首先是傳入數據，這里我們不做贅述。
對于數據格式的裁剪，可以通過以下代碼進行：
from glob import glob
from PIL import Image
import os
from tqdm import tqdm
from tqdm.std import trangeimg_path = glob(r"C:\Users\Administrator\Desktop\Resize\*.png")
path_save = r'C:\Users\Administrator\Desktop\ReSize512'
a = range(0, len(img_path))
i = 0
for file in tqdm(img_path):name = os.path.join(path_save, "%d.jpeg" % a[i])im = Image.open(file).convert("RGB")im=im.resize((512, 512)) # 踩坑一：記得返回！print(im.format, im.size, im.mode)im.save(name, 'jpeg')i += 1
這些代碼主要是通過glob模塊抓取文件，然后通過PIL讀取文件并轉化成RGB格式，然后再resize后保存。
將數據打包成壓縮包，進入服務器終端。
oss cp oss://stylegan3-main.zip ./hy-tmp/
oss cp oss://ReSize512.zip ./hy-tmp/
解包文件
unzip -q stylegan3-main.zip
unzip -q ReSize512.zip -d DataSets/
進入到項目文件，可以輸入
conda env create -f environment.yml
安裝依賴環境，但是服務器已經配置好了部分環境，也可自己選擇配置：
pip install pillow==8.3.1
pip install click==8.0
pip install scipy==1.7.1
pip install requests==2.26.0
pip install tqdm==4.62.2
pip install ninja==1.10.2
pip install matplotlib==3.4.2
pip install imageio==2.9.0
pip install imgui==1.3.0
pip install glfw==2.2.0
pip install pyopengl==3.1.5
pip install imageio-ffmpeg==0.4.3
pip install pyspng
此時處理我們的訓練數據：
python dataset_tool.py --source=../ReSize512 --dest=../ReSize_Input.zip
刪除文件夾
rm -rf 00000/
python train.py --outdir=~/training-runs --cfg=stylegan3-r --data=~/datasets/metfacesu-1024x1024.zip \--gpus=8 --batch=32 --gamma=6.6 --mirror=1 --kimg=5000 --snap=5 \--resume=https://api.ngc.nvidia.com/v2/models/nvidia/research/stylegan3/versions/1/files/stylegan3-r-ffhqu-1024x1024.pkl
注意這里的參數，stylegan3-rR表示平移旋轉等變性，t表示平移等變性，resume表示上次使用的網絡，snap表示每隔多少批次進行輸出，kimg表示訓練批次，gamma表示R1正則參數，越大模型約有創意，記得把matrix設置為None
python train.py --outdir=../training-runs --cfg=stylegan3-t --data=../DataSets/ReSize_Input.zip --gpus=2 --batch=16 --gamma=10 --mirror=1 --kimg=25000 --snap=10 --matrics=None
進入訓練后，在training-runs里可以得到訓練過程信息：
上面是生成的Fake影像，下面是網絡權重，這跟我們的snap參數有關
這個文件放到tensorboard里打開即可查看訓練狀態。
tensorboard --logdir path --port 8848
在Roboflow網址上進行數據標注
完成數據增廣工作
)
)
