【Datawhale X 魔搭 AI夏令营】AIGC方向——Task02笔记GC

AI生图技能

为什么要了解AI生图前沿？

AIGC(AI-Generated Content)是通过人工智能技能自动生成内容的生产方式，很早就有专家指出，AIGC将是未来人工智能的重点方向，也将改造相干行业和范畴生产内容的方式。
AI生图则是此中最早被大众所熟知并广泛被认可的AIGC范畴。了解AI生图前沿即是技能趋势，也对于应用场景扩展、工作服从提升的方面都有极大作用。
AI生图的历史

AI生图的历史可以追溯到较早的技能探索，并随着盘算能力的增强和呆板学习技能的进步而不停发展。下面是AI生图历史的主要阶段和发展里程碑：

• 早期探索 (20世纪70年代)
  

• AARON: 由艺术家哈罗德·科恩（Harold Cohen）发明，AARON是最早的人工智能绘画体系之一，它能够通过机械臂绘制出图画。这一体系背后是由一套复杂的规则和算法驱动的盘算机程序。
  
  
  
  

• 初期发展 (1990年代至2000年代)
  

• 在这个时期，随着盘算机技能的进步，AI绘画开始实验更复杂的形式。尽管当时的盘算资源有限，但研究人员已经开始探索如何使用盘算机生成更为复杂的图像。
  

• 深度学习期间的兴起 (2010年代)
  

• 2012年的暗昧猫脸: 谷歌的研究人员吴恩达和Jeff Dean使用深度学习模子训练了一个能够生成暗昧猫脸的模子。这是AI绘画范畴的一个告急转折点，标志着深度学习技能开始应用于图像生成。
  
  
  
  
• GANs (Generative Adversarial Networks): 自2014年起，GANs的提出极大地促进了图像生成技能的发展。GANs通过两个相互竞争的网络（生成器和鉴别器）来生成高质量的图像，这一技能敏捷成为了图像生成范畴的主流方法之一。
  

• 比年来的发展 (2020年代)
  

• 2015年，谷歌推出了**“深梦”（Deep Dream）**图像生成工具。原理：
  
  
  
  
• 2021 年 1 月 OpenAI 推出DALL-E模子
  
• VAEs (Variational Autoencoders) 和 Auto-Regressive Models 等其他模子也开始被广泛应用于图像生成使掷中。
  
• Diffusion Models: 比年来，扩散模子（Diffusion Models）因其在图像质量上的明显提升而备受关注。这种模子通过一系列的去噪步骤来生成图像，能够处理复杂的图像布局和细节。
  
• Midjourney 和 Stable Diffusion: 这些工具是比年来非常盛行的AI生图应用。Midjourney 是一个高级的AI设计软件，而Stable Diffusion则以其开源特性而著名，允许更多开发者和研究人员加入到图像生成技能的研发中。
  

• 当前状态
  

• 目前，AI生图技能已经非常成熟，可以生成高度传神的图像。这些技能不仅被应用于艺术创作，还在广告、影视制作、建筑设计等多个范畴得到广泛应用。
  
• 个性化和定制化：最新的研究和技能正在朝着更加个性化的方向发展，例如华为和清华大学相助开发的个性化多模态生成方法PMG，能够根据特定需求生成图像。
  
  
  
  

参考：AI绘画的发展历史 、 AI生图可“量身定制”了，华为&清华联手打造个性化多模态生成方法PMG
AI生图的难点和挑战有哪些？

• 图像质量和真实感：
  美感与失真的平衡：生成的图像需要到达肯定的视觉美感，同时制止失真或不天然的现象。
  细节的准确度：特殊是在高分辨率图像生成中，保持细节清楚且准确是一项挑战。
  
• 图像多样性：
  AI模子需要能够生成具有富足多样性的图像，以满意不同场景的需求。
  
• 手部等特定部位的准确性：
  特殊是在人物图像生成中，手部和其他精细部位的形状和姿势往往难以准确地生成，容易出现畸形现象。
  HandRefiner等技能被提出用于专门办理此类问题。
  
