Part1:磨刀准备一一认识通义千问
- 使用通义千问大语言模型来告诉大家如何借助AI智能助手帮我们阅读代码.(https://tongyi.aliyun.com/qianwen/)
- 建议使用官网
Part2: 精读baseline——从零入门AI生图
- 关于代码阅读和理解,我们今天尝试让AI助手从两个角度帮助我们:
-
分析代码的主题架构;
-
逐行代码解析。
-
首先我们来直观 感知下这个文生图代码的框架结构:
编辑
- baseline中的所有代码整理码结构如下:
!pip install simple-aesthetics-predictor
!pip install -v -e data-juicer
!pip uninstall pytorch-lightning -y
!pip install peft lightning pandas torchvision
!pip install -e DiffSynth-Studio
from modelscope.msdatasets import MsDataset
ds = MsDataset.load(
'AI-ModelScope/lowres_anime',
subset_name='default',
split='train',
cache_dir="/mnt/workspace/kolors/data"
)
import json, os
from data_juicer.utils.mm_utils import SpecialTokens
from tqdm import tqdm
os.makedirs("./data/lora_dataset/train", exist_ok=True)
os.makedirs("./data/data-juicer/input", exist_ok=True)
with open("./data/data-juicer/input/metadata.jsonl", "w") as f:
for data_id, data in enumerate(tqdm(ds)):
image = data["image"].convert("RGB")
image.save(f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg")
metadata = {"text": "二次元", "image": [f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg"]}
f.write(json.dumps(metadata))
f.write("\n")
data_juicer_config = """
# global parameters
project_name: 'data-process'
dataset_path: './data/data-juicer/input/metadata.jsonl' # path to your dataset directory or file
np: 4 # number of subprocess to process your dataset
text_keys: 'text'
image_key: 'image'
image_special_token: '<__dj__image>'
export_path: './data/data-juicer/output/result.jsonl'
# process schedule
# a list of several process operators with their arguments
process:
- image_shape_filter:
min_width: 1024
min_height: 1024
any_or_all: any
- image_aspect_ratio_filter:
min_ratio: 0.5
max_ratio: 2.0
any_or_all: any
"""
with open("data/data-juicer/data_juicer_config.yaml", "w") as file:
file.write(data_juicer_config.strip())
!dj-process --config data/data-juicer/data_juicer_config.yaml
import pandas as pd
import os, json
from PIL import Image
from tqdm import tqdm
texts, file_names = [], []
os.makedirs("./data/data-juicer/output/images", exist_ok=True)
with open("./data/data-juicer/output/result.jsonl", "r") as f:
for line in tqdm(f):
metadata = json.loads(line)
texts.append(metadata["text"])
file_names.append(metadata["image"][0])
df = pd.DataFrame({"text": texts, "file_name": file_names})
df.to_csv("./data/data-juicer/output/result.csv", index=False)
df
from transformers import CLIPProcessor, CLIPModel
import torch
model = CLIPModel.from_pretrained("openai/clip-vit-base-patch32")
processor = CLIPProcessor.from_pretrained("openai/clip-vit-base-patch32")
images = [Image.open(img_path) for img_path in df["file_name"]]
inputs = processor(text=df["text"].tolist(), images=images, return_tensors="pt", padding=True)
outputs = model(**inputs)
logits_per_image = outputs.logits_per_image # this is the image-text similarity score
probs = logits_per_image.softmax(dim=1) # we can take the softmax to get the probabilities
probs
from torch.utils.data import Dataset, DataLoader
class CustomDataset(Dataset):
def __init__(self, df, processor):
self.texts = df["text"].tolist()
self.images = [Image.open(img_path) for img_path in df["file_name"]]
