UGATIT_83w

UGATIT_83w

模型名称	UGATIT_83w
类别	图像 - 图像生成
网络	U-GAT-IT
数据集	selfie2anime
是否支持Fine-tuning	否
模型大小	41MB
最新更新日期	2021-02-26
数据指标	-

一、模型基本信息

• 应用效果展示

  • 样例结果示例(左为原图，右为效果图)：

    

• 模型介绍

  • UGATIT 图像风格转换模型, 模型可将输入的人脸图像转换成动漫风格.

二、安装

• 1、环境依赖

  • paddlepaddle >= 1.8.2

  • paddlehub >= 1.8.0

• 2、安装

  • $ hub install UGATIT_83w

  • 如您安装时遇到问题，可参考：零基础windows安装 | 零基础Linux安装 | 零基础MacOS安装

三、模型API预测

• 1、预测代码示例

  • import cv2
    import paddlehub as hub
    
    # 模型加载
    # use_gpu：是否使用GPU进行预测
    model = hub.Module(name='UGATIT_83w', use_gpu=False)
    
    # 模型预测
    result = model.style_transfer(images=[cv2.imread('/PATH/TO/IMAGE')])
    
    # or
    # result = model.style_transfer(paths=['/PATH/TO/IMAGE'])

• 2、API

  • def style_transfer(
        self,
        images=None,
        paths=None,
        batch_size=1,
        output_dir='output',
        visualization=False
    )

    • 风格转换API，将输入的人脸图像转换成动漫风格。

    • 参数

      • images (list[numpy.ndarray]): 图片数据，ndarray.shape 为 [H, W, C]，默认为 None；
      • paths (list[str]): 图片的路径，默认为 None；
      • batch_size (int): batch 的大小，默认设为 1；
      • visualization (bool): 是否将识别结果保存为图片文件，默认设为 False；
      • output_dir (str): 图片的保存路径，默认设为 output

      NOTE: paths和images两个参数选择其一进行提供数据

    • 返回

      • res (list[numpy.ndarray]): 输出图像数据，ndarray.shape 为 [H, W, C]

四、服务部署

• PaddleHub Serving可以部署一个在线图像风格转换服务。

• 第一步：启动PaddleHub Serving

  • 运行启动命令：

  • $ hub serving start -m UGATIT_83w

  • 这样就完成了一个图像风格转换的在线服务API的部署，默认端口号为8866。

  • NOTE: 如使用GPU预测，则需要在启动服务之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置。

• 第二步：发送预测请求

  • 配置好服务端，以下数行代码即可实现发送预测请求，获取预测结果

  • import requests
    import json
    import cv2
    import base64
    
    
    def cv2_to_base64(image):
        data = cv2.imencode('.jpg', image)[1]
        return base64.b64encode(data.tostring()).decode('utf8')
    
    
    # 发送HTTP请求
    data = {'images':[cv2_to_base64(cv2.imread("/PATH/TO/IMAGE"))]}
    headers = {"Content-type": "application/json"}
    url = "http://127.0.0.1:8866/predict/UGATIT_83w"
    r = requests.post(url=url, headers=headers, data=json.dumps(data))
    
    # 打印预测结果
    print(r.json()["results"])

五、更新历史

• 1.0.0

  初始发布