基于深度学习GAN的Ai换装（比赛记录）

比赛记录(一)

一、AI换装：

1：模型安装与调试

Viton -Gan

项目地址：
https://github.com/shionhonda/viton-gan

clone好以后，目录中只有文件，没有文件夹，缺少：

1：编译环境，torch -gpu版本地址：链接：https://pan.baidu.com/s/1d6ThY0AlhDF-cJQenL8vLw
提取码：j784 通过pip install XXXXXXX.whl安装 （python3.7， 64位，cuda为10.2）

通过pip或者conda安装：https://pytorch.org/见此

如图：

其余的基本上就是个个可视化的，直接安装就行。

2：需要下载data数据集：包含：

见此：https://pan.baidu.com/share/init?surl=bdB3mdWBAD8-5uYoa3Kp4Q 提取码：8aum

脚本介绍，以及后续运行顺序

说明：

2：代码运行

运行train_gmm

如果运行报错：

Traceback (most recent call last):
  File "train.py", line 191, in <module>
    main()
  File "train.py", line 176, in main
    train_gmm(opt, train_loader, model, board)
  File "train.py", line 58, in train_gmm
    inputs = train_loader.next_batch()
  File "/vton/cinastanbean-cp-vton/cp_dataset.py", line 166, in next_batch
...
    tensor.sub_(mean[:, None, None]).div_(std[:, None, None])
RuntimeError: output with shape [1, 256, 192] doesn't match the broadcast shape [3, 256, 192]

self.transform = transforms.Compose([  \
        transforms.ToTensor(),   \
        transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
self.transform = transforms.Compose([ \
        transforms.ToTensor(), \
        transforms.Normalize((0.5,), (0.5,))])

测试时，不用改epoch为100，测试用1-10就行

会在：

里面的GMM打开：

3：运行run_gmm

要是报runtime错，请修改batchsize，降低到6左右

要是报一个out of memenoy 请降低n_worker 为0-4左右

然后运行结束后会在data /train 和test 或者val中各添加两个拟合，与掩码图片：

4,然后就运行train _tom

需要一个VGG19模型，请点击：https://blog.csdn.net/Da_Yuan8421/article/details/88836970

写错了。应该是torch 下面的checkpoints里面

运行train_tom这个是生成最后的拟合模型，根据你的epoch数决定

会在根目录的result里面的TOM下生成模型pth

（这个我有训练好65个epoch的）

然后就最后run_tom:

结果如图：（只训练了几个epoch）

目标效果：

5：最后有一些需要修改的地方（报错请看这里）：

要是报runtime错，请修改batchsize，降低到6左右

要是报一个out of memenoy 请降低n_worker 为0-4左右

data中，要改成person，不用原本的（只改名字，结果如图），另外好像要自己建立个VAL文件夹，放入跟test一样的文件就行（这个不确定了）：