开源技术 * IBM 微讲堂:Kubeflow 系列(观看回放 | 下载讲义) 了解详情

快速神经风格转移

概述

快速神经风格转移(Fast Neural Style Transfer)可以生成将输入图像的内容与另一图像的风格混合起来的新图像。该模型包含一个使用 ResNet 架构的深层前馈卷积网络,并通过感知损失函数在内容图像数据集和给定风格图像之间进行了训练。它在 COCO 2014 数据集和 4 种不同风格的图像上进行了训练。该模型的输入是图像,输出则是一个风格化的图像。该模型基于 Pytorch 快速神经风格转移示例

模型元数据

领域 应用 行业 框架 训练数据 输入数据格式
视觉 风格转移 通用 Pytorch COCO 2014 图像 (RGB/HWC)

参考资料

许可

组件 许可 链接
模型 GitHub 代码仓库 Apache 2.0 许可
模型权重 BSD-3-Clause Pytorch 示例许可
模型代码(第三方) BSD-3-Clause Pytorch 示例许可
测试资产 CC0 样本 README

可用于部署此模型的选项

可使用以下方法部署此模型:

  • 从 Dockerhub 部署:

    docker run -it -p 5000:5000 codait/max-fast-neural-style-transfer
    
  • 在 Red Hat OpenShift 上部署:

    遵照本教程中有关 OpenShift Web 控制台或 OpenShift Container Platform CLI 的操作说明,并将 codait/max-fast-neural-style-transfer 指定为图像名称。

  • 在 Kubernetes 上部署:

    kubectl apply -f https://raw.githubusercontent.com/IBM/MAX-Fast-Neural-Style-Transfer/master/max-fast-neural-style-transfer.yaml
    

    有关如何将此 MAX 模型部署到 IBM Cloud 上的生产环境中的更详细教程,可以在此处找到。

  • 本地部署:遵照 GitHub 上的模型 README 中的说明进行操作

用法示例

部署之后,您可以通过命令行测试该模型。例如:

curl -F "image=@samples/bridge.jpg" -XPOST http://localhost:5000/model/predict?model=udnie > result.jpg && open result.jpg

示例结果

资源和贡献

如果您有兴趣为 Model Asset Exchange 项目做贡献或有任何疑问,按照此处的说明进行操作。

本文翻译自:Fast Neural Style Transfer(2018-09-21)