Datawhale X 魔搭 AI夏令营 第四期 AIGC task3
part 1：熟悉comfyUI1.初识ComfyUI
1.1什么是Comfy UI
GUI是"Graphical User Interface"（图形用户界面）的缩写。简单来说，GUI 就是你在电脑屏幕上看到的那种有图标、按钮和菜单的交互方式。
ComfyUI是GUI的一种，为基于节点工作的用户界面，用于操作图像的天生技术。
1.2Comfy UI核心模块
核心模块有模型加载器、提示词管理器、采样器、解码器。
模型加载器：
https://i-blog.csdnimg.cn/direct/4ce11d6853454c68ab56794a1fee9870.png
提示词管理器：
https://i-blog.csdnimg.cn/direct/f0bbac6a3f1542c3ac0bc192f1cb87cb.png
解码器：
https://i-blog.csdnimg.cn/direct/f6ab2b4f44444600ac8d54cf2fa69619.png
采样器：
https://i-blog.csdnimg.cn/direct/bafdbc7093fd4556b2cfaa12150e5ba2.png
1.3Comfy UI图片天生流程
https://i-blog.csdnimg.cn/direct/c3594d6c83d143509f176a95f2b1777d.png
1.4Comfy UI的优势
模块化和灵活性，可视化界面，多模型支持，调试和优化，开放和可拓展，用户友爱性。
2：安装Comfy UI
是哦谁人魔搭社区提供的Notebook和免费的GPU算力体验来体验Comfy UI
https://i-blog.csdnimg.cn/direct/e3ffbfc315d243a9996c68796dabdb73.png
2.1下载脚本代码文件
下载安装Comfy UI的执行文件和task1中微调完成的Lora文件
https://i-blog.csdnimg.cn/direct/b3744d5a03984395b43d8027aab9dd57.png
创建终端，复制下代码
git lfs install git clone https://www.modelscope.cn/datasets/maochase/kolors_test_comfyui.git mv kolors_test_comfyui/* ./ rm -rf kolors_test_comfyui/ mkdir -p /mnt/workspace/models/lightning_logs/version_0/checkpoints/ mv epoch=0-step=500.ckpt /mnt/workspace/models/lightning_logs/version_0/checkpoints/
下载所需文件
2.2进入Comfy UI安装文件
https://i-blog.csdnimg.cn/direct/c8ef82e0cfae47e6b22b08bb334085bc.png
https://i-blog.csdnimg.cn/direct/815a8261258d4a26b29dc49b1e1b89c1.png
可一键执行安装步调（约非常钟）
注：若没有安装成功（好比我），最好一个模块一个模块执行，留意当前状态：
https://i-blog.csdnimg.cn/direct/cb4dbc8ad95e43768d700a3450242dd0.png
由此处看当前状态，等一个模块执行完成后再执行下一模块。
2.3进入预览界面
若再最后一模块输出了访问链接时，打开该链接即可
https://i-blog.csdnimg.cn/direct/9c00c88b926b4c5dacbe72b6012591fe.png
3.尝试Comfy UI工作流
3.1不带Lora的工作流样例
step1：下载工作流脚本
Docs
https://i-blog.csdnimg.cn/direct/6cb887aadae64ebeb4ec22ab693672f1.png
https://i-blog.csdnimg.cn/direct/ea2c89e6c73e47a4acc3cb8171133dad.png
由load上传kolors_example.json。
https://i-blog.csdnimg.cn/direct/70303ace217a42c2b2c94a5accfe2dd3.png
执行天生图片
3.2带Lora的工作流样例
Task3：进阶上分-实战优化 - 飞书云文档 (feishu.cn)
https://i-blog.csdnimg.cn/direct/ed3287900d7a4f18a8c228f31935526d.png
与上面相同，上传模型并执行天生图像。
part2：Lora微调
LoRA (Low-Rank Adaptation) 微调是一种用于在预训练模型上举行高效微调的技术。它可以通过高效且灵活的方式实现模型的个性化调整，使其能够适应特定的使命或领域，同时保持精良的泛化本领和较低的资源消耗。
1.1Lora微调的原理
通过再预训练模型的关键层中添加低秩矩阵来实现
1.2Lora微调的优势
快速适应新使命
保持泛化本领
资源效率
2.Lora详解
针对可图比赛中的微调代码来理解
2.1Task2 中的微调代码
import os
cmd = """
python DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py \ # 选择使用可图的Lora训练脚本DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py
--pretrained_unet_path models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors \ # 选择unet模型
