Delete ‘img’
相对于A榜和B榜的测试集(训练集都是相同的)，本项目的两个主要结果如下图。
本项目包含了第二届计图挑战赛计图 - 草图生成风景比赛的代码实现。本项目将pix2pix的生成器模型换成了pix2pixHD的全局生成器模型（G1生成器），效果相对于pix2pix有了很大的提升，图片变得更加清晰，纹理更加明显。代码中也包含了pix2pix的U-net模型和带跳跃连接的U-net模型可供选择，不同的生成器对生成图片的质量也有很大的影响。
本项目采用jittor的基本框架实现，具体的安装可以从这里查看jittor详细安装教程。
执行以下命令安装 python 依赖
pip install -r requirements.txt
预训练模型在<pre_models>文件夹下面。里面包含了带跳跃连接的U-net和pix2pixHD全局生成器的生成器模型，还有鉴别器模型（鉴别器都是一样的），读者可以自行挑选想要的预训练模型到<results/saved_models>文件夹下进行测试。
<pre_models>
<results/saved_models>
训练集可以点击这里进行下载，A榜的测试集可以点击这里下载，B榜的测试集可以点击这里下载。 训练集下载完成后导入<train>文件夹即可。 测试集下载完成后导入<val>文件夹即可。 注意！<train>和<val>文件夹目录如下:
<train>
<val>
├── train │ ├── imgs │ ├── labels
├── val │ ├── labels
本项目训练在单块Teala A100上完成的，显存为40GB，平均每200轮训练所需要的时间为2天。本项目所需要的显存大概为17GB。 将训练集和测试集准备完成后可执行以下命令进行训练：
python pix2pix.py
单卡训练可运行以下命令：
bash scripts/train.sh
多卡训练可以运行以下命令：
bash scripts/train-multigpu.sh
本项目是pix2pix与pix2pixHD相结合的，由于代码能力有限，没有完全将pix2pixHD所有的东西结合起来，仅将pix2pix生成器修改为pix2pixHD的全局生成器 两个模型图具体如下。
此项目基于Image-to-Image Translation with Conditional Adversarial Networks（参考代码）和High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs 实现（参考代码） 另外也参考了jittor的官方基础库，点击这里可以查看详细的代码。 本项目也是依据jittor基础框架实现，点击这里可以详细查看jittor的源代码，点击这里可以查看将pytroch代码转化为jittor代码的详细教程。
点击项目的“设置”，在Description一栏中添加项目描述，需要包含“jittor”字样。同时在Topics中需要添加jittor。
本项目为2022年第二届jittor挑战赛第一赛题项目
Jittor 草图生成风景比赛 pix2pix和pix2pixHD
主要结果
相对于A榜和B榜的测试集(训练集都是相同的)，本项目的两个主要结果如下图。
A榜结果
B榜结果
简介
本项目包含了第二届计图挑战赛计图 - 草图生成风景比赛的代码实现。本项目将pix2pix的生成器模型换成了pix2pixHD的全局生成器模型（G1生成器），效果相对于pix2pix有了很大的提升，图片变得更加清晰，纹理更加明显。代码中也包含了pix2pix的U-net模型和带跳跃连接的U-net模型可供选择，不同的生成器对生成图片的质量也有很大的影响。
安装
本项目采用jittor的基本框架实现，具体的安装可以从这里查看jittor详细安装教程。
运行环境
安装依赖
执行以下命令安装 python 依赖
预训练模型
预训练模型在
<pre_models>文件夹下面。里面包含了带跳跃连接的U-net和pix2pixHD全局生成器的生成器模型，还有鉴别器模型（鉴别器都是一样的），读者可以自行挑选想要的预训练模型到<results/saved_models>文件夹下进行测试。数据预处理
训练集可以点击这里进行下载，A榜的测试集可以点击这里下载，B榜的测试集可以点击这里下载。
训练集下载完成后导入
<train>文件夹即可。 测试集下载完成后导入<val>文件夹即可。注意！
<train>和<val>文件夹目录如下:训练
本项目训练在单块Teala A100上完成的，显存为40GB，平均每200轮训练所需要的时间为2天。本项目所需要的显存大概为17GB。
将训练集和测试集准备完成后可执行以下命令进行训练：
单卡训练可运行以下命令：
多卡训练可以运行以下命令：
推理
本项目是pix2pix与pix2pixHD相结合的，由于代码能力有限，没有完全将pix2pixHD所有的东西结合起来，仅将pix2pix生成器修改为pix2pixHD的全局生成器 两个模型图具体如下。
如上图所示，pix2pixHD的生成器模型中的G1用到了pix2pix中的生成器。
致谢
此项目基于Image-to-Image Translation with Conditional Adversarial Networks（参考代码）和High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs 实现（参考代码）
另外也参考了jittor的官方基础库，点击这里可以查看详细的代码。
本项目也是依据jittor基础框架实现，点击这里可以详细查看jittor的源代码，点击这里可以查看将pytroch代码转化为jittor代码的详细教程。
注意事项
点击项目的“设置”，在Description一栏中添加项目描述，需要包含“jittor”字样。同时在Topics中需要添加jittor。