Datawhale X 魔搭 AI夏令营-AIGC文生图-task3-笔记

本次学习是实战优化，有两个方面：
学习ComfyUI
学习Lora微调

一、ComfyUI

1.1 概念

GUI是 "Graphical User Interface"（图形用户界面）的缩写，GUI是一种基于图形元素和视觉化控件的用户界面，允许用户通过点按图标、拖放操作以及使用鼠标或触摸屏等输入装备来与计算机软件进行交互。
ComfyUI 是GUI的一种，是基于节点工作的用户界面，主要用于操作图像的生成技术。
ComfyUI特点：模块化筹划，把图像生成的一步步分解成一个个节点，节点毗连形成工作流程，用户可以根据自己的需要定制图像生成过程。
文生图的工作流平台工具ComfyUI，核心逻辑：搭积木

1.2 核心模块

核心模块包罗模型加载器、提示词管理器、采样器、解码器
模型加载器：Load Checkpoint用于加载底子的模型文件，包罗了Model、CLIP、VAE三部门

CLIP模块将文本类型的输入变为模型可以明白的latent space embedding作为模型的输入

解码器：VAE模块的作用是将Latent space中的embedding解码为像素级别的图像

采样器：用于控制模型生成图像，不同的采样取值会影响最终输出图像的质量和多样性。采样器可以调治生成过程的速度和质量之间的平衡。

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（如人可以明白的图像）。此中的降噪过程涉及到多次的采样。采样的系数在KSampler中设置：

• seed：控制噪声产生的随机种子
  
• control_after_generate：控制seed在每次生成后的变化
  
• steps：降噪的迭代步数，越多则信号越精准，相对的生成时间也越长
  
• cfg：classifier free guidance决定了prompt对于最终生成图像的影响有多大。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
  

1.3 ComfyUI图片生成流程

1.4 ComfyUI的上风

模块化和机动性：用户可以通过拖放不同的模块来构建复杂的工作流程。
可视化界面：用户能够更清晰地明白和操作复杂的 AI 模型和数据流。
多模型支持：用户可以在同一平台上集成和切换使用不同的模型，从而实现更广泛的应用场景。
调试和优化：用户可以轻松地追踪数据流，识别并解决题目，从而优化生成结果。
开放和可扩展：ComfyUI是开源项目，开辟者可以根据需要编写新的模块或插件，扩展体系功能，并根据项目需求进行定制。
用户友爱性：对于复杂任务，能以相对简单的方式完成，是生成式 AI 工作流程管理的有力工具。

二、20分钟速通安装ComfyUI

我们依旧选择使用魔搭社区提供的Notebook和阿里云提供的免费的GPU算力来体验ComfyUI。
在魔搭使用ComfyUI，玩转AIGC！ · 魔搭社区 (modelscope.cn)

2.1 下载脚本代码文件
下载安装ComfyUI的实行文件和task1微调完成的Lora文件，代码如下

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

图示如下
（1）在新建的文件中创建一个terminal

（2）粘贴代码，下载文件

2.2 进入ComfyUI的安装文件

（1）进入ComfyUI的安装部署文件

（2）一键实行安装步伐
点击“一键实行”后会弹出restart Kernel，点击restart即可

2.3 进入预览界面

当实行到最后一个节点的内容输出了一个访问的链接的时间，复制链接到欣赏器中访问。

PS：如果链接访问白屏，或者报错，就等一会再访问重试，步伐大概没有正常启动完毕。
到这里还不能生成图片，要完成后续的操作才可以。

三、浅尝ComfyUI工作流

启动 ComfyUI后

• 通过代码输出的链接检察 UI 页面
  

• 点击右侧“Load”，加载“kolors_example.json”（不带 LoRA）或者 “kolors_with_lora_example.json”（带 LoRA）
  
• 加载 LoRA 时，请在“lora_path”处填入 LoRA 模型的路径，例如 /mnt/workspace/models/lightning_logs/version_0/checkpoints/epoch=0-step=500.ckpt
  

3.1 不带Lora的工作流样例

（1）下载工作流脚本 kolors_example.json
（2）加载模型，并完成第一次生图

3.2 带Lora的工作流样例

（1）下载工作流脚本，是task1微调训练出来的文件， kolors_with_lora_example.json。如果有其他的Lora文件，可以在Lora文件地点地区更换成自己的地点

