• 🏡 Home
  • 🚨 GDPR Compliant
  • ⚡️ Data Science
  • 📌 Machine Learning
  • 🔒 Privacy Preserving
  • 🏡 Home
  • 🚨 GDPR Compliant
  • ⚡️ Data Science
  • 📌 Machine Learning
  • 🔒 Privacy Preserving
Guide

Guida Deep Photo Style Transfer in Tensorflow | Computer Vision

Guida Deep Photo Style Transfer in Tensorflow | Computer Vision

Una curiosa e sorprendente applicazione del machine learning alle foto: trasferire uno stile da un’immagine ad un’altra grazie alla computer vision. 

In questa guida imparerai a creare splendide immagini con l’ausilio di tensorflow e di una rete neurale artificale.

Requisti Hardware

La maggior parte dei processi di machine learning richiede macchine performanti, questo non è da meno. Se sei privo di GPU con memoria RAM dedicata, e ti limiti a possedere un laptop con i5 o anche i7, ti conviene lasciare perdere. 

Puoi sempre provare, ma i tempi di processing crescono a dismisura. Con una 1070, un i5 6700k (non OC) e 8GB di RAM ho ottenuto ottimi risultati. Usa questi dati come riferimento.

Download deep-photo-styletransfer-tf

Collegati alla respository di GitHub e scarica i file. Estrai poi l’archivio in una cartella da te scelta.

Deep Photo Style Transfer Tensorflow Repository | Download GitHub

Ora, affinché il sistema funzioni correttamente hai bisogno di un modello allenato ad effettuare questo tipo di operazioni. Come puoi leggere sul Readme, uno compatibile è il VGG-19.

Collegati al link sottostante e scarica il modello. (La differenza riguarda il numero di classi e altri parametri che tuttavia assumo importanza solo in lavori più complessi.)

VGG19 (*.NPY) | Download Google Drive

E’ normale che Drive non riesca a analizzare il file per riscontrare eventuali virus. Ti devi fidare.

Configurazione cartelle

Ora apri l’archivo zip della repository e nella cartella:

deep-photo-styletransfer-tf-master\vgg19

Inserisci il file:

vgg19.npy

Scegli le foto

Ai seguenti percorsi trovi una serie di foto e stili tra cui scegliere.

[stili] deep-photo-styletransfer-tf-master\examples\style
[foto] deep-photo-styletransfer-tf-master\examples\input

Ti fermo subito: non puoi prendere una bella foto del mare, spostarla in una di queste cartelle, premere invio e aspettarti che l’AI applichi tuto all’immagine.

Questo sistema, per poter funzionare, necessita delle maschere di segmentazione. Ossia un’immagine che, ricavata da una foto originaria, contenga un numero variabile di regioni uniformi e disgiunte che gli script usano per non creare una foto che sembri uscita dal deretano di un cinghiale. O dal culettino profumato di un bambino, ecco un’immagine meno forte.

Al momento quindi, dovrai limitarti a scegliere una foto da modificare e uno stile da usare tra quelli presenti nella repository. 

Niente panico

Se vuoi davvero usare una tua foto, mi sto attrezazzando per trovare la giusta configurazione. Per il momento, siamo in fase LOG.

Creazione immagine ibrida

Con anaconda prompt è molto facile avviare l’ibridazione. Digita dal prompt:

python deep_photostyle.py --content_image_path  --style_image_path  --content_seg_path  --style_seg_path  --style_option 2

Aggiugnendo per ogni voce i percorsi delle immagini che vuoi usare. Dato che ti consoco, e hai la pazienza di un bambino che vuole aprire i regali la viglia di Natale, puoi anche fidarti di me e sperimentare questa combinazione:

python deep_photostyle.py --content_image_path ./examples/input/in56.png --style_image_path ./examples/style/tar9.png --content_seg_path ./examples/segmentation/in56.png --style_seg_path ./examples/segmentation/tar9.png --style_option 2

Potresti dover importare qualche libreria, leggi i messaggi di errore e con una rapida ricerca su Google avrai vita facile. Eventualmente, queste sono le librerie che devi installare:

pip install pillow
pip install scipy
pip insall numpy

A te il divertimento!

Alla prossima!

Un caldo abbraccio, Andrea.

Written by Andrea Provino - Dicembre 26, 2018
Next Post
Previous Post

Una pubblicità che non vedi se usi AdBlock

EXPAND YOUR KNOWLEDGE

  • Blockchain Developer

    Circuito aritmetico

    Novembre 1, 2022
  • machine-learning

    Un nuovo inizio

    Settembre 4, 2021
  • Zero Knwoledge Proof Article Privacy Preserving

    Zero Knowledge Proof: zk-SNARK e zk-STARK | Prova a conoscenza zero

    Luglio 8, 2021
  • oblivious-transfer-spiegazione-italiano-ot-explanation Privacy Preserving

    Oblivious Transfer (OT)

    Luglio 6, 2021
  • Aleo Studio Website Preview machine-learning

    Aleo Studio: un IDE per Zero-Knowledge Proofs Applications

    Luglio 1, 2021
  • privacy-enhancing-technologies-data-machine-learning-data-science Privacy Preserving

    Perché il Privacy Tech è un vantaggio competitivo micidiale

    Giugno 17, 2021
  • bloom-filter-spiegazione-italian Privacy Preserving

    Bloom Filter

    Giugno 3, 2021
  • trusted-execution-environment-tee-data-science-come-fuziona Data Science, Privacy Preserving

    Trusted Execution Environment | Cos’è un TEE?

    Giugno 2, 2021
  • Crypto Custody services machine-learning

    Crypto Custody: Guida alla custodia delle criptomonete

    Maggio 26, 2021
  • deep-q-learning-q-learning-reinforcement-learning machine-learning

    Deep Q-Learning

    Aprile 27, 2021

Quello che Google pensa ti possa piacere

Prodotti che i Cookie dicono potresti trovare interessanti

AI Blog - © 2019-2021 Andrea Provino