AIGC新手炼丹师快速天生属于本身的lora--示范样例：北条时行（出自：善于逃
目录一.预备工作：安装stable-diffusion和sd-trainer
二.预备数据集
2.1确定你想要的数据集
2.2预备数据集
2.2.1对于人物类的数据集
2.2.2数据集的处理
2.2.3数据集地点文件夹参考位置（出于方便思量，仅供参考）：
2.2.4由数据集天生标签
2.2.5对天生的标签进行修改
三.开始训练
3.1打开sd-trainer的新手模式
3.1.1预备工作：将预备好的数据集的文件复制粘贴到指定文件夹
3.1.2调解一些参数（因为是新手，所以我们只调节基本的参数！！！）
3.2开始训练
四.测试我们的lora模子
4.1将训练出来的模子放进stable-diffusion相应的目录下
4.2开始测试
4.2.1我们要先下载一个插件：additional network
4.2.2填入提示词
4.2.3启用additional networks
4.2.4使用x/y/z图表
1.在脚本里选择x/y/z图表
2.选择训练好的lora模子进行测试
4.2.5通过效果分析来找出最佳的权重和lora模子（同样是思量到没有理论知识的前提，只进行直观的分析）
五.结语
一.预备工作：安装stable-diffusion和sd-trainer
在训练lora模子之前，我们需要在本地安装SD-WebUI （Stable Diffusion WebUI）和SD-Trainer，这里保举B站大佬秋叶aaaki大佬的整合包（点击进入），可以快速上手并训练出本身的第一份lora模子。
注：1.只管避免把这两个程序放在c盘，因为它们还是有点大的，D盘，E盘都是可以的
2.显存最好8G+,当然，6G也是可以的，速度和效率会有所不同
SD-WebUI （Stable Diffusion WebUI）下载完成后，解压，进入文件，找到下图文件，即可进入Stable Diffusion，
https://i-blog.csdnimg.cn/direct/add8290a3351477ebd58f652018e6bd9.png
界面如下，请确保大致界面雷同（如果你也用的秋叶大佬的整合包）https://i-blog.csdnimg.cn/direct/1d21737792f24080a4e0f514101d4e77.png
SD-Trainer下载完成后，选择版本（保举最新的），解压，进入文件，找到下图文件：即可进入SD-Trainer，（在点击进入脚本之前留意要先完成【A强制更新！！！】）
https://i-blog.csdnimg.cn/direct/e8f878b4c4f04184b8c9204cb441a9e0.png
界面如下，请确保界面大致雷同，（如果你也用的秋叶大佬的整合包）
https://i-blog.csdnimg.cn/direct/8c2eee76a886493ead04ad0c948651b2.png
[*] 二.预备数据集
2.1确定你想要的数据集
对于lora的种类，在此不做过多的赘述（你可以选择训练画风，人物角色等等），接下来我会以人物类的Lora进行示范，选取的角色为《善于逃跑的殿下》中的主人公北条时行
2.2预备数据集
2.2.1对于人物类的数据集
1.该人物的动漫中截图，留意：如果你想训练的仅仅是该人物本身，请将图片中多余的任何人物截去！
2.探求二创等，留意：请留意版权题目，若你的数据集有这类图片，请把握好可能的侵权题目！
2.2.2数据集的处理
1.建议预备至少20-30张图片 留意：并非图片越多越好，且重复图片最好删去，它们对你所需要的训练的lora没有什么帮助，反而会拖累你的电脑！
2.图片的分辨率最好调成512*512，这并非必须的，但是作为新手，这样方便且容易；如果你不想这么做，请至少将图片分辨率设置为512*（64的倍数）大概（64的倍数）*512 留意：512并非必须的，你也可以设置为（64的倍数）*（64的倍数）
【你可以使用windows电脑自带的‘绘图’工具进行调节，也可以使用该网站可以批量调节图片大小，每一次最多调节30张，目前来说够用了（free），将仍旧不符合条件的图片用ps，绘图等工具微调即可】
2.2.3数据集地点文件夹参考位置（出于方便思量，仅供参考）
https://i-blog.csdnimg.cn/direct/5548d3e13fc54b62aaf354afc2ad839a.png
如图：‘lora_practice’是我存放sd-trainer的文件夹，
‘训练用图片-善于逃跑的殿下’是我存放未经任那边理的数据集的文件
‘Input_北条时行‘是我存放颠末处理的数据集的位置（我进行的是512*512）
分辨率调解后的部分效果如图：
https://i-blog.csdnimg.cn/direct/3beeee6dd5224422b82fa027603627a2.png
2.2.4由数据集天生标签
打开stable-diffusion，按照下面的步骤操纵：
https://i-blog.csdnimg.cn/direct/d6d220808fd84306bfc50e1fa5c8d940.png
（1）点击后期处理
（2）点击批量处理文件夹
（3）输入目录为已经调解过分辨率的数据集（示例中为：D:\aidraw\lora_practice\input_北条时行）；输出目录为你要将标签输出的位置（目录），可以选择新建一个文件夹，方便查找，参考位置如图：
https://i-blog.csdnimg.cn/direct/4493916431a144ab9a346b91efd8154c.png
（4）取消‘图像放大‘的选项
（5）选中下方的天生标签，选择Deepbooru（点这个最好）
（6）点击天生
可以看到效果，进入 ‘output_北条时行‘ 文件：
