PyTorch CycleGAN 与 pix2pix pytorch-CycleGAN-and-pix2pix

⭐⭐⭐☆☆ (3/5) 🧩 软硬件结合 已发布
junyanz 26292 Stars 未知 BOM 完整度: /5 教程完整度: /5
查看源码

项目简介

Image-to-Image Translation in PyTorch

pytorch-CycleGAN-and-pix2pix 是一个基于 PyTorch 框架实现的图像到图像翻译（Image-to-Image Translation）开源项目，集成了两种经典的生成对抗网络模型：CycleGAN 和 pix2pix。该项目由 Jun-Yan Zhu 和 Taesung Park 共同开发，旨在为研究人员和开发者提供一个高效、易用的工具，用于实现有监督和无监督的图像转换任务。

标签

computer-graphics computer-vision cyclegan deep-learning gan

项目特点

支持无配对（CycleGAN）和有配对（pix2pix）两种图像翻译模式
基于 PyTorch 实现，兼容 PyTorch 2.4+ 和 Python 3.11
支持单机多 GPU 训练（DDP）
提供预训练模型下载和快速测试脚本
集成 W&B（Weights & Biases）训练日志可视化
提供 Colab 笔记本，支持在线运行
包含详细的训练/测试技巧和常见问题解答
支持自定义模型和数据集模板

技术规格

框架
Python 版本
支持模型
训练模式
操作系统
硬件要求
数据格式
日志工具
容器支持

项目资源

junyanz/pytorch-CycleGAN-and-pix2pix junyanz.github.io/CycleGAN pdf/1703.10593.pdf phillipi.github.io/pix2pix pdf/1611.07004.pdf junyanz/pytorch-CycleGAN-and-pix2pix junyanz/pytorch-CycleGAN-and-pix2pix junyanz/pytorch-CycleGAN-and-pix2pix junyanz/pytorch-CycleGAN-and-pix2pix master/CycleGAN.ipynb master/pix2pix.ipynb generative/cyclegan.ipynb generative/pix2pix.ipynb GaParmar/img2img-turbo taesungp/contrastive-unpaired-translation

物料清单 (BOM)

物料名称 数量 参考价格 备注
Python 3.11 1 — 运行环境
PyTorch 2.4+ 1 — 深度学习框架
CUDA CuDNN 1 — GPU 加速（可选）
NVIDIA GPU 1 — 推荐用于训练
训练数据集 1 — 可从项目脚本下载

所需工具

工具用途是否必需
Python 3.11 运行代码 ✅ 是
PyTorch 2.4+ 深度学习框架 ✅ 是
Conda 环境管理 ▢ 推荐
NVIDIA GPU + CUDA 加速训练 ▢ 推荐
Docker 容器化部署 ▢ 推荐
W&B 账号 训练日志可视化 ▢ 推荐

能力画像

记忆与知识检索
2/5
逻辑推演
4/5
表达与交流
2/5
感知与观察
3/5
数理与计算
5/5
动手与操作
3/5
狂热与坚持
4/5
创造与创新
5/5

所需技能

🔧 **动手能力**：需要能够配置 Python 环境、安装依赖、运行命令行脚本。对于 Docker 用户，需要基本的容器操作知识。 💻 **编程能力**：需要 Python 编程基础，理解深度学习框架（PyTorch）的基本概念。能够阅读和修改训练/测试脚本。 ⚡ **电子电路**：不涉及硬件电路，但需要理解 GPU 计算的基本原理和 CUDA 环境配置。

适用场景

图像风格迁移（如照片转油画、马转斑马）
图像增强与修复（如黑白照片上色、图像去噪）
医学图像翻译（如 CT 到 MRI 转换）
卫星图像到地图的转换
边缘图到真实图像的生成（如边缘图转猫图）
学术研究与教学（GAN 课程作业、论文复现）
创意内容生成（艺术创作、设计辅助）