Skip to content

Latest commit

 

History

History
118 lines (80 loc) · 3.29 KB

data_prepare.md

File metadata and controls

118 lines (80 loc) · 3.29 KB

数据准备

1. 数据集路径配置

现有的配置默认数据集的路径是在$PaddleGAN/data下,目录结构如下图所示。如果你已经下载好数据集了,建议将数据集软链接到 $PaddleGAN/data

PaddleGAN
|-- configs
|-- data
|   |-- cityscapes
|   |   ├── test
|   |   ├── testA
|   |   ├── testB
|   |   ├── train
|   |   ├── trainA
|   |   └── trainB
|   ├── horse2zebra
|   |   ├── testA
|   |   ├── testB
|   |   ├── trainA
|   |   └── trainB
|   └── facades
|       ├── test
|       ├── train
|       └── val
|-- docs
|-- ppgan
|-- tools

如果将数据集放在其他位置,比如 your/data/path, 你可以修改配置文件中的 dataroot 参数:

dataset:
  train:
    name: PairedDataset
    dataroot: your/data/path
    num_workers: 4

2. 准备数据集

2.1 下载数据集

2.1.1 CycleGAN模型相关的数据集下载

  • 从网页下载

CycleGAN模型相关的数据集可以在这里下载,下载后记得软连接到 PaddleGAN/data/ 下。

  • 使用脚本下载

我们在 PaddleGAN/data 文件夹下提供了一个脚本 download_cyclegan_data.py 方便下载CycleGAN相关的 数据集。

目前支持下载的数据集名称有:apple2orange, summer2winter_yosemite,horse2zebra, monet2photo, cezanne2photo, ukiyoe2photo, vangogh2photo, maps, cityscapes, facades, iphone2dslr_flower, ae_photos, cityscapes

执行如下命令,可以下载对应的数据集到 ~/.cache/ppgan 并软连接到 PaddleGAN/data/ 下。

python data/download_cyclegan_data.py --name horse2zebra

2.1.2 Pix2Pix相关的数据集下载

  • 从网页下载

pixel2pixel模型相关的数据集可以在这里下载,下载后记得软连接到 PaddleGAN/data/ 下。

  • 使用脚本下载

我们在 PaddleGAN/data 文件夹下提供了一个脚本 download_pix2pix_data.py 方便下载pix2pix模型相关的数据集。

目前支持下载的数据集名称有:apple2orange, summer2winter_yosemite,horse2zebra, monet2photo, cezanne2photo, ukiyoe2photo, vangogh2photo, maps, cityscapes, facades, iphone2dslr_flower, ae_photos, cityscapes。

同理,执行如下命令,可以下载对应的数据集到 ~/.cache/ppgan 并软连接到 PaddleGAN/data/ 下。

python data/download_pix2pix_data.py --name cityscapes

2.2 自制数据集

2.2.1非成对数据集构建

针对不需成对数据训练的模型,如CycleGAN等,如需使用自己的数据集,需要构造成如下目录的格式。

注意 xxxAxxxB文件数量,文件内容无需一一对应。

custom_datasets
├── testA
├── testB
├── trainA
└── trainB

2.2.2 成对数据集构建

针对需要成对数据训练的模型,如Pixel2Pixel等,如需使用自己的数据集,需要构造成如下目录的格式。

注意图片应该制作成下图的样式,即左边为一种风格,另一边为相应转换的风格。

facades
├── test
├── train
└── val