Datawhale X 魔搭 AI夏令营 AIGC人物风格赛

工具初探一ComfyUI应用场景探索

• 什么是ComfyUI
  

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，是基于节点工作的用户界面，重要用于操作图像的天生技能，ComfyUI 的特殊之处在于它采用了一种模块化的设计，把图像天生的过程分解成了很多小的步骤，每个步骤都是一个节点。这些节点可以毗连起来形成一个工作流程，如许用户就可以根据必要定制自己的图像天生过程。

1.1 ComfyUI核心模块介绍：
ComfyUI是一款先进的软件系统，其核心模块重要包罗以下几部门：
1. **用户管理模块**：
   - **功能**：负责用户账户的创建、管理、权限分配等操作。
   - **特点**：提供易于操作的用户界面，支持批量用户操作，保障账户安全。
2. **数据分析模块**：
   - **功能**：对数据进行采集、处理、分析和可视化展示。
   - **特点**：支持多种数据分析算法，提供丰富的图表展示形式，资助用户深入明确数据。
3. **系统设置模块**：
   - **功能**：允许管理员对系统进行配置，包罗系统参数、界面主题、通知设置等。
   - **特点**：灵活的系统配置选项，满足不同用户的需求，支持自定义设置。
4. **报表天生模块**：
   - **功能**：根据用户需求天生各类报表，支持导出和打印。
   - **特点**：提供多种报表模板，支持个性化定制，方便快捷地天生专业报表。
5. **安全监控模块**：
   - **功能**：实时监控系统的安全状态，包罗登录日志、操作审计等。
   - **特点**：实时发现潜在安全风险，保障系统稳定运行。
6. **通信模块**：
   - **功能**：负责软件内部以及与其他系统之间的数据通信。
   - **特点**：支持多种通信协议，确保数据传输的稳定性和安全性。
这些核心模块共同构成了ComfyUI的强大功能体系，为用户提供了一个高效、稳定、安全的操作环境。通过这些模块的协同工作，ComfyUI能够满足不同场景下的业务需求，提升用户体验。
1.2 Stable Diffusion的根本原理是通过降噪的方式（如完全的噪声图像），将一个本来的噪声信号变为无噪声的信号（如人可以明确的图像）。此中的降噪过程涉及到多次的采样。采样的系数在KSampler中配置：

• seed：控制噪声产生的随机种子
  
• control_after_generate：控制seed在每次天生后的变化
  
• steps：降噪的迭代步数，越多则信号越精准，相对的天生时间也越长
  
• cfg：classifier free guidance决定了prompt对于最终天生图像的影响有多大。更高的值代表更多地展现prompt中的描述。
  
• denoise: 多少内容会被噪声覆盖 sampler_name、scheduler：降噪参数。3 ComfyUI图片天生流程
  

 
1.3  comfyui流程

2.20分钟速通安装ComfyUI

在这里，我们依旧选择使用魔搭社区提供的Notebook和免费的GPU算力体验来体验ComfyUI。

选择方式二GPU不然会报错找不到英伟达的GPU，选择最新版本
2.1下载脚本代码文件
下载安装ComfyUI的实行文件和task1中微调完成Lora文件

1. git lfs install
2. git clone https://www.modelscope.cn/datasets/maochase/kolors_test_comfyui.git
3. mv kolors_test_comfyui/* ./
4. rm -rf kolors_test_comfyui/
5. mkdir -p /mnt/workspace/models/lightning_logs/version_0/checkpoints/
6. mv epoch=0-step=500.ckpt /mnt/workspace/models/lightning_logs/version_0/checkpoints/   

复制代码

• 进入ComfyUI的安装文件2.1下载脚本代码文件
  

2.2进入comfyui安装文件

一键实行安装程序

当实行到末了一个节点的内容输出了一个访问的链接的时候，复制链接到浏览器中访问

必要用Chrome打开啊

之后下载两个文件才能运行，第一种是不带lora的文件

运行中，观察发现模块有序实行，颜色为绿色为当前实行的工作流。末了天生图片为

另有一种是带lora

• 这里的Lora是我们Task1微调训练出来的文件
  
• 地址是：/mnt/workspace/models/lightning_logs/version_0/checkpoints/epoch=0-step=500.ckpt
  
• 大家如有有其他的Lora文件，可以在下面截图Lora文件地址地区更换成自己的地址
  
• 
  
  
  

