Update README.md
图像生成任务一直以来都是十分具有应用场景的计算机视觉任务，从语义分割图生成有意义、高质量的图片仍然存在诸多挑战，如保证生成图片的真实性、清晰程度、多样性、美观性等。
清华大学计算机系图形学实验室从Flickr官网收集了1万两千张高清（宽1024、高768）的风景图片，并制作了它们的语义分割图。其中，1万对图片被用来训练。训练数据集可以从这里下载。其中 label 是值在 0~28 的灰度图，可以使用 matplotlib.pyplot.imshow 可视化。下面展示了一组图片。
标签包括29类物体，分别是
"mountain", "sky", "water", "sea", "rock", "tree", "earth", "hill", "river", "sand", "land", "building", "grass", "plant", "person", "boat", "waterfall
本赛题将会提供1000张测试分割图片，参赛选手需要根据测试图片生成符合标签含义的风景图片。
本项目包含了第二届计图挑战赛计图 - 风景图片生成赛题的代码实现。A榜得分0.4119，排名25，B榜得分0.4041，排名19
本项目可在CPU||GPU环境下训练，在GPU环境下训练约需要24小时
执行以下命令安装 python 依赖
pip install -r requirements.txt
无
nohup python -u train.py &
生成结果
python test.py --input_path 测试数据路径 --output_path ./results
Jittor
Jittor 赛题一：风景图片生成赛题
赛题介绍
图像生成任务一直以来都是十分具有应用场景的计算机视觉任务，从语义分割图生成有意义、高质量的图片仍然存在诸多挑战，如保证生成图片的真实性、清晰程度、多样性、美观性等。
清华大学计算机系图形学实验室从Flickr官网收集了1万两千张高清（宽1024、高768）的风景图片，并制作了它们的语义分割图。其中，1万对图片被用来训练。训练数据集可以从这里下载。其中 label 是值在 0~28 的灰度图，可以使用 matplotlib.pyplot.imshow 可视化。下面展示了一组图片。
标签包括29类物体，分别是
赛题内容
本赛题将会提供1000张测试分割图片，参赛选手需要根据测试图片生成符合标签含义的风景图片。
简介
本项目包含了第二届计图挑战赛计图 - 风景图片生成赛题的代码实现。A榜得分0.4119，排名25，B榜得分0.4041，排名19
安装
本项目可在CPU||GPU环境下训练，在GPU环境下训练约需要24小时
运行环境
安装依赖
执行以下命令安装 python 依赖
预训练模型
无
数据预处理
无
训练
生成结果
推理
无
致谢
无