self.processor = processor
def __len__(self):
return len(self.texts)
def __getitem__(self, idx):
inputs = self.processor(text=self.texts[idx], images=self.images[idx], return_tensors="pt", padding=True)
return inputs
dataset = CustomDataset(df, processor)
dataloader = DataLoader(dataset, batch_size=8)
for batch in dataloader:
outputs = model(**batch)
logits_per_image = outputs.logits_per_image
probs = logits_per_image.softmax(dim=1)
print(probs)
import torch
from diffusers import StableDiffusionPipeline
torch.manual_seed(1)
pipe = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v-1-4", torch_dtype=torch.float16)
pipe = pipe.to("cuda")
prompt = "二次元,一个紫色长发小女孩穿着粉色吊带漏肩连衣裙,在练习室练习唱歌,手持话筒"
negative_prompt = "丑陋、变形、嘈杂、模糊、低对比度"
guidance_scale = 4
num_inference_steps = 50
image = pipe(
prompt=prompt,
negative_prompt=negative_prompt,
guidance_scale=guidance_scale,
num_inference_steps=num_inference_steps,
height=1024,
width=1024,
).images[0]
image.save("example_image.png")
image
from PIL import Image
torch.manual_seed(1)
image = pipe(
prompt="二次元,日系动漫,演唱会的观众席,人山人海,一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席,舞台上衣着华丽的歌星们在唱歌",
negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
cfg_scale=4,
num_inference_steps=50, height=1024, width=1024,
)
image.save("1.jpg")
torch.manual_seed(1)
image = pipe(
prompt="二次元,一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席,露出憧憬的神情",
negative_prompt="丑陋、变形、嘈杂、模糊、低对比度,色情擦边",
cfg_scale=4,
num_inference_steps=50, height=1024, width=1024,
)
image.save("2.jpg")
torch.manual_seed(2)
image = pipe(
prompt="二次元,一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席,露出憧憬的神情",
negative_prompt="丑陋、变形、嘈杂、模糊、低对比度,色情擦边",
cfg_scale=4,
num_inference_steps=50, height=1024, width=1024,
)
image.save("3.jpg")
torch.manual_seed(5)
image = pipe(
prompt="二次元,一个紫色短发小女孩穿着粉色吊带漏肩连衣裙,对着流星许愿,闭着眼睛,十指交叉,侧面",
negative_prompt="丑陋、变形、嘈杂、模糊、低对比度,扭曲的手指,多余的手指",
cfg_scale=4,
num_inference_steps=50, height=1024, width=1024,
)
image.save("4.jpg")
torch.manual_seed(0)
image = pipe(
prompt="二次元,一个紫色中等长度头发小女孩穿着粉色吊带漏肩连衣裙,在练习室练习唱歌",
negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
cfg_scale=4,
num_inference_steps=50, height=1024, width=1024,
)
image.save("5.jpg")
torch.manual_seed(1)
image = pipe(
prompt="二次元,一个紫色长发小女孩穿着粉色吊带漏肩连衣裙,在练习室练习唱歌,手持话筒",
negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
cfg_scale=4,
num_inference_steps=50, height=1024, width=1024,
)
image.save("6.jpg")
torch.manual_seed(7)
image = pipe(
prompt="二次元,紫色长发少女,穿着黑色连衣裙,试衣间,心情忐忑",
negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
cfg_scale=4,
num_inference_steps=50, height=1024, width=1024,
)
image.save("7.jpg")
torch.manual_seed(0)
image = pipe(
prompt="二次元,紫色长发少女,穿着黑色礼服,连衣裙,在台上唱歌",
negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
cfg_scale=4,
num_inference_steps=50, height=1024, width=1024,
)
image.save("8.jpg")
import numpy as np
from PIL import Image
images = [np.array(Image.open(f"{i}.jpg")) for i in range(1, 9)]
image = np.concatenate([
np.concatenate(images[0:2], axis=1),
np.concatenate(images[2:4], axis=1),
np.concatenate(images[4:6], axis=1),
np.concatenate(images[6:8], axis=1),
], axis=0)
