Erstellung eines Datensets

• Für die Erstellung eines Datensets muss lediglich eine JSON datei angelegt werden, in der man notiert wird welche klasse wie viele Bilder bekommen soll.
• Als Beispiel steht die example_config.json in utils/dataprocessor zur verfügung
• Anschließend muss nurnoch wie folgt die main.py gestartet werden

  python main.py -model="no_model" -method="make_data" --input="_hier den pfad zur JSON_" --output= "_hier den Pfad angeben in dem die daten enden_"
  

SNGAN

• Unterstützt zwei methods: "train" und "generate"

• Die notwendigen Parameter für train sind wie folgt:

  • "--output": Der Ordner in dem die Models und sample gespeichert werden.

  • "--epochs": Gibt die Anzahl an zu trainierenden Epochen.

  • "--device": Das Gerät auf dem Trainiert wird [cpu oder cuda]

  • "--class_num": Gibt die Anzahl an Bildklassen an, die im Datenpool vorhanden sind.

  • "latent_size": Gibt die Größe des Latenten Raums des Generators an.

  • Input kann hier ausgelassen werden. Stattdessen sollen die Trainingsdaten in dem Ordner "data/train/train_SNGAN/" abgelegt werden. Dafür sollten die Bilder aus der vorherigen Erzeugung des Datensetzt mitsamt der Labeldatei in diesem Ordner abgelegt werden

  • Beispiel:

    python main.py -model="sngan" -method="train" --output="_gewünschter Pfad_" --epochs=20 --device="cuda" --num_classes=8 --latent_size=128
    

• Die notwendigen Parameter für generate sind wie folgt:

  • "--output": Der Ordner in dem die Bilder gespeichert werden.

  • "--weights": Das State Dict eines Trainierten Generators.

  • "--num_pics": Gibt die Anzahl der zu erzeugenden Bilder.

  • "--device": Das Gerät auf dem Trainiert wird [cpu oder cuda]

  • "--num_classes": Gibt die Anzahl an Bildklassen an von denen erzeugt werden soll.

  • "latent_size": Gibt die Größe des Latenten Raums des Generators an.

  • Beispiel:

    python main.py -model="sngan" -method="generate" --output="_gewünschter Pfad_" --num_pics=8 --device="cuda" --num_classes=8 --latent_size=128
    

• ProGAN

  • ProGAN unterstüzt zwei Methoden: train und generate

  • Für beide Methoden reicht es die notwendigen Parameter zu definieren

  • Zusätzlich können weitere Parameter gesetzt werden:

    • '-f' oder '--fade_ins': 6 Zahlen oder 1 Zahl in % mit '-' separiert (50-50-50-50-50-50 oder 50)
      • definiert wie groß die Fade Ins für den Generator pro Tiefe sein werden
    • '-ep' oder '--epochs': 6 Ganzezahlen mit '-' separiert (wie oben)
      • definiert wie viele Epochen pro Tiefe das Modell trainiert wird
    • '-np' oder '--num_pics': eine Ganzezahl
      • definiert, wie viele Bilder generiert werden sollen

  • der ProGAN trainiert aufsteigend. Er beginnt mit der Auflösung 8x8 und mit jeder weiteren Tiefe steigt die Auflösung um 2^(n+1)

  • Beispiel Aufruf: python main.py -model=progan -method=train -i=./models/CGAN/ZeldaALinkToThePast-Split -o=./trained_model -ep=20-40-60-100-150-200 -f=50

  • Beispiel Ausgabe:

    Using model: progan
    Using method: train
    Input directory: ./models/CGAN/ZeldaALinkToThePast-Split
    Output directory: ./trained_model
    Fade ins in %: [50, 50, 50, 50, 50, 50]
    Epochs per resolution (1-6): [20, 40, 60, 100, 150, 200]
    
    Dataset was initialized
    Dataset ImageFolder
      Number of datapoints: 688
      Root location: ./models/CGAN/ZeldaALinkToThePast-Split
      StandardTransform
    Transform: ToTensor()
    [torch.Size([3, 256, 256])]
    Generator is being initialized
    Initialization complete
    
    Starting the training process ...
    
    Currently working on Depth:  1
    Current resolution: 8 x 8
    Ticker 1
    
    Epoch: 1
    Elapsed: [0:00:15.227995]  batch: 1  d_loss: -0.450853  g_loss: 3.245314
    

• Pix2Pix

  • Pix2Pix unterstüzt zwei Methoden: train und generate

  • Für beide Methoden sind die Argumente -i/--input (), -o/--output, -w/--weights notwendig, siehe folgende Ordner-Struktur.

    .
    ├── input
    │   ├── drawing
    │   │   ├── 1.png
    │   │   └── 2.png
    │   └── original
    │       ├── 1.png
    │       └── 2.png
    ├── output
    └── weights
        ├── best_weights.h5
        └── generator.h5
    
    6 directories, 6 files
    

    • Im übergebenen Input-Ordner erwartet das Modell die Unterordner drawing und original mit den jeweiligen Tiles des Kartensatzes und den dazugehörigen Zeichnungen.
    • Im Output-Ordner werden die Samples sowie die CSV-Dateien mit den Losses angelegt.
    • Im Weights-Ordner werden die Gewichte abgelegt und ggf. bereits vorhandene Gewichte mit den Dateinamen bes_weights.h5 und generator.h5 geladen.

  • Bei der Methode generate wird zusätzlich ein Ordner generated im Ordner output angelegt, der die Zeichnungen aus input/drawing in Kartendaten umwandelt. Der Ordner input/original ist in dem Fall nicht erforderlich.

  • Beispiel

    python main.py \
      --model pix2pix \
      --method train
      -i ./dataset \
      -o ./ \
      -w ./weights
    
    python main.py \
      --model pix2pix \
      --method generate
      -i ./dataset \
      -o ./ \
      -w ./weights