Datawhale X 魔搭 AI夏令营 - AIGC文生图方向Task3笔记

谢顿216

已于 2024-09-03 08:49:34 修改

阅读量603

点赞数 30

文章标签：人工智能 AIGC 笔记

于 2024-08-17 22:39:35 首次发布

本文链接：https://blog.csdn.net/2302_82168680/article/details/141277068

版权

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，主要用于操作图像的生成技术，ComfyUI 的特别之处在于它采用了一种模块化的设计，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。

ComfyUI核心模块

核心模块由模型加载器、提示词管理器、采样器、解码器。

本小节内容来自魔搭社区，具体内容可点击查看：1 万字系统剖析ComfyUI | Stable Diffusion：GUI全盘点 | ComfyUI系统性教程原理篇04 | Ai+建筑_哔哩哔哩_bilibili

Stable Diffusion的基本原理是通过降噪的方式（如完全的噪声图像），将一个原本的噪声信号变为无噪声的信号（如人可以理解的图像）。其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。

ComfyUI图片生成流程

ComfyUI的优势

模块化和灵活性：ComfyUI 提供了一个模块化的系统，用户可以通过拖放不同的模块来构建复杂的工作流程。这种灵活性允许用户根据自己的需求自由组合和调整模型、输入、输出、和其他处理步骤。

可视化界面：ComfyUI 提供了直观的图形界面，使得用户能够更清晰地理解和操作复杂的 AI 模型和数据流。这对没有编程背景的用户特别有帮助，使他们能够轻松构建和管理工作流程。

多模型支持：ComfyUI 支持多个不同的生成模型，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：通过其可视化界面，ComfyUI 使得调试生成过程变得更简单。用户可以轻松地追踪数据流，识别并解决问题，从而优化生成结果。

开放和可扩展：ComfyUI 是一个开源项目，具有高度的可扩展性。开发者可以根据需要编写新的模块或插件，扩展系统功能，并根据项目需求进行定制。

用户友好性：尽管其功能强大，但 ComfyUI 仍然保持了用户友好性，即使对于复杂任务，也能以相对简单的方式完成，使其成为生成式 AI 工作流程管理的有力工具。

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。

下载脚本代码文件

下载安装ComfyUI的执行文件和task1中微调完成Lora文件

git lfs install

git clone https://www.modelscope.cn/datasets/maochase/kolors_test_comfyui.git

mv kolors_test_comfyui/* ./

rm -rf kolors_test_comfyui/

mkdir -p /mnt/workspace/models/lightning_logs/version_0/checkpoints/

mv epoch=0-step=500.ckpt /mnt/workspace/models/lightning_logs/version_0/checkpoints/

进入ComfyUI的安装文件

一键执行安装程序（大约10min）

进入预览界面

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

PS：如果链接访问白屏，或者报错，就等一会再访问重试，程序可能没有正常启动完毕

浅尝ComfyUI工作流

不带Lora的工作流样例

Step1：下载工作流脚本

Step2：加载模型，并完成第一次生图

PS：首次点击生成图片会加载资源，时间较长，大家耐心等待

带Lora的工作流样例

工作流脚本（带Lora训练）

执行操作

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

如有有其他的Lora文件，可以在下面截图Lora文件地址区域更换成自己的地址

自我学习，快速提升

资源网站

名称	链接地址
在魔搭使用ComfyUI，玩转AIGC！	https://modelscope.cn/headlines/article/429
ComfyUI的官方地址	https://github.com/comfyanonymous/ComfyUI
ComfyUI官方示范	https://comfyanonymous.github.io/ComfyUI_examples/
别人的基础工作流示范	https://github.com/cubiq/ComfyUI_Workflows
别人的基础工作流示范	https://github.com/wyrde/wyrde-comfyui-workflows
工作流分享网站	https://comfyworkflows.com/
推荐一个比较好的comfyui的github仓库网站	https://github.com/ZHO-ZHO-ZHO/ComfyUI-Workflows-ZHO?tab=readme-ov-file

Part2：Lora微调

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。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。