（2）加载模型

更换为task2的提示词后的图片效果，感觉不错，比task2时更好一点，未来继承探索。

四、Lora微调

4.1 Lora简介

LoRA (Low-Rank Adaptation) 微调是一种用于在预训练模型上进行高效微调的技术。

• 可以通过高效且机动的方式实现模型的个性化调解，使其能够顺应特定的任务或范畴。
  
• 保持良好的泛化能力和较低的资源斲丧
  

4.1.1 Lora微调的原理

LoRA通过在预训练模型的关键层中添加低秩矩阵来实现。这些低秩矩阵通常被筹划成具有较低维度的参数空间，如许它们就可以在不改变模型整体结构的情况下进行微调。在训练过程中，只有这些新增的低秩矩阵被更新，而原始模型的大部门权重保持不变。
详细可以参考：普通易懂明白全量微调和LoRA微调_哔哩哔哩_bilibili
4.1.2 Lora微调的上风

• 快速顺应新任务
  

        在特定范畴有少量标注数据的情况下，也可以有用地对模型进行个性化调解。

• 保持泛化能力
  

        LoRA通过微调模型的一部门，有助于保持模型在未见过的数据上的泛化能力，同时还能学习到特定任务的知识。

• 资源服从
  

        LoRA旨在通过仅微调模型的部门权重，而不是整个模型，从而淘汰所需的计算资源和存储空间。
4.2 Lora详解

4.2.1 Lora微调代码解析

针对可图角逐中的微调代码进行一个深入的相识。

1. import os
2. cmd = """
3. # 选择使用可图的Lora训练脚本DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py
4. python DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py \
5.   # 选择unet模型
6.   --pretrained_unet_path models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors \
7. # 选择text_encoder
8.   --pretrained_text_encoder_path models/kolors/Kolors/text_encoder \
9.   # 选择vae模型
10.   --pretrained_fp16_vae_path models/sdxl-vae-fp16-fix/diffusion_pytorch_model.safetensors \
12.   --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
13.   --lora_alpha 4.0 \ # 设置 LoRA 的 alpha 值，影响调整的强度
14.   --dataset_path data/lora_dataset_processed \ # 指定数据集路径，用于训练模型
15.   --output_path ./models \ # 指定输出路径，用于保存模型
16.   --max_epochs 1 \ # 设置最大训练轮数为 1
17.   --center_crop \ # 启用中心裁剪，这通常用于图像预处理
18.   --use_gradient_checkpointing \ # 启用梯度检查点技术，以节省内存
19.   --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
20. """.strip()
21. os.system(cmd) # 执行可图Lora训练   

复制代码

4.2.2 UNet、VAE和文本编码器的协作关系

• UNet：负责>>>噪声+文本条件=生成图像。在SD模型中，UNet吸收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，猜测去噪后的噪声，生成与文本描述相符的图像。
  
• VAE：生成模型，将输入的数据映射到潜在空间，从中采样生成新图像。在SD模型中，VAE编码器老师成带有噪声的潜在表示，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明白的向量表示。在SD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生成的噪声一起输入到UNet中，指导图像的生成过程。
  

五、预备一个高质量的数据集

5.1 明白需求和目的

• 关注应用场景（好比艺术风格转换、产品图像生成、医疗影像合成等）
  
• 关注数据类型（好比真实世界or合成图像、黑白or彩色、高/低分辨率等）
  
• 关注数据量（需要多少图片来支持训练和验证）
  

5.2 数据集来源整理

以下渠道来源均需要考虑合规性题目，在选择数据集过程中需要谨慎选择。
5.2.1 公开的数据平台

• 魔塔社区：开放了近3000个数据集 数据集首页 · 魔搭社区 (modelscope.cn)
  
• ImageNet：包罗数百万张图片，广泛用于分类任务，也可以用于生成任务。
  
• 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，常用于图像描述任务。
  
• 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。
  

5.2.2 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，但需要注意版权题目。
  

5.2.3 数据合成

• 使用现有的图形引擎（如Unity、Unreal Engine）或特定软件生成合成数据，这在训练某些类型的模型时非常有用。
  
• 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，从零入门多模态大模型数据合成
  

5.2.4 数据增强或购买定制

• 对于较小的数据集，可以通过旋转、翻转、缩放、颜色变换等方式进行数据增强。
  
• 如果你的应用是特定范畴的，好比医学影像、卫星图像等，建议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。