https://i-blog.csdnimg.cn/direct/ff314a45910643828631d4cd5c2e0f8a.png
每个图片会对应一个txt文档，内里就是该图片的提示词（prompt）
2.2.5对天生的标签进行修改
天生的标签会因为所给数据集的原因出现冗余的征象（多出一些莫名奇妙的标签），为了训练的lora的效果，我们可以修改每张图片所对应的提示词。
这里保举BooruDatasetTagManager，可以更加有效的进行提示词的修改
（你可以在：BooruDatasetTagManager的下载（github）进行下载）
初始界面如图：
https://i-blog.csdnimg.cn/direct/7ce0c30da5bc41bab8b1c03ce05803c1.png
点击设置，进入翻译，在Translation language 一栏选择Chinese（Simplified），生存
https://i-blog.csdnimg.cn/direct/22283fb0e7f146e08171f016b82fca48.png点击文件，选择读取数据集目录，也就是我们打好标签的文件，
https://i-blog.csdnimg.cn/direct/1dfb784170ec4832bddde3849e36da99.png
加载完成后如图，可以开始调解标签（北条时行明明是男孩子，给出的标签却是1girl，真可恶啊）https://i-blog.csdnimg.cn/direct/dfb2fb6b6b4345dda7cc7e8a574d27d2.png
注：这里是可以将标签翻译成中文的，如下图：点击界面，选择翻译标签https://i-blog.csdnimg.cn/direct/d11ea34bfc034148ad5d232e95592c59.png
但是这个翻译的速度很慢，而且有的标签无法翻译，体验不是很好，建议直接看原文大概百度翻译/谷歌翻译/chagpt，启动！
修改完成后，点击生存更改，如下图：
https://i-blog.csdnimg.cn/direct/296271eb70ae492099ee9815239793bf.png
那么到此为止，一个数据集就预备完毕了，我们可以打开秋叶大佬预备的sd-trainer进行训练了
三.开始训练
【留意：建议使用Google Chrome打开sd-trianer，否则可能会出现无法训练的征象（比如edge）】
3.1打开sd-trainer的新手模式
作为新手，我们就用这个新手模式，效果也很好：
https://i-blog.csdnimg.cn/direct/9ee56eca36c9455ab9712e90d2ce1f0b.png
3.1.1预备工作：将预备好的数据集的文件复制粘贴到指定文件夹
我们要将预备好的数据集的文件复制粘贴到指定文件夹（这期间我们要新建两个文件夹），按照下面的图片流程进行：
https://i-blog.csdnimg.cn/direct/c1e03cbd0f4f4def81dc059eb5591a6c.png
这个beitiao是需要用户本身创建的，（fox是我本身之前建立的，没舍得删），你可以根据本身创建的角色的名字特征等建立一个文件夹。
注：一定要是英文，以确保全英路径！！！
https://i-blog.csdnimg.cn/direct/124e7708486249e78d8235252e6d03d9.png
这个地方的文件夹20_beitiao也是用户本身创建的文件夹，它被包罗在我们上一步创建的文件beitiao里，20即这个数字有着本身的意义，一定要有！感兴趣的话可以本身去了解哦~
注：这个文件夹必须是英文名字！！！
https://i-blog.csdnimg.cn/direct/b6ac84dc88e54b13a6901a09786581e5.png
在创建的20_beitiao中粘贴我们第二步创建的数据集
https://i-blog.csdnimg.cn/direct/53e53c0af51846a2a4a14fc86605428b.png
3.1.2调解一些参数（因为是新手，所以我们只调节基本的参数！！！）
对于下图的训练用模子，在civitai上随便找一个checkpoint实在基本上来说都可以（理论上，但是不建议这么做），找一些比较古老（好评如潮）的模子更稳定，更不容易翻车，例如：sd-1.5
https://i-blog.csdnimg.cn/direct/a17d7addda5e468287e0111b431e302c.png
对于上面这张图片的详解：
（1）将我们数字_名字（这里是20_beitiao）的文件夹的上一层文件(这里是beitiao)的路径复制已往即可
https://i-blog.csdnimg.cn/direct/35ffc57595b145c485051dcff87254b5.png
复制到这里：
https://i-blog.csdnimg.cn/direct/ef96135614bf488d9be4628c97edd874.png
（2）output_name模子生存名称：可以填写任意你喜欢的名字，只要你能通过名字从文件里辨别出那是你训练的模子就可以了
（3）最大训练epoch轮数设置为20，别的都可以不消改
https://i-blog.csdnimg.cn/direct/dd4fb74006784c3a97e5eae01d8617d5.png
3.2开始训练
https://i-blog.csdnimg.cn/direct/5328571afaff42c98bdca43b68eb6d52.png
训练时可以看看训练进度，例如：
https://i-blog.csdnimg.cn/direct/cd8f6449ccf44e84b964a4052421a752.png
