# Colorization

**Repository Path**: wuxiao_1234/Colorization

## Basic Information

- **Project Name**: Colorization
- **Description**: No description available
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2021-04-28
- **Last Updated**: 2021-04-28

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# Colorization


## 简介
本项目使用Keras2复现论文[Colorful Image Colorization](https://arxiv.org/pdf/1603.08511.pdf)内容。目前，在Github上面找到的有质量的复现代码均为TensorFlow1.x或者PyTorch，这对很多神经网络的新人是不友好的，且前面两者的代码可读性没有Keras强，所以使用Keras复现。


## 配置
本项目所需要的第三方包均在[requirements](/requirements.txt)中列出。使用下面命令安装。（**保证你在本项目根目录**）

`pip install -r requirements.txt`


## 数据准备
访问云盘[链接](https://pan.baidu.com/s/1XtVUDiMFxeJoEKqVQiqUeQs)，下载数据集和预训练模型（提取码19p5）。



## 运行说明
### 训练（train.py）
本脚本用于模型的训练，训练数据要求以多个图片文件放置在根目录下的`data/images/train`中，脚本会自动划分验证集。

**使用`python train.py -h`或者`python train.py --help`查看参数说明**，直接使用`python train.py`将使用默认配置运行脚本，命令行参数说明如下。
- 参数说明
	- `-p` | `--pretrained` [预训练模型位置]
		- 使用此选项加载预训练模型，在此基础上训练
	- `-s` | `--show [yes|no]`
		- 是否显示训练过程
	- `-m` | `--method [all|generator]`
		- 是一次读入所有数据，还是多次读入
	- `-b` | `--batch [2^n]`
		- 训练批量大小
	- `-e` | `--epochs [>=0]`
		- 训练轮次
	- `-l` | `--loss [ce|vce]`
		- 使用哪种损失函数，可以使用交叉熵，或者再平衡的交叉熵

### 测试（test.py）
本脚本用于训练完成的模型的测试。将需要测试的彩色或者灰度图片转为灰度后上色。

**使用`python test.py -h`或者`python test.py --help`查看参数说明**，直接使用`python test.py`将使用默认配置运行脚本，参数说明如下。
- 参数说明
	- `-i` | `--input 输入图片的位置`
		- 不指定将使用根目录下data/images/test文件夹作为默认位置。
	- `-o` | `--output 输出图片位置`
		- 不指定将根目录下results作为输出目录（不存在则创建）。


## 网络搭建
使用Keras Function API搭建（可以使用[Netron](https://lutzroeder.github.io/netron/)可视化模型构建结构），模型概念结构示意图如下。

![](./asset/structure.png)


## 模型训练
实际模型的训练，由于设备限制，没有在imagenet全集上训练，而是挑选了部分风景子集，所以图片的数量不多，为了减少参数，最后两个block的卷积核数目均做了减半处理。如果在ImageNet上训练需要较长时间，但是效果较好，小数据集泛化能力较差。