科研需要，对GAN生成的图片要做定量评价，因此总结一些自己要用到的一些评价指标。
FID
描述：FID越小，表示生成图片越多样、质量越好。
步骤：
（1）先下载pytorch-fid
pip install pytorch-fid
（2）执行命令
python -m pytorch_fid path/dataset1/test/images path/dataset2/test/images
参数：
path/dataset1/test/images是真实图像路径
path/dataset2/test/images是生成图像路径
注意：
有个额外的参数 --dims N，其中 N 是特征的维度，一共有64、192、768、2048(默认)这四种，表示的是使用Inception的哪一层去测试，一般默认都是2048即最终平均池化特征去测试。
但是官方说如果测试的样本少于2048个可以用–dims这个参数，但这会改变FID分数的大小，因此只有–dims相同时跑出来的分数才有可比性。
不过我看TensorFlow那边的FID说，建议使用10,000的最小样本量来计算 FID，否则会低估生成器的真实FID。所以如果样本量太少建议不使用FID这个指标。
LPIPS
步骤：
（1）下载LPIPS代码
（2）执行命令
python lpips_2dirs.py -d0 imgs/ex_dir0 -d1 imgs/ex_dir1 -o imgs/example_dists.txt --use_gpu
参数：
-d0是真实图像路径
-d1是生成图像路径
-o是输出的结果保存位置
MS-SSIM
代码
把生成图片放在 imgs/fake_img路径下，把真实图片放在 imgs/real_img路径下，然后运行即可
import os
import cv2
import paddle
from paddle_msssim import ssim, ms_ssim
def file_name(file_dir):
img_path_list = []
for root, dirs, files in os.walk(file_dir):
for file in files:
img_path_list.append((os.path.join(root, file),file))
return img_path_list
def imread(img_path):
img = cv2.imread(img_path)
return paddle.to_tensor(img.transpose(2, 0, 1)[None, ...], dtype=paddle.float32)
if __name__ == '__main__':
file_dir = 'imgs/fake_img'
target_dir = 'imgs/real_img'
img_path_list = file_name(file_dir)
target_path_list = file_name(target_dir)
d = 0
for i in range(img_path_list.__len__()):
(img_path, img_name) = img_path_list[i]
(target_path, target_name) = target_path_list[i]
print(img_path)
print(target_path)
fake = imread(img_path)
real = imread(target_path)
distance = ms_ssim(real, fake).cpu().numpy()
print(distance)
d += distance
print('average ms_ssim')
print(d/img_path_list.__len__())
你笑我徒劳，而我一个人在路上，走完的四季，确实你永远体会不到的风景。
Original: https://blog.csdn.net/iiiiiiimp/article/details/123946075
Author: iiiiiiimp
Title: GAN评价指标代码(FID、LPIPS、MS-SSIM)
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/646622/
转载文章受原作者版权保护。转载请注明原作者出处！