real_images_folder = 'D:/diffusion/1.png' generated_images_folder = 'D:/diffusion/2.png' 这两个是生成图像地址，给我完整计算FID得分代码

<think>好的，用户现在想要一个完整的Python代码实现来计算FID得分，给定真实图像和生成图像的文件夹路径。之前我已经提供过两种方法，一种是手动实现的PyTorch示例，另一种是使用pytorch_fid库的示例。现在用户可能希望得到一个更完整、可以直接运行的代码，同时结合站内引用中的信息，比如使用cleanfid库或者处理数据集结构的问题。 首先，需要明确用户的需求。用户提到使用给定的real_images_folder和generated_images_folder路径，所以代码需要能够读取这两个文件夹中的图像，并计算它们之间的FID分数。用户可能希望代码尽可能简洁，同时包含必要的注释和错误处理，比如图像格式的处理、模型加载等。 接下来，查看用户提供的引用内容。引用1中的代码使用了pytorch_fid库的fid_score模块，引用2提到了cleanfid库，可以直接比较文件夹与预计算的数据集统计信息。引用4中的代码涉及多任务FID计算，但用户可能只需要基本的单任务计算。因此，可能需要整合这些信息，提供两种方法：一种是使用pytorch_fid库，另一种是使用cleanfid库，这样用户可以根据需求选择。 另外，用户之前的回答中提到了代码实现，但用户现在希望得到完整的代码，可能需要包括图像预处理、模型加载、特征提取和FID计算的所有步骤。同时，要注意代码的兼容性和可执行性，比如处理不同的图像尺寸、格式，以及可能的异常情况。 考虑到用户可能希望代码高效且易于使用，使用现有的库如pytorch_fid或cleanfid会更方便，因为这些库已经处理了大部分细节，比如模型加载和特征提取。手动实现的代码虽然更透明，但可能更复杂且容易出错，尤其是协方差矩阵的计算和数值稳定性问题。 此外，用户可能对代码的依赖项和安装步骤不太清楚，所以需要明确说明如何安装必要的库，比如pip install pytorch-fid或cleanfid。同时，需要提醒用户确保图像文件夹的结构正确，所有图像都是RGB格式，并且尺寸合适（如299x299对于Inception模型）。 最后，用户可能还需要了解如何解释FID得分，以及如何优化生成模型以降低FID值，但当前问题主要集中在代码实现上。因此，回答应聚焦于提供两种不同的代码示例，并解释它们的优缺点和适用场景，同时引用相关文献或文档链接，帮助用户进一步了解。</think>以下是基于 PyTorch 的完整 FID 计算代码实现，整合了手动实现与第三方库两种方法，并包含详细的预处理和错误处理： --- ### 方法一：使用 `pytorch-fid` 库（推荐） ```python import os from pytorch_fid import fid_score def compute_fid_pytorch(real_folder, gen_folder, batch_size=64, device='cuda'): """使用官方pytorch-fid库计算FID分数[^1] 参数： real_folder: 真实图像文件夹路径（支持jpg/png） gen_folder: 生成图像文件夹路径 batch_size: GPU显存不足时可调小（默认64） device: 'cuda' 或 'cpu' """ # 检查路径有效性 if not os.path.exists(real_folder): raise FileNotFoundError(f"真实图像路径 {real_folder} 不存在") if not os.path.exists(gen_folder): raise FileNotFoundError(f"生成图像路径 {gen_folder} 不存在") # 计算FID fid_value = fid_score.calculate_fid_given_paths( paths=[real_folder, gen_folder], batch_size=batch_size, device=device, dims=2048 # Inception-v3特征维度 ) return fid_value # 使用示例 if __name__ == "__main__": real_path = "/path/to/real_images" gen_path = "/path/to/generated_images" fid_score = compute_fid_pytorch(real_path, gen_path) print(f"FID Score: {fid_score:.2f}") ``` --- ### 方法二：手动实现（含特征提取） ```python import torch import numpy as np from scipy.linalg import sqrtm from torchvision.models import inception_v3 from torchvision.transforms import Compose, Resize, CenterCrop, ToTensor, Normalize from PIL import Image # 图像预处理（与Inception-v3兼容） transform = Compose([ Resize(299), # 必须调整到299x299 CenterCrop(299), ToTensor(), Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) # ImageNet标准化 ]) def load_images(folder_path, max_samples=5000): """加载文件夹中的图像（支持jpg/png）""" images = [] valid_exts = ('.jpg', '.jpeg', '.png') for root, _, files in