用自己的数据集实战CycleGAN

       最近在做关于跨模态的医学图像生成，所以今天就跟大家聊一聊如何用自己的数据集训练CycleGAN吧~

       首先，我们来聊聊什么是CycleGAN？

       CycleGAN的一个重要应用领域是Domain Adaptation（域迁移：可以通俗的理解为画风迁移），比如可以把一张普通的风景照变化成梵高化作，或者将游戏画面变化成真实世界画面等等（如图1）。

图1 效果预览

       CycleGAN特点就是通过一个循环，首先将图像从一个域转换到另一个域，然后，再转回来，如果两次转换都很精准的话，那么，转换后的图像应该与输入的图像基本一致。通过这样的的一个循环，CycleGAN将转换前后图片的配对，类似于有监督学习，提升了转换效果。

       其中，在跨模态医疗图像生成中，大多会用到CycleGAN来完成。比如说，T2转T1等等。

       接下来废话不多说，我来教教大家如何用自己的数据集训练CycleGAN。文末会附上资源（代码和论文）。

       第一步，下载代码。解压后应该是图2这样。

图2 代码构成 

       第二步，数据准备。我这边是做的核磁共振T2转T1。大家在datasets文件夹中创建一个horse2zebra文件夹（如图3）。

图3 horse2zebra文件夹

       horse2zebra文件夹构成如下（图4）。大家将对应的图片放入文件夹中。数据集就完成啦~

       需要注意的是，trainA和trainB是训练的数据集，testA和testB是测试的数据集，大家记得按照自己需求进行分配哦~ trainA和testA是需要转换的图片，就是我做的这个的T2图片，trainB和testB是风格图片，就是我的任务中的T1图片。如图5。

图4 horse2zebra文件夹构成

图5 数据集构成

       第三步，开始训练数据集啦！我是用的学校服务器，通过命令行执行代码。

       需要调整的参数有epoch和batch_size。大家在根据图6找到这几个参数，并根据自己的情况进行修改即可。

图6 参数位置

        在命令行中输入下述代码，执行就可以开始训练啦！

nohup python train.py --dataroot ./datasets/horse2zebra --name horse2zebra_cyclegan --model cycle_gan &

       在nohup.out文件中会出现运行结果（如图7）。

图7 训练结果

       如果出现报错，大家根据报的错进行修改，一般来说，应该只会出现某个库没有下载的问题，这种情况大家用“pip install xxx”缺哪个库补哪个库就行。

       第四步，进行测试！训练结束之后就可以开始测试了，测试用的是我们文件夹testA中的数据。

      在checkpoints文件夹的horse2zebra_cyclegan文件夹中存有所有的权重。我们找到latest_net_D_A.pth。如图8。

图8 训练权重位置

        我们在checkpoints文件夹中创建一个horse2zebra_pretrained文件夹，并将latest_G_A.pth复制到horse2zebra_pretrained文件夹中，并改名为latest_net_G.pth。如图9。

图9 测试权重准备

          在命令行输入下述代码，即可开始测试！

nohup python test.py --dataroot datasets/horse2zebra/testA --name horse2zebra_pretrained --model test --no_dropout &

          测试的结果会保存在reults文件夹中。如图10。

图10 测试结果位置

         测试结果如图11。

图11 测试结果（左：生成图，右：原图）

         这样，整个训练和测试就结束啦！

        CycleGAN可以应用于很多领域的图像生成，风格迁移，甚至是AI画图。大家可以用自己的数据集做一下，说不定效果会很不错哦~

       最后附上相关资源（代码+论文），希望对各位小伙伴有所帮助鸭！

风格变换用CycleGAN跑自己的数据集code+训练教程+论文资源-CSDN文库

       大家如果有什么好的想法也可以发在评论区，大家一起讨论，一起学习鸭！祝大家科研愉快，中秋快乐呀~