add NOGAN

aihub/deep-learning/Manga-Colorization-FJ/README.md

@@ -1,36 +0,0 @@
-今天再给大家分享一个稍微复杂些的项目——给漫画上色。
-
-<img width="300" alt="640" src="https://user-images.githubusercontent.com/20157705/191451414-772d01b3-e198-4f35-85cc-9f2f02c94236.png">
-
-
-这类项目一般是通过GAN（生成对抗网络）来实现的，GAN一般有两个基础的组件，一个是生成器，另一个是判别器。通俗地理解，生成器生成的目标图片想尽可能地骗过判别器，判别器则要擦亮双眼尽量找出其中的破绽，通过这两个组件不断对抗，最终生成器生成的图片可以达到以假乱真的目的。
-
-该项目有以下几个特性：
-
- - 自动跳过彩色图片 将彩色图片复制到(或放大到)输出文件夹。
- - 为小显存 GPU 添加图片分块 选项。
- - 添加超分辨率 Real-ESRGAN（支持 分块）默认输出75 webp减少体积。
- - 单独的上色、超分辨率等模式。
-
-使用方法如下。
-
-首先下载训练好的生成器模型文件放到./networks目录中
-
-```bash
-wget https://cubeatic.com/index.php/s/PcB4WgBnHXEKJrE/download -O generator.pt
-```
-然后，执行python inference.py即可。执行该命令，可附带一些参数来控制模型的输出，下面列了几个核心的参数：
-
-```bash
--g：使用 GPU
--onlysr：仅放大模式(无上色)
--ca：强制上色模式
--nosr：仅上色模式(无放大)
--sub：处理输入路径（包括子文件夹下）的所有文件
-```
-项目地址：https://github.com/FlotingDream/Manga-Colorization-FJ/blob/main/README_CN.md
-
-模型定义在项目./networks/models.py源文件中可以查看。模型还是比较复杂的，源代码只提供了生成器的网络结构。
-
-想自己训练模型的朋友，可以参考Real-ESRGAN项目，也是在GitHub上开源的项目
-

aihub/deep-learning/NoGAN/README.md

@@ -0,0 +1,66 @@
+NoGAN是一种新型GAN，它能花费最少的时间进行GAN训练。
+
+<img width="300" alt="640" src="https://user-images.githubusercontent.com/20157705/191451414-772d01b3-e198-4f35-85cc-9f2f02c94236.png">
+
+1. 准备工作
+首先，用git clone命令下载源码
+```bash
+git clone https://github.com/jantic/DeOldify.git
+```
+
+进入项目根目录，安装Python依赖包
+```bash
+pip3 install -r requirements.txt
+```
+
+编写代码运行项目之前，需要下载预训练好的模型。项目提供了三个模型
+
+
+区别如下：
+
+ - ColorizeArtistic_gen.pth：在有趣的细节和活力方面实现了最高质量的图像着色效果，该模型在 UNet 上使用 resnet34 为主干，通过 NoGAN 进行了 5 次评论家预训练/GAN 循环重复训练
+
+ - ColorizeStable_gen.pth：在风景和肖像方面取得了最佳效果，该模型在 UNet 上使用 resnet101 为主干，通过 NoGAN 进行了 3 次评论家预训练/GAN 循环重复训练
+
+ - ColorizeVideo_gen.pth：针对流畅的视频进行了优化，它仅使用初始生成器/评论家预训练/GAN NoGAN 训练。由于追求流畅的速度，它的色彩比前两者少。
+
+将下载好的模型文件放在项目根目录的models目录下即可。
+
+
+2. 编写代码
+
+在项目根目录同级目录下创建Python文件，编写代码加载刚刚下载好的模型文件。
+
+```bash
+from DeOldify.deoldify.generators import gen_inference_wide
+from DeOldify.deoldify.filters import MasterFilter, ColorizerFilter
+
+# 指定模型文件
+learn = gen_inference_wide(root_folder=Path('./DeOldify'), weights_name='ColorizeVideo_gen')
+
+# 加载模型
+deoldfly_model = MasterFilter([ColorizerFilter(learn=learn)], render_factor=10)
+```
+root_folder指定项目根目录，weights_name指定接下来使用哪个模型为照片上色。
+
+读取老照片，进行上色
+```bash
+import cv2
+import numpy as np
+from PIL import Image
+
+img = cv2.imread('./images/origin.jpg')
+img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
+pil_img = Image.fromarray(img)
+
+filtered_image = deoldfly_model.filter(
+    pil_img, pil_img, render_factor=35, post_process=True
+)
+
+result_img = np.asarray(filtered_image)
+result_img = cv2.cvtColor(result_img, cv2.COLOR_RGB2BGR)
+cv2.imwrite('deoldify.jpg', result_img)
+```
+用cv2读取老照片，并用PIL.Image模块将图片转换成模型输入所需要的格式，送入模型进行上色，完成后保存。
+
+上述代码是我从项目源码中抽取的，可以看到，运行代码还是非常简单的。