os.walk(folder_path): for file in files: if file.lower().endswith(valid_exts): img_path = os.path.join(root, file) img = Image.open(img_path).convert('RGB') # 强制转为RGB images.append(transform(img)) if len(images) >= max_samples: return torch.stack(images) return torch.stack(images) def get_inception_features(images, batch_size=32): """使用Inception-v3提取特征[^3]""" model = inception_v3(pretrained=True) model.fc = torch.nn.Identity() # 截断全连接层 model.eval() features = [] with torch.no_grad(): for i in range(0, len(images), batch_size): batch = images[i:i+batch_size] features.append(model(batch).cpu().numpy()) return np.concatenate(features, axis=0) def calculate_fid(real_features, gen_features): """Fréchet距离计算核心""" mu1, sigma1 = np.mean(real_features, axis=0), np.cov(real_features, rowvar=False) mu2, sigma2 = np.mean(gen_features, axis=0), np.cov(gen_features, rowvar=False) # 添加正则化防止奇异矩阵 eps = 1e-6 sigma1 += eps * np.eye(sigma1.shape[0]) sigma2 += eps * np.eye(sigma2.shape[0]) diff = mu1 - mu2 covmean = sqrtm(sigma1.dot(sigma2)) if np.iscomplexobj(covmean): covmean = covmean.real return np.sum(diff**2) + np.trace(sigma1 + sigma2 - 2*covmean) # 完整流程 if __name__ == "__main__": real_images = load_images("/path/to/real_images") gen_images = load_images("/path/to/generated_images") real_features = get_inception_features(real_images) gen_features = get_inception_features(gen_images) fid_value = calculate_fid(real_features, gen_features) print(f"Manual FID: {fid_value:.2f}") ``` --- ### 方法三：使用 `clean-fid` 库（支持预计算统计量） ```python # 安装：pip install clean-fid from cleanfid import fid def compute_fid_clean(real_folder, gen_folder, mode="clean"): """使用clean-fid库（支持与标准数据集比较）[^2]""" return fid.compute_fid(real_folder, gen_folder, mode=mode) # 示例：与FFHQ数据集比较 ffhq_fid = fid.compute_fid("generated_images", dataset_name="FFHQ", dataset_res=1024) print(f"FID vs FFHQ: {ffhq_fid:.2f}") ``` --- #### 关键要点 1. **数据准备**： - 图像需为RGB格式，建议分辨率≥299x299 - 每个文件夹至少包含1000张图像（推荐5000+） - 文件夹结构可参考MNIST分类结构[^3] 2. **性能优化**： - 使用GPU加速：`device='cuda'` - 批量大小根据显存调整（通常64-256） - 预计算统计量：`fid.make_custom_stats(folder, "stats.npz")` 3. **结果解读**： - FID ≤ 20：高质量生成（接近真实分布） - FID 20-50：中等质量 - FID > 100：明显分布差异 --- ### 常见问题解决方案 1. **图像尺寸不匹配**： ```python # 在transform中添加强制缩放 Resize(299, interpolation=Image.BILINEAR) ``` 2. **内存不足**： ```python # 减小batch_size（最低可到1） compute_fid_pytorch(real_path, gen_path, batch_size=16) ``` 3. **跨数据集比较**： ```python # 使用clean-fid内置数据集（LSUN/FFHQ等） fid.compute_fid("your_images", dataset_name="FFHQ", dataset_res=256) ``` 代码文档参考：[pytorch-fid官方文档](https://github.com/mseitzer/pytorch-fid), [clean-fid论文](https://arxiv.org/abs/2104.11222)[^4]