- Установите зависимости:
pip install -r requirements.txt
Для установки cairosvg на Windows, запустите:
pip install cairosvg pipwin
pipwin install cairocffi
- Скачайте веса.
Для генерации одного SVG изображения, запустите:
python -m tools.generate_svg --checkpoint [checkpoint_path] --output [output_image.svg]
Для генерации 9 SVG изображений за один подход, запустите:
python -m tools.generate_svg_3x3 --checkpoint [checkpoint_path] --output [output_image.png]
Где checkpoint_path - путь к скаченным весам
Для обучения модели требуется датасет с SVG изображениями. Запустите модуль для конвертации изображений в формат, подходящий для модели:
python -m dataset.prepare_dataset --data_folder [folder with .svg files] --output_folder [folder for prepared dataset]
Для добавления аугментации к датасету, запустите следующую команду:
python -m dataset.extend_with_augmentations --data_folder [output folder from last step] --output_folder [folder for prepared dataset with augmentations]
Количество и список аугментаций может быть изменен в исходном коде.
Вы можете проверить корректность конвертации с помощью команды:
python -m tools.draw_from_dataset --input [our format file] --output [resulting .svg file]
Для запуска обучения автоэнкодера запустите:
python -m train.train_vae --input [prepared dataset] --checkpoint_output [resulting models]
Вы можете продолжить обучение с контрольной точки, указав опцию --checkpoint_input.
Вы можете изменить параметры модели, переопределив их в configs/config.py.
Для проверки качества автоэнкодера используйте модуль, который применяет модель к набору данных:
python -m tools.apply_autoencoder --input [our format file] --checkpoint [checkpoint path] --output [resulting .svg file]
Для запуска обучения диффузионной модели, запустите:
python -m train.train_diffusion --input [prepared dataset] --checkpoint_input [checkpoint with VAE] --checkpoint_output [resulting models]
Теперь вы можете генерировать изображения на основе приведенной выше инструкции!