CycleGAN

照片拖进去，秒变手绘名画，马也能变斑马

经典无监督图像风格迁移框架，无需成对数据即可实现照片转绘画、马变斑马等趣味效果，广泛应用于风格迁移与图像翻译领域，是计算机视觉领域教科书级的开源项目。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 12872

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junyanz

所属国家

官网地址

GitHubhttps://github.com/junyanz/CycleGAN

定价模式free

价格说明开源项目，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议NOASSERTION

主要语言Lua

技术栈/模型computer-graphics,computer-vision,cyclegan,deep-learning,gan,gans,generative-adversarial-network,image-generation,image-manipulation,pix2pix,torch

GitHub 星标★ 12872

30天Star增速

HF 下载量

上线时间2017-03-30 00:00:00

最近更新2026-09-21 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7

使用教程

难度：高级约 60 分钟部署方式：本地安装 4 步

环境要求

Torch7（Lua 深度学习框架），需按官方 distro 仓库说明安装
luarocks 可用（随 Torch 安装），用于安装 nngraph、class、display 三个包
数据目录下需含 trainA 与 trainB 两个子目录，分别存放 A、B 两个域的图像
可选：testA / testB 子目录存放测试图像
两个域的图像视觉内容应相似（如马↔斑马），否则效果很差

安装与启动步骤

1安装 Torch7

按官方 distro 仓库 https://github.com/torch/distro 的说明安装 Torch 及其依赖，这是本项目的核心运行环境

2安装 Lua 依赖包

用 luarocks 依次安装 nngraph、class 与 display；display 用于可视化训练过程，缺一不可

luarocks install nngraph
luarocks install class
luarocks install https://raw.githubusercontent.com/szym/display/master/display-scm-0.rockspec

3克隆项目仓库

把 CycleGAN 源码下载到本地并进入项目目录，后续脚本都在该目录下运行
```
git clone https://github.com/junyanz/CycleGAN
cd CycleGAN
```
4准备训练数据

在 data 下建数据集文件夹，再建 trainA 和 trainB 两个子目录，分别放入两个域的图片；有测试图可另建 testA、testB

关键配置

配置项	必填	说明	示例
`phase`	否	在 test.lua 中设置，填 train 即可用训练集做测试	`train`
`trainA / trainB`	是	数据目录下必须存在的两个子目录，分别存放 A 域和 B 域图像	`data/dataset/trainA`

如何确认成功

执行 th 能正常进入 Torch 交互环境，且 data 目录下 trainA、trainB 中均已放入图像，即环境与数据准备就绪。

常见问题

Q：必须用 Torch 版本吗？有 PyTorch 版吗？

A：README 首行推荐官方 PyTorch 复现版 junyanz/pytorch-CycleGAN-and-pix2pix，新用户优先用它，本仓库为原版 Torch 实现。

Q：任意两个数据集都能互相转换吗？

A：不可以。README 明确指出两域视觉内容相似效果才好的（如风景画↔风景照），马↔斑马效果不错，而猫↔狗会完全失败。

Q：怎么用训练集来测试模型？

A：在 test.lua 中把 phase 设为 'train'，即可直接在自己用于训练的图像上测试。

Q：训练过程的可视化怎么开启？

A：需要先安装 display 包（luarocks install 对应的 rockspec 地址），该项目用它来显示训练结果。

注意事项

Torch7 已停止维护，安装依赖较繁琐，新手建议改用官方 PyTorch 版本。
README 顶部推荐了后续工作 CUT（contrastive-unpaired-translation），训练更快、更省显存。
数据集组合不要随意搭配，优先选择内容相近的两个域。

核心亮点

首创循环一致性损失，实现无配对图像的风格迁移，突破传统GAN需成对训练数据的限制
代码结构清晰，基于Torch实现，训练和测试流程完整，易于复现和二次开发
提供丰富的预训练模型和示例（如斑马↔马、油画↔照片），社区验证充分，应用广泛

不足之处

依赖Lua/Torch生态，相比现代PyTorch框架维护较少，新手入门门槛较高
训练不稳定且耗时较长，对超参数敏感，生成图像分辨率有限
文档/社区待观察

适用场景

无配对图像风格迁移（如艺术风格转换、季节变换）
图像域转换（如卫星图到地图、素描到彩色）
数据增强（生成合成数据辅助下游任务）

替代项目

pix2pix、StarGAN、MUNIT

项目介绍

CycleGAN 是图像领域的开源项目，由 junyanz 开发，2017 年首次发布。

在全站 13,014 个收录项目中，它的 GitHub 星标数（12,872）位列前 4%，在图像分类的 837 个项目里位列前 2%。

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 2026-09-21。完全免费，可自行部署使用。

它主要面向的使用场景是：无配对图像风格迁移（如艺术风格转换、季节变换）。同类可对比的替代方案包括 pix2pix、StarGAN、MUNIT。

上一篇：satori

下一篇：pix2pix