Panduan Mencoba CDSR-CycleGAN (Indonesian Guide)

Pendahuluan

CDSR-CycleGAN adalah implementasi yang ditingkatkan dari arsitektur CycleGAN untuk translasi gambar antar domain tanpa pasangan (unpaired image-to-image translation). Metode ini menambahkan beberapa mekanisme perhatian (attention) dan jaringan encoder tambahan untuk meningkatkan kualitas hasil translasi gambar.

Persiapan Lingkungan

1. Clone Repository

git clone https://github.com/code4indo/CDSR-CycleGAN.git
cd CDSR-CycleGAN

2. Persyaratan Sistem

• Python 3.6+
• CUDA-capable GPU (direkomendasikan)
• Poetry (untuk manajemen dependensi)

3. Instalasi Dependensi (Menggunakan Poetry)

Repositori ini menggunakan Poetry untuk mengelola dependensi (lihat pyproject.toml).

poetry install

Perintah ini akan membuat lingkungan virtual dan menginstal semua paket yang diperlukan.

4. Aktifkan Lingkungan Virtual Poetry

Pilih salah satu cara berikut:

• Cara 1 (Otomatis):

  poetry shell

  Ini akan mengaktifkan lingkungan virtual dalam shell baru.

• Cara 2 (Manual): a. Dapatkan path lingkungan virtual:

  poetry env info --path

  b. Aktifkan menggunakan path tersebut:

  # Ganti <path-ke-env> dengan output dari perintah sebelumnya
  source <path-ke-env>/bin/activate
  # Contoh: source /home/user/.cache/pypoetry/virtualenvs/my-project-py3.9/bin/activate

Setelah lingkungan aktif, Anda dapat menjalankan skrip Python (misalnya, python train.py ...).

Struktur Dataset

Susun dataset Anda seperti berikut:

data/
└── NAMA_DATASET_ANDA/  # Ganti dengan nama dataset Anda (misal: S-color0.5)
    ├── train/
    │   ├── A/  # Gambar domain sumber (pelatihan)
    │   └── B/  # Gambar domain target (pelatihan)
    └── test/
        ├── A/  # Gambar domain sumber (pengujian)
        └── B/  # Gambar domain target (pengujian)

Gunakan format gambar yang didukung (JPG, PNG, dll.). Ganti S-color0.5 dalam contoh perintah di bawah dengan NAMA_DATASET_ANDA.

Proses Pelatihan

1. Mulai Server Visdom (Opsional, untuk Visualisasi)

python -m visdom.server

Akses visualisasi di http://localhost:8097.

2. Jalankan Pelatihan

python train.py --dataroot data/NAMA_DATASET_ANDA --n_epochs 100 --batchSize 1 --size 256 --cuda

Parameter penting:

• --dataroot: Direktori root dataset (wajib diubah).
• --n_epochs: Jumlah epoch pelatihan (default: 100).
• --decay_epoch: Epoch untuk mulai mengurangi learning rate (default: 50).
• --batchSize: Ukuran batch (default: 1). Sesuaikan berdasarkan memori GPU.
• --lr: Learning rate awal (default: 0.0001).
• --size: Ukuran gambar input (default: 256).
• --cuda: Gunakan GPU (default: true). Set ke false jika tidak ada GPU.

Model checkpoint akan disimpan secara otomatis di Output/NAMA_DATASET_ANDA/model/.

Proses Pengujian

1. Jalankan Pengujian

Pastikan model hasil pelatihan ada di direktori Output/NAMA_DATASET_ANDA/model/.

python test.py --dataroot data/NAMA_DATASET_ANDA --cuda

Parameter penting:

• --dataroot: Direktori root dataset (wajib diubah).
• --size: Ukuran gambar input (default: 256).
• --cuda: Gunakan GPU (default: true).
• --generator_A2B, --generator_B2A, --generator_E1, --generator_E2: Path ke file checkpoint model (default menggunakan path di Output/NAMA_DATASET_ANDA/model/).

