记录StyleGAN2脸部数据集训练步骤总结

介绍

StyleGAN2这个版本英伟达主要解决了生成图像时的伪影问题，同时还能得更高质量和图像数据，有更多的细节保留不至于模糊一片。并且新的改进方案也不会带来更高的计算成本。整体来看，不管是在现有的分布质量指标上，还是在人所感知的图像质量上效果都是不错的，值得尝试。

如果想训练自己的数据集就需要用到专业的计算型服务器（在此感谢朋友的赞助），或者是只想试一下生成最终结果图片的话，我刘整理的有好多数据集可以直接使用，省掉了大量的训练的时间和成本。

效果展示

目前StyleGAN3的效果也很好相对于2，在对于人物或者动物等的皮肤和毛发的细节上也做出了更好的优化，图片看起来更细腻和真实。

StyleGAN2与StyleGAN3的细节对比：

StyleGAN2生成的卡通人物：

StyleGAN2生成的车：

以下是我使用StyleGAN2训练数据集的流程，记录了当时CPU、内存、以及GPU和显卡的功耗和使用情况。

机器环境：

CPU：Intel(R) Xeon(R) CPU E5-2620 v4

内存：32G ECC

显卡：TITAN*4 共8核心

硬盘：4T

训练时显存尽可能的大，如果显存小容易在训练过程中报错，导致经常训练中断。

需要做训练的话可以下载我整理出相关和程序和训练结果集。

1.查看GPU当前的状态.

nvidia-smi（这个命令是N卡驱动自带的，驱动程序安装好后即可使用）

查看是否有其他程序正在使用。

GPU使用情况

2.数据对齐

如是自己收集的图片的话，请先将数据进行对齐。

python align_images.py raw_images/ images/

3.转换数据格式

python dataset_tool.py create_from_images datasets/test1 img512

4.开始训练数据集

python run_training.py --num-gpus=8 --data-dir=datasets --config=config-e --dataset=imgp2 --mirror-augment=true

开始训练后再次查看GPU的使用情况重点查看使用百分比、功率和显存占用：

5.报错修复

这次训练大约7小时左右时突然报错，kimg数据为962

此时训练已经被迫终止，需要做一个断开的处理：

找到文件：/stylegan2/training/training_loop.py

resume_pkl：设置上次的训练结果文件地址。

resume_kimg：设置上次的kimg数量。

然后继续执行第1个步骤即可继续进行训练。

训练完成后就可以进行后续的图像生成了。

另外为方便后续的生成图片和训练数据，我收集整理了其他的训练数据集（共183G数据较大）持续更新，数据集和工具代码