Datawhale X 魔搭 AI夏令营 - 学习笔记

一、ComfyUI应用部分   
 

1. ComfyUI的安装与使用
ComfyUI 是GUI"Graphical User Interface"（图形用户界面）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，它把图像生成的过程分解成了许多小的步骤，每个步骤都是一个节点。这些节点可以连接起来形成一个工作流程，这样用户就可以根据需要定制自己的图像生成过程。

通过这种方式我们就能避免直接面对复杂的代码和框架直接图形化的使用模型和生成图像了

ComfyUI 核心模块由模型加载器、提示词管理器、采样器、解码器构成。具体的解释可以查看学习链接，这里着重说明两点：

1. 模型加载器：Load Checkpoint用于加载基础的模型文件，包含了Model、CLIP、VAE三部分

2. CLIP模块将文本类型的输入变为模型可以理解的latent space embedding作为模型的输入，而解码器：VAE模块的作用是将Latent space中的embedding解码为像素级别的图像

安装时我们直接进入Notebook，打开terminal并输入学习链接中的代码：

进入ComfyUI的安装文件
一键执行安装程序（大约10min）
当执行到最后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

4、浅尝ComfyUI工作流
很多人不了解工作流是什么，如果用过Blender的几何节点差不多能理解一些，简单来说，就是这个模块分为数据流和任务流，在执行的过程中会合并分解等各种操作。在直白一点就是炒菜的时候添加各种调料，最后输出成品。主菜就是数据，调料就是各个模块的执行，最后的输出结果就是成品，而整个流程下来就是工作流。

4.1 不带Lora的工作流样例
Step1：下载工作流脚本（资源上传了不知道可以不可以用）

Step2：加载模型，并完成第一次生图

导入工作流

二、Lora微调部分

1、什么是Lora？
        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。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任务或领域，同时保持良好的泛化能力和较低的资源消耗。这对于推动大规模预训练模型的实际应用至关重要。

2、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设计成具有较低维度的参数空间，这样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，而原始模型的大部分权重保持不变。

3、Lora详解
现在我们来针对可图比赛中的微调代码进行一个深入的了解。

3.1 Task2中的的微调代码
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    

3.2 参数详情表

3.3 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生成图像。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，从而生成与文本描述相符的图像

VAE：生成模型，用于将输入数据映射到潜在空间，并从中采样以生成新图像。在Stable Diffusion中，VAE编码器首先生成带有噪声的潜在表示，这些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理解的向量表示。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生成的噪声一起输入到UNet中，指导图像的生成过程

lora微调部分说实话理解的不是很到位，笔者也是在不断摸索中，后面有更深入的理解后会回来更新补充。

三、数据集资源
1、数据集的理解
什么是数据集？我理解的数据集就是成品的来源，就是炒菜的主菜。那么当我们进行图片生成相关的工作时，选择合适的数据集是非常重要的。如何找到适合自己的数据集呢，这里给大家整理了一些重要的参考维度，希望可以帮助你快速找到适合的数据集：

明确需求和目标

关注应用场景：确定你的模型将被应用到什么样的场景中（例如，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：你需要什么样的图片？比如是真实世界的照片还是合成图像？是黑白的还是彩色的？是高分辨率还是低分辨率？

关注数据量：考虑你的任务应该需要多少图片来支持训练和验证。

2、数据集来源整理
以下渠道来源均需要考虑合规性问题，请大家在使用数据集过程中谨慎选择。

公开的数据平台

1》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自己需要的数据集。

2》ImageNet：包含数百万张图片，广泛用于分类任务，也可以用于生成任务。

3》Open Images：由Google维护，包含数千万张带有标签的图片。

4》Flickr：特别是Flickr30kK和Flickr8K数据集，常用于图像描述任务。

5》CelebA：专注于人脸图像的数据集。

6》LSUN (Large-scale Scene Understanding)：包含各种场景类别的大规模数据集