--pretrained_text_encoder_path models/kolors/Kolors/text_encoder \ # 选择text_encoder
--pretrained_fp16_vae_path models/sdxl-vae-fp16-fix/diffusion_pytorch_model.safetensors \ # 选择vae模型
--lora_rank 16 \ # lora_rank 16 表示在权衡模型表达能力和训练效率时，选择了使用 16 作为秩，适合在不显著降低模型性能的前提下，通过 LoRA 减少计算和内存的需求
--lora_alpha 4.0 \ # 设置 LoRA 的 alpha 值，影响调整的强度
--dataset_path data/lora_dataset_processed \ # 指定数据集路径，用于训练模型
--output_path ./models \ # 指定输出路径，用于保存模型
--max_epochs 1 \ # 设置最大训练轮数为 1
--center_crop \ # 启用中心裁剪，这通常用于图像预处理
--use_gradient_checkpointing \ # 启用梯度检查点技术，以节省内存
--precision "16-mixed" # 指定训练时的精度为混合 16 位精度（half precision），这可以加速训练并减少显存使用
""".strip()
os.system(cmd) # 执行可图Lora训练 2.2参数详情表
参
数名称
参数值
说明
pretrained_unet_path
models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors
指定预训练UNet模型的路径
pretrained_text_encoder_path
models/kolors/Kolors/text_encoder
指定预训练文本编码器的路径
pretrained_fp16_vae_path
models/sdxl-vae-fp16-fix/diffusion_pytorch_model.safetensors
指定预训练VAE模型的路径
lora_rank
16
设置LoRA的秩（rank），影响模型的复杂度和性能
lora_alpha
4
设置LoRA的alpha值，控制微调的强度
dataset_path
data/lora_dataset_processed
指定用于训练的数据集路径
output_path
./models
指定训练完成后生存模型的路径
max_epochs
1
设置最大训练轮数为1
center_crop
启用中央裁剪，用于图像预处理
use_gradient_checkpointing
启用梯度查抄点，节省显存
precision
"16-mixed"
设置训练时的精度为混淆16位精度（half precision）
2.3UNet、VAE和文本编码器的协作关系
[*] UNet：负责根据输入的噪声和文本条件天生图像。在Stable Diffusion模型中，UNet接收由VAE编码器产生的噪声和文本编码器转换的文本向量作为输入，并预测去噪后的噪声，从而天生与文本描述符合的图像
[*] VAE：天生模型，用于将输入数据映射到潜伏空间，并从中采样以天生新图像。在Stable Diffusion中，VAE编码器首天赋生带有噪声的潜伏表现，这些表现随后与文本条件一起输入到UNet中
[*] 文本编码器：将文本输入转换为模型可以理解的向量表现。在Stable Diffusion模型中，文本编码器使用CLIP模型将文本提示转换为向量，这些向量与VAE天生的噪声一起输入到UNet中，引导图像的天生过程
Part3 如何准备一个高质量数据集
[*] 明白你的需求和目标
[*] 关注应用场景：确定你的模型将被应用到什么样的场景中（比方，艺术风格转换、产品图像天生、医疗影像合成等）。
[*] 关注数据类型：你需要什么样的图片？好比是真实世界的照片还是合成图像？是好坏的还是彩色的？是高分辨率还是低分辨率？
[*] 关注数据量：考虑你的使命应该需要多少图片来支持训练和验证。
[*] 数据集泉源整理
以下渠道泉源均需要考虑合规性标题，请大家在使用数据集过程中审慎选择。
泉源类型
推荐
公开的数据平台
魔搭社区内开放了近3000个数据集，涉及文本、图像、音频、视频和多模态等多种场景，左侧有标签栏帮助快速导览，大家可以看看有没有本身需要的数据集。
其他数据平台推荐：
[*] ImageNet：包罗数百万张图片，广泛用于分类使命，也可以用于天生使命。
[*] Open Images：由Google维护，包罗数千万张带有标签的图片。
[*] Flickr：特别是Flickr30kK和Flickr8K数据集，常用于图像描述使命。
[*] CelebA：专注于人脸图像的数据集。
[*] LSUN (Large-scale Scene Understanding)：包罗各种场景种别的大规模数据集。
使用API或爬虫获取
[*] 如果需要特定类型的内容，可以使用API从图库网站抓取图片，如Unsplash、Pexels等。
[*] 使用网络爬虫技术从互联网上抓取图片，但需要留意版权标题。
数据合成
使用现有的图形引擎（如Unity、Unreal Engine）或特定软件天生合成数据，这在训练某些类型的模型时非常有效。
近来Datawhale联合阿里云天池，做了一整套多模态大模型数据合成的学习，接待大家一起交流。从零入门多模态大模型数据合成
数据增强
对于较小的数据集，可以通过旋转、翻转、缩放、颜色变更等方式举行数据增强。
购买或定制
如果你的应用是特定领域的，好比医学影像、卫星图像等，发起从靠谱的渠道购买一些数据集。
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]