2. Hasil Pengujian

Hasil gambar transformasi akan disimpan di:

• Output/NAMA_DATASET_ANDA/result/img_a11/ (Hasil B -> A)
• Output/NAMA_DATASET_ANDA/result/img_b11/ (Hasil A -> B)

Informasi waktu pemrosesan disimpan di Output/NAMA_DATASET_ANDA/runtime.txt.

Proses Inferensi (Pembersihan Dokumen)

Skrip inference.py digunakan untuk melakukan pembersihan pada kumpulan gambar dokumen yang rusak. Skrip ini akan memproses setiap gambar dalam direktori input, memotongnya menjadi bagian-bagian kecil (patch), membersihkan setiap patch menggunakan model generator yang telah dilatih (netG_A2B.pth), dan kemudian menggabungkan kembali patch-patch tersebut menjadi gambar utuh yang bersih.

1. Jalankan Inferensi

Pastikan Anda memiliki model netG_A2B.pth yang telah dilatih (biasanya disimpan di Output/NAMA_DATASET_ANDA/model/netG_A2B.pth setelah proses pelatihan, atau Anda bisa menggunakan path kustom).

python inference.py --input_dir /path/ke/direktori_gambar_rusak/ --cuda

Ganti /path/ke/direktori_gambar_rusak/ dengan path aktual ke direktori yang berisi gambar-gambar dokumen yang ingin Anda bersihkan.

2. Parameter Penting

• --input_dir (wajib): Direktori yang berisi gambar-gambar dokumen rusak yang akan diproses.
• --output_subdir_name: Nama subdirektori yang akan dibuat di dalam --input_dir untuk menyimpan hasil gambar yang sudah bersih. Default: cleaned_output.
• --model_path: Path ke file checkpoint model generator netG_A2B.pth. Default: Output/S-color0.5/model/netG_A2B.pth. Sesuaikan jika nama dataset atau lokasi model Anda berbeda.
• --patch_size: Ukuran patch yang digunakan untuk memproses gambar (misalnya, 256 untuk 256x256 piksel). Default: 256. Sebaiknya sama dengan ukuran yang digunakan saat pelatihan.
• --input_nc: Jumlah channel gambar input untuk model. Default: 3.
• --output_nc: Jumlah channel gambar output untuk model. Default: 3.
• --cuda: Gunakan GPU untuk komputasi jika tersedia.

3. Hasil Inferensi

Hasil gambar yang telah dibersihkan akan disimpan di subdirektori yang ditentukan oleh --output_subdir_name (default: cleaned_output) di dalam direktori yang Anda berikan pada --input_dir. Nama file output akan sama dengan nama file input dengan tambahan _cleaned.png.

Contoh: Jika input adalah /path/ke/direktori_gambar_rusak/dokumen1.jpg, maka outputnya akan menjadi /path/ke/direktori_gambar_rusak/cleaned_output/dokumen1_cleaned.png.

Arsitektur Model

• Generator (AtoB & BtoA): Melakukan translasi antar domain.
• Encoder (E1 & E2): Encoder tambahan untuk fitur.
• Discriminator (A & B): Membedakan gambar asli dan hasil translasi.

Tips dan Troubleshooting

• GPU: Pastikan driver CUDA dan PyTorch versi GPU terinstal. Atur GPU spesifik dengan export CUDA_VISIBLE_DEVICES=0 (gunakan GPU ID 0).
• Memori: Jika kehabisan memori GPU, kurangi --batchSize atau --size.
• Kualitas: Hasil bergantung pada kualitas dan kuantitas dataset.
• Waktu: Pelatihan bisa lama. Coba dengan --n_epochs lebih kecil untuk tes awal.

Referensi

• Kode Sumber: code4indo/CDSR-CycleGAN
• Detail Implementasi: Lihat file models.py, train.py, test.py.

---