PyTorch-CycleGAN

用无配对图片训练，轻松实现风格迁移和图像转换

这是一个基于PyTorch的CycleGAN清洁可读实现，用于无配对图像到图像的转换。它解决了传统GAN需要成对训练数据的问题，通过循环一致性损失实现两个域之间的风格迁移，例如将照片转换为油画、马变斑马等。核心能力包括：完整的训练和测试流程、多种数据集支持、可配置的模型参数、以及清晰的代码结构便于学习和二次开发。项目提供了预训练模型和示例脚本，降低了使用门槛。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1320

维护状态低维护

是否开源是

定价模式 free

项目数据

分类图像生成

开发团队aitorzip

所属国家

官网地址

GitHubhttps://github.com/aitorzip/PyTorch-CycleGAN

定价模式free

价格说明开源项目，GPL-3.0许可，可自行部署使用，完全免费。

访问状态

是否开源是

开源协议GPL-3.0

主要语言Python

技术栈/模型artificial-intelligence,computer-graphics,computer-vision,cyclegan,deep-learning,generative-adversarial-network,image-generation,image-processing,pytorch

GitHub 星标★ 1320

30天Star增速

HF 下载量

上线时间2017-12-12 00:00:00

最近更新2026-09-22 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数2

使用教程

难度：入门约 20 分钟部署方式：本地安装 5 步

环境要求

Python 3.6.x（README 明确代码针对该版本，未在更早版本测试）
PyTorch 与 torchvision（按 pytorch.org 上对应环境的说明安装）
Visdom（用于绘制损失曲线并可视化图像）
训练数据：可直接下载 UC Berkeley 已有数据集，或按目录结构自建

安装与启动步骤

1获取项目代码

从 GitHub 克隆 PyTorch-CycleGAN 仓库到本地，然后进入项目根目录执行后续操作。
```
git clone https://github.com/aitorzip/PyTorch-CycleGAN.git
cd PyTorch-CycleGAN
```
2安装 PyTorch 环境

README 要求按 pytorch.org 官网针对你当前系统与 CUDA 版本的说明安装 PyTorch 和 torchvision，本项目未给出固定安装命令。
3安装 Visdom

Visdom 用于绘制损失曲线并在浏览器中查看生成图像，README 给出的安装命令如下。
```
pip3 install visdom
```
4下载标准数据集

使用仓库自带脚本下载 UC Berkeley 提供的数据集，把替换为下方合法数据集名称之一。
```
./download_dataset horse2zebra
```
5准备自定义数据集

若不用现成数据集，按 README 目录结构自建：datasets/<数据集名>/train 与 test 下各有 A、B 两个域图片文件夹。

如何确认成功

数据集下载完成后，datasets/<数据集名>/ 下应出现 train 与 test 目录及其中的 A、B 子目录；Visdom 能正常导入即环境就绪。

常见问题

Q：Python 版本不是 3.6.x 可以运行吗？

A：README 说明代码面向 Python 3.6.x，且未在更早版本测试过，建议使用 3.6.x 环境以减少兼容问题。

Q：download_dataset 支持哪些数据集？

A：apple2orange、summer2winter_yosemite、horse2zebra、monet2photo、cezanne2photo、ukiyoe2photo、vangogh2photo、maps、cityscapes、facades、iphone2dslr_flower、ae_photos。

Q：Visdom 是必须安装的吗？

A：README 将其列为前置依赖，作用是绘制损失图和浏览图像；不安装则无法使用其可视化功能。

Q：如何用自己的图片训练？

A：按 README 结构建立 datasets/<数据集名>/train/A、train/B 和 test/A、test/B，分别放入两个域的图片即可。

注意事项

代码针对 Python 3.6.x 编写，未在更早版本测试。
数据集目录必须严格按 train/A、train/B、test/A、test/B 组织。
README 节选只覆盖到数据集准备阶段，训练与测试的具体命令请以仓库内实际脚本和文档为准。

核心亮点

代码结构清晰，注释完善，适合学习CycleGAN原理和PyTorch实践
支持自定义数据集和多种训练选项，灵活适配不同图像转换任务
提供预训练权重和测试脚本，开箱即用快速体验效果

不足之处

文档相对简略，高级用法和调参指南不够详细
依赖较旧的PyTorch版本，可能需适配新环境

适用场景

学术研究：快速复现CycleGAN基线模型
创意设计：将普通照片转换为艺术风格图像
数据增强：生成不同风格的训练样本

替代项目

CycleGAN-Torch、pytorch-CycleGAN-and-pix2pix、SimGAN

项目介绍

PyTorch-CycleGAN 是模型训练领域的开源项目，由 aitorzip 开发，2017 年首次发布。

在全站 13,090 个收录项目中，它的 GitHub 星标数（1,320）位列前 30%，在模型训练分类中处于中上游。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-22。GPL-3.0许可，可自行部署使用，完全免费。

它主要面向的使用场景是：学术研究：快速复现CycleGAN基线模型。同类可对比的替代方案包括 CycleGAN-Torch、pytorch-CycleGAN-and-pix2pix、SimGAN。

上一篇：diffusion_distiller

下一篇：vae-lagging-encoder