• 可控性：
  用户盼望能够对生成过程有肯定水平的控制，例如调整生成图像的具体属性。
  
• 隐私和数据安全：
  使用个人数据训练模子时大概会涉及到隐私泄露的问题。
  如何保证数据的安全性和用户的隐私权是一个告急的思量因素。
  
• 伦理和法律问题：
  生成的图像如果被用于不妥目的（例如伪造身份或误导公众），会引发伦理和法律责任问题。
  

精读baseline代码（上次运行的）

接下来，我们将用“通义千问”作为辅助，对上次生图的代码进行分析。下面是逐行代码及此中文表明：

1. # 安装 Data-Juicer 和 DiffSynth-Studio
2. !pip install simple-aesthetics-predictor # 安装simple-aesthetics-predictor
3. !pip install -v -e data-juicer # 安装data-juicer
4. !pip uninstall pytorch-lightning -y # 卸载pytorch-lightning
5. !pip install peft lightning pandas torchvision # 安装 peft lightning pandas torchvision
6. !pip install -e DiffSynth-Studio # 安装DiffSynth-Studio
8. # 从魔搭数据集中下载数据集AI-ModelScope/lowres_anime
9. from modelscope.msdatasets import MsDataset  #引入数据集模块msdatasets
10. ds = MsDataset.load(
11.     'AI-ModelScope/lowres_anime',
12.     subset_name='default',
13.     split='train',
14.     cache_dir="/mnt/workspace/kolors/data" # 指定缓存目录
15. ) # 从魔搭数据集中下载数据集AI-ModelScope/lowres_anime，赋值给参数ds
17. # 生成数据集
18. import json, os # 导入json和os模块
19. from data_juicer.utils.mm_utils import SpecialTokens # 导入SpecialTokens
20. from tqdm import tqdm # 导入tqdm进度条管理
21. os.makedirs("./data/lora_dataset/train", exist_ok=True) # 创建文件夹./data/lora_dataset/train
22. os.makedirs("./data/data-juicer/input", exist_ok=True) # 创建文件夹./data/data-juicer/input
23. with open("./data/data-juicer/input/metadata.jsonl", "w") as f:
24.     for data_id, data in enumerate(tqdm(ds)): # 遍历数据集ds
25.         image = data["image"].convert("RGB") # 将数据集的图片转换为RGB
26.         image.save(f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg") # 保存数据集的图片
27.         metadata = {"text": "二次元", "image": [f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg"]} # 生成当前图片的索引数据
28.         f.write(json.dumps(metadata)) # 将索引数据写入文件./data/data-juicer/input/metadata.jsonl
29.         f.write("\n")
31. # 配置data-juicer，并进行数据筛选过滤
32. # 配置过滤的规则
33. data_juicer_config = """
34. # global parameters
35. project_name: 'data-process' # 名称
36. dataset_path: './data/data-juicer/input/metadata.jsonl'  # 你前面生成的数据的索引文件
37. np: 4  # 线程数
39. text_keys: 'text' # 文件./data/data-juicer/input/metadata.jsonl的描述的字段名
40. image_key: 'image' # 文件./data/data-juicer/input/metadata.jsonl的图片字段名
41. image_special_token: '<__dj__image>'
43. export_path: './data/data-juicer/output/result.jsonl' # 筛选通过的图片结果保存的的索引文件
45. # process schedule
46. # a list of several process operators with their arguments
47. # 过滤的规则
48. process:
49.     - image_shape_filter: # 图片尺寸过滤
50.         min_width: 1024 # 最小宽度1024
51.         min_height: 1024 # 最小高度1024
52.         any_or_all: any # 符合前面条件的图片才会被保留
53.     - image_aspect_ratio_filter: # 图片长宽比过滤
54.         min_ratio: 0.5 # 最小长宽比0.5
55.         max_ratio: 2.0 # 最大长宽比2.0
56.         any_or_all: any # 符合前面条件的图片才会被保留
57. """
59. # 保存data-juicer配置到data/data-juicer/data_juicer_config.yaml
60. with open("data/data-juicer/data_juicer_config.yaml", "w") as file:
61.     file.write(data_juicer_config.strip())
62. # data-juicer开始执行数据筛选
63. !dj-process --config data/data-juicer/data_juicer_config.yaml
66. # 通过前面通过data-juicer筛选的图片索引信息./data/data-juicer/output/result.jsonl，生成数据集
67. import pandas as pd # 导入pandas
68. import os, json # 导入os和json
69. from PIL import Image # 导入Image
70. from tqdm import tqdm # 导入tqdm进度条管理
71. texts, file_names = [], [] # 定义两个空列表，分别存储图片描述和图片名称
72. os.makedirs("./data/lora_dataset_processed/train", exist_ok=True) # 创建文件夹./data/lora_dataset_processed/train
73. with open("./data/data-juicer/output/result.jsonl", "r") as file: # 打开前面data-juicer筛选的图片索引文件./data/data-juicer/output/result.jsonl
74.     for data_id, data in enumerate(tqdm(file.readlines())): # 遍历文件./data/data-juicer/output/result.jsonl
75.         data = json.loads(data) # 将json字符串转换为对象
76.         text = data["text"] # 获取对象中的text属性，也就是图片的描述信息
77.         texts.append(text) # 将图片的描述信息添加到texts列表中
78.         image = Image.open(data["image"][0]) # 获取对象中的image属性，也就是图片的路径,然后用这个路径打开图片
79.         image_path = f"./data/lora_dataset_processed/train/{data_id}.jpg" # 生成保存图片的路径
80.         image.save(image_path) # 将图片保存到./data/lora_dataset_processed/train文件夹中
81.         file_names.append(f"{data_id}.jpg") # 将图片名称添加到file_names列表中
82. data_frame = pd.DataFrame() # 创建空的DataFrame
83. data_frame["file_name"] = file_names # 将图片名称添加到data_frame中
84. data_frame["text"] = texts # 将图片描述添加到data_frame中