image = Image.fromarray(image).resize((1024, 2048))
image
-
分析代码的主体架构
-
输入的Prompt
你是一个优秀的python开发工程师,现在我们需要你帮我们分析这个代码的主体框架,你需要把代码按照工作流分成几部分,用中文回答我的问题。{此处替换前面的代码}
-
返回的结果
这段代码可以大致分为以下几个主要的工作流程:
1. 环境准备与依赖安装
使用pip命令安装所需的Python库,包括simple-aesthetics-predictor、data-juicer(使用editable模式)、移除并重新安装pytorch-lightning及其替代库peft、lightning、pandas、torchvision,以及DiffSynth-Studio。
2. 数据预处理与整理
加载数据集:通过MsDataset从ModelScope加载名为lowres_anime的数据集,并指定子集、分割方式和缓存目录。
转换并保存图像:遍历数据集,将图像转换为RGB格式并保存到指定路径,同时生成包含文本和图像路径的元数据文件,用于后续处理。
配置数据处理:创建一个data_juicer_config.yaml配置文件,设定数据处理的规则,如图像尺寸、长宽比过滤条件等。
执行数据处理:使用data-juicer工具根据配置文件对数据进行过滤和处理,输出处理后的结果。
3. 数据分析与准备
读取处理后的数据:读取处理后的JSONL文件,提取文本和对应的图像路径,构建Pandas DataFrame,并保存为CSV文件。
CLIP模型应用:利用Hugging Face的CLIPModel和CLIPProcessor计算文本与图像的相似性分数,展示概率分布。
4. 自定义数据集与模型加载
创建自定义数据集类:定义了一个继承自torch.utils.data.Dataset的CustomDataset类,用于封装处理好的文本和图像数据,配合CLIPProcessor进行数据处理。
数据加载器:使用DataLoader加载自定义数据集,以批量形式迭代处理数据。
5. 图像生成与处理
Stable Diffusion Pipeline:利用Hugging Face的StableDiffusionPipeline生成二次元风格的图像,通过不同的种子值和提示生成多张变体图片,同时加入负面提示以排除不希望出现的特征。
图像拼接:最后,将生成的多张图片横向和纵向拼接成一张大图,展示生成结果。
整体来看,这段代码实现了一个从数据准备、处理、分析、模型应用到最终图像生成的完整工作流程,涵盖了数据预处理、机器学习模型应用、自定义数据集构建、深度学习模型调用等多个技术环节。
-
执行过程
-
逐行 解释代码
-
输入的问题
你是一个优秀的python开发工程师,现在我们需要你帮我们逐行分析这个代码,用中文回答我的问题。{此处替换前面的代码}
-
返回的结果
这段代码主要分为以下几个部分:
环境准备和依赖安装:
安装所需的库,如simple-aesthetics-predictor、data-juicer、pytorch-lightning、peft、lightning、pandas和torchvision。
卸载旧版本的pytorch-lightning并重新安装。
克隆并安装DiffSynth-Studio项目。
数据加载与预处理:
使用MsDataset从AI-ModelScope加载'lowres_anime'数据集,并指定训练集、子集名和缓存目录。
将数据集中的图像保存到特定文件夹,并为每个图像创建对应的JSON格式的metadata文件,包含文本描述和图片路径。
使用DataJuicer进行数据清洗:
配置DataJuicer参数,包括项目名称、数据集路径、进程数以及数据过滤条件(如最小宽度、高度和纵横比)。
写入配置文件。
运行DataJuicer脚本对数据进行清洗和筛选。
将预处理后的数据转换为CSV:
读取清洗后的结果,提取文本和文件名,并将其存储为DataFrame。
将DataFrame写入CSV文件。
使用CLIP模型计算相似性得分:
加载CLIP预训练模型和处理器。
对清洗后的数据集中的文本和图像应用处理器以生成输入张量。
通过模型获取图像与文本的相似性得分(概率)。
定义自定义数据集类并构建Dataloader:
创建CustomDataset类,用于处理数据加载和预处理。
实例化CustomDataset和Dataloader对象。
运行CLIP模型并打印输出:
在定义好的Dataloader上迭代,每次循环调用CLIP模型并打印图像与文本的相似性得分(概率)。
使用StableDiffusionPipeline生成图像:
初始化StableDiffusionPipeline,设置随机种子和模型参数。
使用不同的提示和负向提示生成多幅图像,并保存它们。
拼接生成的图像:
将生成的图像数组沿着水平方向拼接成一个大图,然后调整大小并保存。
整个代码的工作流程是:首先下载和预处理数据,接着利用DataJuicer进行数据清洗,之后使用CLIP模型计算图像与文本的相关性,最后使用StableDiffusionPipeline根据给定的提示生成新的图像,并将它们拼接在一起。
-
执行过程
Part3:实战演练一一基于话剧的连环画制作
你是一个文生图专家,我们现在要做一个实战项目,就是要编排一个文生图话剧
话剧由8张场景图片生成,你需要输出每张图片的生图提示词
具体的场景图片
1、女主正在上课
2、开始睡着了
3、进入梦乡,梦到自己站在路旁
4、王子骑马而来
5、两人相谈甚欢
6、一起坐在马背上
7、下课了,梦醒了
8、又回到了学习生活中
生图提示词要求
1、风格为古风
2、根据场景确定是使用全身还是上半身
3、人物描述
4、场景描述
5、做啥事情
例子:
古风,水墨画,一个黑色长发少女,坐在教室里,盯着黑板,深思,上半身,红色长裙
-
结果展示
编辑
-
Part4:更多的选择一 一浅尝scepter webui
- 魔搭体验网址:https://www.modelscope.cn/studios/iic/scepter_studio
-
官 方定义
🪄SCEPTER is an open-source code repository dedicated to generative training, fine-tuning, and inference, encompassing a suite of downstream tasks such as image generation, transfer, editing. SCEPTER integrates popular community-driven implementations as well as proprietary methods by Tongyi Lab of Alibaba Group, offering a comprehensive toolkit for researchers and practitioners in the field of AIGC. This versatile library is designed to facilitate innovation and accelerate development in the rapidly evolving domain of generative models.