. 下载完库后解压，下载对应权值文件存放到model_data中。
2. 运行predict.py文件。
3. 输入需要预测的图片路径，获得预测结果。

b、使用自己训练的权重

1. 按照训练步骤训练。
2. 在cyclegan.py文件里面，在如下部分修改model_path使其对应训练好的文件；model_path对应logs文件夹下面的权值文件。

_defaults = {
    #-----------------------------------------------#
    #   model_path指向logs文件夹下的权值文件
    #-----------------------------------------------#
    "model_path"        : 'model_data/Generator_A2B_horse2zebra.h5',
    #-----------------------------------------------#
    #   输入图像大小的设置
    #-----------------------------------------------#
    "input_shape"       : [256, 256],
    #-------------------------------#
    #   是否进行不失真的resize
    #-------------------------------#
    "letterbox_image"   : True,
    #-------------------------------#
    #   是否使用Cuda
    #   没有GPU可以设置成False
    #-------------------------------#
    "cuda"              : True,
}

3. 运行predict.py文件。
4. 输入需要预测的图片路径，获得预测结果。

训练步骤

1. 训练前将期望转换的图片文件放在datasets文件夹下，一共两类，训练目的是让A类与B类互相转换。
2. 运行根目录下面的txt_annotation.py，生成train_lines.txt，保证train_lines.txt内部是有文件路径内容的。
3. 运行train.py文件进行训练，训练过程中生成的图片可查看results/train_out文件夹下的图片。