85. data_frame.to_csv("./data/lora_dataset_processed/train/metadata.csv", index=False, encoding="utf-8-sig") # 将data_frame保存到./data/lora_dataset_processed/train/metadata.csv
86. data_frame # 查看data_frame
89. # 下载可图模型
90. from diffsynth import download_models # 导入download_models
91. download_models(["Kolors", "SDXL-vae-fp16-fix"]) # 下载可图模型
92. # DiffSynth-Studio提供了可图的Lora训练脚本，查看脚本信息
93. !python DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py -h
96. # 执行可图Lora训练
97. import os
98. cmd = """
99. 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
100.   --pretrained_unet_path models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors \ # 选择unet模型
101.   --pretrained_text_encoder_path models/kolors/Kolors/text_encoder \ # 选择text_encoder
102.   --pretrained_fp16_vae_path models/sdxl-vae-fp16-fix/diffusion_pytorch_model.safetensors \ # 选择vae模型
103.   --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
104.   --lora_alpha 4.0 \ # 设置 LoRA 的 alpha 值，影响调整的强度
105.   --dataset_path data/lora_dataset_processed \ # 指定数据集路径，用于训练模型
106.   --output_path ./models \ # 指定输出路径，用于保存模型
107.   --max_epochs 1 \ # 设置最大训练轮数为 1
108.   --center_crop \ # 启用中心裁剪，这通常用于图像预处理
109.   --use_gradient_checkpointing \ # 启用梯度检查点技术，以节省内存
110.   --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
111. """.strip()
112. os.system(cmd) # 执行可图Lora训练
115. # 加载lora微调后的模型
116. from diffsynth import ModelManager, SDXLImagePipeline # 导入ModelManager和SDXLImagePipeline
117. from peft import LoraConfig, inject_adapter_in_model # 导入LoraConfig和inject_adapter_in_model
118. import torch # 导入torch
119. # 加载LoRA配置并注入模型
120. def load_lora(model, lora_rank, lora_alpha, lora_path):
121.     lora_config = LoraConfig(
122.         r=lora_rank, # 设置LoRA的秩(rank)
123.         lora_alpha=lora_alpha, # 设置LoRA的alpha值，控制LoRA的影响权重
124.         init_lora_weights="gaussian", # 初始化LoRA权重为高斯分布
125.         target_modules=["to_q", "to_k", "to_v", "to_out"], # 指定要应用LoRA的模块
126.     )
127.     model = inject_adapter_in_model(lora_config, model) # 将LoRA配置注入到模型中
128.     state_dict = torch.load(lora_path, map_location="cpu") # 加载LoRA微调后的权重
129.     model.load_state_dict(state_dict, strict=False) # 将权重加载到模型中，允许部分权重不匹配
130.     return model # 返回注入LoRA后的模型
131. # 加载预训练模型
132. model_manager = ModelManager(
133.     torch_dtype=torch.float16, # 设置模型的数据类型为float16，减少显存占用
134.     device="cuda", # 指定使用GPU进行计算
135.     file_path_list=[
136.         "models/kolors/Kolors/text_encoder", # 文本编码器的路径
137.         "models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors", # UNet模型的路径
138.         "models/kolors/Kolors/vae/diffusion_pytorch_model.safetensors" # VAE模型的路径
139.     ]
140. )
141. # 初始化图像生成管道
142. pipe = SDXLImagePipeline.from_model_manager(model_manager) # 从模型管理器中加载模型并初始化管道
143. # 加载并应用LoRA权重到UNet模型
144. pipe.unet = load_lora(
145.     pipe.unet,
146.     lora_rank=16, # 设置LoRA的秩(rank)，与训练脚本中的参数保持一致
147.     lora_alpha=2.0, # 设置LoRA的alpha值，控制LoRA对模型的影响权重
148.     lora_path="models/lightning_logs/version_0/checkpoints/epoch=0-step=500.ckpt" # 指定LoRA权重的文件路径
149. )
152. # 生成图像
153. torch.manual_seed(0) # 设置随机种子，确保生成的图像具有可重复性。如果想要每次生成不同的图像，可以将种子值改为随机值。
154. image = pipe(
155.     prompt="二次元，一个紫色短发小女孩，在家中沙发上坐着，双手托着腮，很无聊，全身，粉色连衣裙", # 设置正向提示词，用于指导模型生成图像的内容
156.     negative_prompt="丑陋、变形、嘈杂、模糊、低对比度", # 设置负向提示词，模型会避免生成包含这些特征的图像
157.     cfg_scale=4, # 设置分类自由度 (Classifier-Free Guidance) 的比例，数值越高，模型越严格地遵循提示词
158.     num_inference_steps=50, # 设置推理步数，步数越多，生成的图像细节越丰富，但生成时间也更长
159.     height=1024, width=1024, # 设置生成图像的高度和宽度，这里生成 1024x1024 像素的图像
160. )
161. image.save("1.jpg") # 将生成的图像保存为 "1.jpg" 文件
164. # 图像拼接，展示总体拼接大图
165. import numpy as np  # 导入numpy库，用于处理数组和数值计算
166. from PIL import Image  # 导入PIL库中的Image模块，用于图像处理
167. images = [np.array(Image.open(f"{i}.jpg")) for i in range(1, 9)]  # 读取1.jpg到8.jpg的图像，转换为numpy数组，并存储在列表images中
168. image = np.concatenate([  # 将四组图像在垂直方向上拼接
169.     np.concatenate(images[0:2], axis=1),  # 将第1组（images[0:2]）的两张图像在水平方向上拼接
170.     np.concatenate(images[2:4], axis=1),  # 将第2组（images[2:4]）的两张图像在水平方向上拼接
171.     np.concatenate(images[4:6], axis=1),  # 将第3组（images[4:6]）的两张图像在水平方向上拼接
172.     np.concatenate(images[6:8], axis=1),  # 将第4组（images[6:8]）的两张图像在水平方向上拼接
173. ], axis=0)  # 将四组拼接后的图像在垂直方向上拼接
174. image = Image.fromarray(image).resize((1024, 2048))  # 将拼接后的numpy数组转换为图像对象，并调整大小为1024x2048像素
175. image  # 输出最终生成的图像对象，用于显示图像

