关于命令行参数问题

[liuna0211]

1. When training the SRN, --images /path/to/images
   --edges_prefix /path/to/edge
   --output /path/to/output/dir I see that the code says path of input sketches, and I want to know if the path to the sketch generated here for data processing is the path or the original image path.
2. When training SRN, I need to add evaluation: I am currently using the celeba-hq dataset, with a score of 1000 as the validation set and 1000 as the test set
   --images_val 1000 original image paths of the validation set
   --masks_val 我想知道这个masks自己下载吗
   --sketches_prefix_val 1000张验证集生成的草图路径
   --edges_prefix_val 1000张验证集生成的边缘图路径
   3.推理部分也有俩个mask路径 分别为 --masks /path/to/test/masks
   --masks /path/to/masks 这两个mask是下载测试协议中的mask吗 还是和训练部分相同是自己下载的。
   问题有点多，麻烦您了

[AlonzoLeeeooo]

1. --edges_prefix 指的就是ground truth edge，也就是BDCN从ground truth images中提取出来的edge maps，sketch会在定义数据集的对edge做形变产生，具体可以参考SRN_src/dataset.py中__getitem__的这段代码：
   

   SketchRefiner/SRN_src/dataset.py

   Lines 34 to 81 in a4015d0

   	def __getitem__(self, index):
   	data = {}
   	data['image'] = cv2.imread(self.image_flist[index])
   	filename = osp.basename(self.image_flist[index])
   	if filename.split('.')[1] == "JPEG" or filename.split('.')[1] == "jpg":
   	filename = filename.split('.')[0] + '.png'
   	prefix = self.image_flist[index].split(filename)[0]
   	data['edge'] = cv2.imread(osp.join(self.configs.edges_prefix, filename))
   	# data['edge'] = cv2.imread(prefix + filename + '_edge.png')
   	# generate free-form mask
   	data['mask'] = generate_stroke_mask(im_size=[self.configs.size, self.configs.size])
   	# normalize
   	# images in range [-1, 1]
   	# masks in range [0, 1]
   	# edges in range [0, 1]
   	data['image'] = data['image'] / 255.
   	data['edge'] = data['edge'] / 255.
   	# resize
   	data['image'] = cv2.resize(data['image'], (self.configs.size, self.configs.size), interpolation=cv2.INTER_NEAREST)
   	data['edge'] = cv2.resize(data['edge'], (self.configs.size, self.configs.size), interpolation=cv2.INTER_NEAREST)
   	# binarize
   	thresh = random.uniform(0.65, 0.75)
   	_, data['edge'] = cv2.threshold(data['edge'], thresh=thresh, maxval=1.0, type=cv2.THRESH_BINARY)
   	# to tensor
   	# [H, W, C] -> [C, H, W]
   	data['image'] = torch.from_numpy(data['image'].astype(np.float32)).permute(2,0,1).contiguous()
   	data['mask'] = torch.from_numpy(data['mask'].astype(np.float32)).permute(2,0,1).contiguous()
   	data['edge'] = torch.from_numpy(data['edge'].astype(np.float32)).permute(2,0,1).contiguous()
   	# generate deform sketches
   	data['sketch'] = self.deform_func(data['edge'].unsqueeze(0), self.max_move).squeeze(0)
   	# compress RGB channels to 1 ([C, H, W])
   	data['sketch'] = torch.sum(data['sketch'] / 3, dim=0, keepdim=True)
   	data['edge'] = torch.sum(data['edge'] / 3, dim=0, keepdim=True)
   	# return data consisting of: image, mask, sketch, edge
   	data['sketch'] = data['sketch'].detach()
   	return data

   
   其中，73行做了sketch deformation：
   

   SketchRefiner/SRN_src/dataset.py

   Line 73 in a4015d0

   data['sketch'] = self.deform_func(data['edge'].unsqueeze(0), self.max_move).squeeze(0)

2. 做validation的话，验证集可以自己准备，可以参考我之前的设定：

• --images_val从CelebA-HQ中抽1,000张训练没见过的图片；
• --masks_val用DeepFill-v2的Free-form masks随机生成1,000张；
• --edges_prefix_val用BDCN从1,000张验证集图片中抽取出的edge map；
• --sketches_prefix_val单独用scripts/make_deform_sketch.py对1,000张ground truth edge map做deformation。

3. 推理部分你说的这两个--masks应该是同一个，第一个是用于SRN对sketch做修复的，第二个是inpainting网络的mask。

以上，希望能解决你的问题。

[liuna0211]

感谢您的回复， parser.add_argument('--images', type=str, default='', help='path of input sketches') 是这个命令行参数，是ground truth 路径 还是生成的sketches路径。另外，关于mask的路径，我还是有点不理解，这三个mask路径是否都是用DeepFill-v2的Free-form masks随机生成1,000张掩码图像，只是单纯的掩码，而不是将生成的掩码应用到图像上。那我是否可以使用https://blog.csdn.net/sinat_28442665/article/details/110872730#_NVIDIA_Irregular_Mask_Dataset_Testing_Setmask_6 NVIDIA_Irregular_Mask_Dataset_Testing_Setmask_6这种掩码图像呢。

[AlonzoLeeeooo]

1. --images这个命令行参数对应的应该是ground truth images的本地路径，comment部分是typo，已经在这条commit中修复；
2. 训练时我们用的时候DeepFill-v2随机生成的mask，可以看到这行代码：
   

   SketchRefiner/SRN_src/dataset.py

   Line 49 in ac5179c

   data['mask'] = generate_stroke_mask(im_size=[self.configs.size, self.configs.size])

   
   理论上使用NVIDIA mask set肯定是没问题的，然后在命令行参数--masks中指定本地mask set的路径就可以了。代码上只需参照ValDataset数据集类里面的写法，再对应修改上面这行，将mask从本地读取即可。

[liuna0211]

如果我想用您这种方式，不修改训练代码，我如何保存mask呢,是写一段脚本随机生成1000张。然后在命令行参数中指定本地mask 的路径，还是说使用这种方法，我就不需要加这条命令行了呢

[AlonzoLeeeooo]

如果我想用您这种方式，不修改训练代码，我如何保存mask呢,是写一段脚本随机生成1000张。然后在命令行参数中指定本地mask 的路径，还是说使用这种方法，我就不需要加这条命令行了呢

如果你做验证的时候想用free-form masks的话，单独把get_stroke_mask()拿出来写个脚本，然后生成固定的1,000张，在后续的验证中统一用这个集合即可。get_stroke_mask()可以直接从下面复制：

SketchRefiner/SRN_src/utils.py

Lines 116 to 123 in ac5179c

	def generate_stroke_mask(im_size, parts=4, maxVertex=25, maxLength=80, maxBrushWidth=40, maxAngle=360):
	mask = np.zeros((im_size[0], im_size[1], 1), dtype=np.float32)
	for i in range(parts):
	mask = mask + np_free_form_mask(maxVertex, maxLength, maxBrushWidth, maxAngle, im_size[0], im_size[1])
	mask = np.minimum(mask, 1.0)
	return mask

脚本大致就是numpy和cv2的一些基本操作，可以直接让cursor帮你写一个。

[liuna0211]

好的 非常感谢