Python相片视频转卡通动漫风格效果源码方案_python视频转卡通模型下载

相片转卡通动漫风格的比较多，而且各大bat厂都有很多方案，很多都能免费用一段时间。市场上应用也算是比较广泛。本质就算通过api请求大厂服务器，然后返回一张风格画的图片。但是对于视频风格化的源码方案非常少。原因有：1：视频对分辨率要求高 ，视频的帧率高很多视频帧率都是30，也就是1秒30张图，运算量非常大。2：视频风格化运算量大，这样时间花费更长，而应用又没那么广泛。图片很多都是做头像娱乐一下使用，视频估计也就能发下抖音，本人打算做搬运。它还可以制作卡通动画吗？！用来制作影视制作后期也是可以的。

本方案能离线在本地电脑运行，算力使用cpu或者gpu.支持视频/图片 4种动漫卡通风格化选择。 

【源码在文章的最后，关注订阅可见】

 对于人物肖像：

对于风景效果：

由此源码开发的软件叫：mcartoon ，我们来看看这个软件界面和视频风格化的视频效果。

 软件有4种风格可选，对于不同画风的图片，选择合适的风格达到最好的效果。

上代码：

环境：python 3.6+ , tensorflow ,torch.

import os
import argparse
 
from PIL import Image
import numpy as np
 
import torch
from torchvision.transforms.functional import to_tensor, to_pil_image
 
from model import Generator
 
 
torch.backends.cudnn.enabled = False
torch.backends.cudnn.benchmark = False
torch.backends.cudnn.deterministic = True
 
 
def load_image(image_path, x32=False):
    img = Image.open(image_path).convert("RGB")
 
    if x32:
        def to_32s(x):
            return 256 if x < 256 else x - x % 32
        w, h = img.size
        img = img.resize((to_32s(w), to_32s(h)))
 
    return img
 
 
def test(args):
    device = args.device
    
    net = Generator()
    net.load_state_dict(torch.load(args.checkpoint, map_location="cpu"))
    net.to(device).eval()
    print(f"model loaded: {args.checkpoint}")
    
    os.makedirs(args.output_dir, exist_ok=True)
 
    for image_name in sorted(os.listdir(args.input_dir)):
        if os.path.splitext(image_name)[-1].lower() not in [".jpg", ".png", ".bmp", ".tiff"]:
            continue
            
        image = load_image(os.path.join(args.input_dir, image_name), args.x32)
 
        with torch.no_grad():
            image = to_tensor(image).unsqueeze(0) * 2 - 1
            out = net(image.to(device), args.upsample_align).cpu()
            out = out.squeeze(0).clip(-1, 1) * 0.5 + 0.5
            out = to_pil_image(out)
 
        out.save(os.path.join(args.output_dir, image_name))
        print(f"image saved: {image_name}")
 
 
if __name__ == '__main__':
 
    parser = argparse.ArgumentParser()
    parser.add_argument(
        '--checkpoint',
        type=str,
        default='./weights/paprika.pt',
    )
    parser.add_argument(
        '--input_dir', 
        type=str, 
        default='./samples/inputs',
    )
    parser.add_argument(
        '--output_dir', 
        type=str, 
        default='./samples/results',
    )
    parser.add_argument(
        '--device',
        type=str,
        default='cuda:0',
    )
    parser.add_argument(
        '--upsample_align',
        type=bool,
        default=False,
        help="Align corners in decoder upsampling layers"
    )
    parser.add_argument(
        '--x32',
        action="store_true",
        help="Resize images to multiple of 32"
    )
    args = parser.parse_args()
    
    test(args)

完整的，源码地址:

https://github.com/bryandlee/animegan2-pytorch

这样，你就可以选择图片 完成4种风格转换。风格转换时选择不同的模型。

如果你需要转换影片，请看我提供的源码：这里视频操作使用的

moviepy。我们在handle_frame里面处理每一帧的花画，然后每一帧处理完就是一个视频啦。

def handle_frame(image_frame):
    print(f"model shape: {image_frame.shape}")
    device = "cpu" if not use_gpu.get() else "cuda:0"
    with torch.no_grad():
            image = to_tensor(image_frame).unsqueeze(0) * 2 - 1
            out = net(image.to(device), False).cpu()
            out = out.squeeze(0).clip(-1, 1) * 0.5 + 0.5
            out = to_pil_image(out)
            out.shape = image_frame.shape
            out.dtype = image_frame.dtype
    results = out
    return results
 
def videoTo(inputpath , outputpath):
    global device
    global net
    device = "cpu" if not use_gpu.get() else "cuda:0"
 
    net = Generator()
    net.load_state_dict(torch.load(getCheckPoint(), map_location="cpu"))
    net.to(device).eval()
 
    video = VideoFileClip(inputpath)
    result = video.fl_image(handle_frame)
 
    result.write_videofile(outputpath,logger=MyBarLogger())

好啦。我们看看最好的效果。