复制代码

再次生成图片

在了解过代码之后，我们可以再次试一下生图：

• 修改prompt
  

• prompt=“古风，水墨画，一个身着青衫的少女，坐在教室中，专注地凝视着先生讲解，上半身，手执毛笔，面前摆放着书卷。”
  
• prompt=“古风，水墨画，一个身穿绿色长裙的少女，坐在桌边，头轻轻垂下，似乎正陷入梦境，上半身，桌上散落着未完成的作业。”
  
• prompt=“古风，水墨画，一个穿着蓝白色汉服的少女，站在一条石板路上，周围是朦胧的雾气，全身，手中拿着折扇，若有所思地看着远方。”
  
• prompt=“古风，水墨画，一位英俊的青年骑着白马缓缓靠近，少女站在路边，惊讶而等待地望着他，全身，背景是绿树成荫的小道”
  
• prompt=“古风，水墨画，温馨的氛围，少女与青年坐在一棵大树下，交谈甚欢，两人都是上半身，少女手持折扇，青年手持书卷，背景是繁花似锦的春天景色”
  
• prompt=“古风，水墨画，浪漫的色彩，少女与青年并肩坐在马上，两人笑脸满面，全身，背景是夕阳下的旷野”
  
• prompt=“古风，水墨画，轻柔的色调，少女从梦中醒来，坐在教室里，显得有些渺茫，上半身，桌上摊开着书籍和毛笔”
  
• prompt=“古风，水墨画，平静的氛围，少女坐在书桌前，专心致志地誊写着，上半身，身旁堆满了书卷，窗外是黄昏的天空”
  

• 生图↓
  
  
  
  

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。