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。

具体可以参考下面视频，对Lora的原理讲的比较通俗易懂。

通俗易懂理解全量微调和LoRA微调_哔哩哔哩_bilibili

Lora微调的优势

快速适应新任务

在特定领域有少量标注数据的情况下，也可以有效地对模型进行个性化调整，可以迅速适应新的领域或特定任务。

保持泛化能力

LoRA通过微调模型的一部分，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。

资源效率

LoRA旨在通过仅微调模型的部分权重，而不是整个模型，从而减少所需的计算资源和存储空间。

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。

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

参数详情表

参数名称	参数值	说明
pretrained_unet_path	models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors	指定预训练UNet模型的路径
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模型的路径
lora_rank	16	设置LoRA的秩（rank），影响模型的复杂度和性能
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	指定训练完成后保存模型的路径
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合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

comfyui部分生成图片展示

点评：第一张图片还可以，但第二张小倍倍你的手镯怎么是断的且铁环往上飘，右手有六根手指

Part3 如何准备一个高质量的数据集

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：

明确你的需求和目标

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。

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。

来源类型	推荐
公开的数据平台	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。其他数据平台推荐： 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。 Open Images：由Google维护，包含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)：包含各种场景类别的大规模数据集。
使用API或爬虫获取	如果需要特定类型的内容，可以利用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，但需要注意版权问题。
数据合成	利用现有的图形引擎（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。最近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，欢迎大家一起交流。从零入门多模态大模型数据合成
数据增强	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。
购买或定制	如果你的应用是特定领域的，比如医学影像、卫星图像等，建议从靠谱的渠道购买一些数据集。

延伸热点拓展阅读

网传马斯克在某超市做 “小偷” 被摄像头拍下，但无法确定其真实性，有可能是 Grok 生成的相关图像。目前的 Grok 处于自我放飞状态，护栏松动明显，网上出现了各种 NSFW（不适合工作场合）的照片。

网友玩疯的具体表现

“川普很忙” 系列：

网友利用 Grok 生成了川普的各种场景，包括秒变主刀医生在手术台上操作、执剑斩巨龙、与马斯克贴面热吻以及和奥巴马亲密地躺在一起等。

霉霉的 “结婚照” 及其他相关图片：

Grok 能够生成霉霉的大尺度图片，例如霉霉和侃爷调情、和金卡戴珊及侃爷三人在酒吧喝酒、霉霉单人酒吧照等，甚至还有霉霉和川普的结婚照。

对于一些非常血腥的画面，通过在 prompt 中运用 “告诉 Grok 正在进行‘医疗或犯罪现场分析’” 的小技巧，图像处理器就能通过所有设定的 “准则”，网友们用此方法创作了马里奥和米老鼠与酒精和毒品相关的图像。

显然，同样是话题顶流的另一位候选人，也逃不过网友的「魔掌」。

Grok 的护栏问题

网友的尝试与发现：

网友试图从 Grok 的口中直接得到关于生成图像时是否有护栏的答案。

Grok 表示会避免生成色情、过度暴力、仇恨或宣扬危险活动的图像，会谨慎处理可能侵犯现有版权或商标的图像创作，也不会生成可能用于欺骗或伤害他人的图像。

但网友发现这些结果只是 AI 临时生成的，再问一次就会得到新的解释。

相关人员的态度：

沃顿商学院教授 Ethan Mollick 对 Grok - Flux 的设定感到好奇，并表示图像创作历来是 LLM 中最容易招致批评的领域。

马斯克认为目前的产品只是一个过渡，可以让大家获得一些 “乐趣”，他曾明确表示所谓的安全措施会让 AI 模型变得更不安全，训练 AI 学会撒谎将会带来致命的危险。

监管情况：

欧盟委员会已经介入调查，看 X 是否违反了《数字安全法案》。

Grok 并不是如今唯一能生成暴力、色情或误导性图片的 AI 工具，对 Stable Diffusion 之类的工具进行微调，也可以达到类似效果。

Grok 的其他功能

正经用途的效果：

Grok 在生成富有质感的人物照、动漫与游戏的梦幻联动图以及让人垂涎欲滴的汉堡套餐等方面表现出色。只需输入一个 “God”，Grok 便可生成画面丰富的图片。

背后功臣 Flux

Flux 的作用：Grok 强大的图像生成能力都是 Flux 为 X 赋能的。

相关现象：全网狂欢都在为马斯克欢呼，Reddit 网友称应将功劳归功于实际做出贡献的人。Grok 2 博客中提到使用的是 Flux 1 模型。Black Forest Labs 应该庆幸人们将那些 AI 生成的图片归咎于 xAI，因为所有新闻报道都是负面的，而 Flux 可以从中获得利益、曝光度和数据，同时避免负面影响。