补充内容
LoRA（Low-Rank Adaptation）似乎是一种用于机器学习领域的技能，特殊是在预训练模子的微调方面。以下是关于LoRA（Low-Rank Adaptation）的精确简介：
### LoRA（Low-Rank Adaptation）简介
LoRA（Low-Rank Adaptation）是一种高效的微调技能，用于在预训练的机器学习模子上进行个性化调解，以顺应特定的使命或领域。这种方法通过引入低秩矩阵来近似全秩的参数更新，从而减少微调过程中所需的参数数量，进步效率和灵活性。
#### 特点：
- **参数效率**：LoRA通过使用低秩矩阵来减少必要微调的参数数量，从而在保持模子性能的同时减少计算资源和存储需求。
- **灵活性**：LoRA允许对预训练模子进行细粒度的调解，使其更好地顺应特定的卑鄙使命。
- **泛化本领**：通过减少微调参数的数量，LoRA有助于模子保持更好的泛化本领，减少过拟合的风险。
- **资源消耗低**：由于参数数量的减少，LoRA在微调过程中所需的计算资源和时间都相对较少。
#### 工作原理：
在微调过程中，通常必要对预训练模子的参数进行更新以顺应新的使命。LoRA通过在原始参数旁边添加一个低秩矩阵，该矩阵与一个小的可训练向量相乘，以此来近似原始参数的更新。这种方法使得只必要微调少量的参数（即低秩矩阵和向量的参数），而不是整个模子的全部参数。
#### 应用场景：
LoRA技能特殊适用于大规模预训练模子，如BERT、GPT等，在自然语言处理、计算机视觉等领域中的应用。它使得这些模子能够快速顺应新的使命，而不必要大量的计算资源。
LoRA作为一种创新的微调方法，为机器学习模子的实际应用提供了告急的技能支持，特殊是在资源受限的环境中。通过这种方法，可以更高效地将预训练模子应用于各种特定的场景和使命。
 lora的优势
### 快速顺应新使命
- **模块化调解**：LoRA允许仅对模子的一部门进行调解，这使得模子能够快速顺应新的使命或领域，而不必要对整个模子进行大规模的重新训练。
- **少量标注数据**：即使在只有少量标注数据的环境下，LoRA也能够有效地对模子进行个性化调解，使其顺应特定的使命或领域。
### 保持泛化本领
- **知识迁徙**：通过仅微调模子的一部门，LoRA有助于生存模子在未见过的数据上的泛化本领，同时还能学习到特定使命的知识。
- **减少过拟合风险**：由于微调的参数较少，LoRA减少了过拟合的风险，使得模子能够更好地泛化到未见过的数据上。
### 资源效率
- **计算资源**：LoRA通过减少微调参数的数量，减少了所需的计算资源，使得微调过程更加高效。
- **存储空间**：由于必要存储的参数数量减少，LoRA也减少了存储空间的需求，使得模子部署更加灵活。
本文涉及的lora讲解
lora微调代码

1. import os
2. cmd = """
3. 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
4.   --pretrained_unet_path models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors \ # 选择unet模型
5.   --pretrained_text_encoder_path models/kolors/Kolors/text_encoder \ # 选择text_encoder
6.   --pretrained_fp16_vae_path models/sdxl-vae-fp16-fix/diffusion_pytorch_model.safetensors \ # 选择vae模型
7.   --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
8.   --lora_alpha 4.0 \ # 设置 LoRA 的 alpha 值，影响调整的强度
9.   --dataset_path data/lora_dataset_processed \ # 指定数据集路径，用于训练模型
10.   --output_path ./models \ # 指定输出路径，用于保存模型
11.   --max_epochs 1 \ # 设置最大训练轮数为 1
12.   --center_crop \ # 启用中心裁剪，这通常用于图像预处理
13.   --use_gradient_checkpointing \ # 启用梯度检查点技术，以节省内存
14.   --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
15. """.strip()
16. os.system(cmd) # 执行可图Lora训练   

复制代码

参数

参数名称	参数值	分析
pretrained_unet_path	models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors	指定预训练UNet模子的路径
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模子的路径
lora_rank	16	设置LoRA的秩（rank），影响模子的复杂度和性能
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子的路径
max_epochs	1	设置最大训练轮数为1
center_crop		启用中心裁剪，用于图像预处理
use_gradient_checkpointing		启用梯度检查点，节省显存
precision	"16-mixed"	设置训练时的精度为混淆16位精度（half precision）

UNet、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模子中，UNet吸收由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相符的图像
  
• VAE：天生模子，用于将输入数据映射到潜在空间，并从中采样以天生新图像。在Stable Diffusion中，VAE编码器首先天生带有噪声的潜在表现，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子可以明确的向量表现。在Stable Diffusion模子中，文本编码器使用CLIP模子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
  

 
3 怎样准备一个高质量的数据集

当我们进行图片天生相干的工作时，选择合适的数据集好坏常告急的。怎样找到适合自己的数据集呢，这里给大家整理了一些告急的参考维度，希望可以资助你快速找到适合的数据集：

• 明确你的需求和目标
  

• 关注应用场景：确定你的模子将被应用到什么样的场景中（例如，艺术风格转换、产物图像天生、医疗影像合成等）。
  
• 关注数据类型：你必要什么样的图片？好比是真实天下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：思量你的使命应该必要多少图片来支持训练和验证。
  

末了，感谢datawhale。 

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。