这是一个很漫长的过程，通常需要数个小时才能完成
四.测试我们的lora模子
4.1将训练出来的模子放进stable-diffusion相应的目录下
在如图的目录里有着我们刚刚训练的模子：
https://i-blog.csdnimg.cn/direct/3e770b32114241b5bb8fc7adf864f274.png
我们看到有多少个模子，
https://i-blog.csdnimg.cn/direct/0cde7fc768924499b8e0f2195dfd4a09.png
我们需要把他们生存到stable-diffusion的D:\aidraw\sd-webui-aki-v4.8\extensions\sd-webui-additional-networks\models\lora目录下，一定要是这个目录，否则测试时会出现题目【建议同时放到sd-webui-aki-v4.8\models\lora里，否则可能会出现你训练的模子在stable-diffusion中的lora一栏中并不表现的题目】：
https://i-blog.csdnimg.cn/direct/00dedb2ac0dc4741a7b4f748d4d805a2.png
4.2开始测试
4.2.1我们要先下载一个插件：additional network
将链接https://github.com/kohya-ss/sd-webui-additional-networks放入如图的红框里：
https://i-blog.csdnimg.cn/direct/948e6f92af6845fba3e7c035b01640fb.png
重启stable-diffusion，就可以正常使用该插件了
4.2.2填入提示词
可以从我们处理过的数据集的标签里提取提示词，比如：
https://i-blog.csdnimg.cn/direct/b02f1386565e46629cd0927319af1377.png
我们选择这个图片的提示词，填入；
4.2.3启用additional networks
在additional networks里任意放入一个我们训练的模子，按照下图操纵：（否则会出现脚本里x/y/z图标操纵时不表现lora的题目）
https://i-blog.csdnimg.cn/direct/4cca94d8c35d4348b0e79b0b0e69efcd.png
4.2.4使用x/y/z图表
1.在脚本里选择x/y/z图表
https://i-blog.csdnimg.cn/direct/f77bc859ad1a455b83ff18c2f6c71b63.png
https://i-blog.csdnimg.cn/direct/d3aaf6e5466b4184b4ff897f310fdf9b.png
2.选择训练好的lora模子进行测试
对X轴：左边选择附加模子1；右侧点击如图图标，会表现你所训练的全部模子，删去你不需要测试的模子（一样寻常是你之前训练的lora模子，这里会一次性选上）
https://i-blog.csdnimg.cn/direct/2dcb0e6e6739467ba04307824517ab6a.png
这是表现的右侧图标点击后的效果：
https://i-blog.csdnimg.cn/direct/da68834e4c22460c9bad133fa0ef4281.png
对Y轴：左侧选择附加模子1权重，右侧输入：0，0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9，1，代表着lora的权重
https://i-blog.csdnimg.cn/direct/db90108dc1a04018bf119a7486a71f51.png
4.2.5通过效果分析来找出最佳的权重和lora模子（同样是思量到没有理论知识的前提，只进行直观的分析）
注：这里将：https://i-blog.csdnimg.cn/direct/16433bf9c05c49678bd0bd07e9c79b4e.png当做
checkpoint
开始天生，得到：
https://i-blog.csdnimg.cn/direct/58d81eab2e924db583f35ef5259edecd.jpeg
大致可以得出：权重：0.6-1.0天生的图像和beitiao000008，beitiao000010，beitiao000014，beitiao000014，得出的图像质量比较高。
注：1.一次天生的图片并不能代表最终的效果，我们需要在清除0.0-0.5的权重和其他几个显着有题目的模子后重新天生图片，这时可以改变提示词，来进步判断的准确度，在选择出最后的模子和权重区间后就可以尽情使用你的lora模子啦。
2.同样的，你可以去测试同一个lora模子在不同模子下的效果，找出适合该lora的模子，如：
https://i-blog.csdnimg.cn/direct/33ba9fd25d8840c483259fca38e5c388.png
这是我测试的几个模子，一次天生的效果为：
https://i-blog.csdnimg.cn/direct/abad562db30e4dff9c38f437093237b3.jpeg
可以显着的看出来，1，3，6天生的图片是可以的，其他的就肉眼可见的糟糕了。
五.结语
你是否已经制作出你所喜欢的角色的lora并为其赋予上本身独有的色彩了呢？
探索AIGC是一个漫长的路程，我们需要掌握很多相关的知识和技能，此中的艰辛常常会让我们感到难过，但是当一张张优美的图片展现在我们眼前，壮丽的色彩能够在盘算机上呈现属于本身的光芒时，我们也会显得如此开怀。
（关于人工智能，还有什么想了解的吗？告诉我吧！）
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]