AI绘画Stable Diffusion 之 IP模型训练小白篇——只需4步就可上手

最新推荐文章于 2024-07-03 13:37:44 发布

灵魂画师向阳

最新推荐文章于 2024-07-03 13:37:44 发布

阅读量389

点赞数 4

文章标签： AI作画 stable diffusion AI教程 ai绘画 AI工具 Lora模型

本文链接：https://blog.csdn.net/A13531922962/article/details/139957022

版权

大家好，我是向阳

在我们的日常设计工作中，设计师会经常接到3D的设计需求，根据以往的工作模式来看，我们需要在3D软件里面进行建模，渲染再进行输出。这样复杂的工作，会让工作时间变长，影响我们的工作效率。

结合如今的AI工具，我们采用AIGC的能力，也许会有不同的解决方案，减少总设计时长。本文通过探索stable diffusion模型训练，浅谈一下lora训练的步骤，欢迎大家一起交流。

LoRA的全称是LoRA: Low-Rank Adaptation of Large Language Models，可以理解为stable diffusion（SD)模型的一种插件，和hyper-network，controlNet一样，都是在不修改SD模型的前提下，利用少量数据训练出一种画风/IP/人物，实现定制化需求，所需的训练资源比训练SD模要小很多，非常适合社区使用者和个人开发者。

LoRA最初应用于领域，用于微调GPT-3等模型（也就是ChatGPT的前生）。由于GPT参数量超过千亿，训练成本太高，因此LoRA采用了一个办法，仅训练低秩矩阵（low rank matrics），使用时将LoRA模型的参数注入（inject）SD模型，从而改变SD模型的生成风格，或者为SD模型添加新的人物/IP。

用数据公式表达如下，其中 W0 是初始SD模型的参数（Weights)， BA 为低秩矩阵也就是LoRA模型的参数， W 代表被LORA模型影响后的最终SD模型参数。整个过程是一个简单的线性关系，可以认为是原SD模型叠加LORA模型后，得到一个全新效果的模型。

你看到这里，可能会觉得有些晕，下面将直观的图例进行示意！

以上这些风格相同，特点一致的图片都是通过lora训练后产出的。同学们，看到这里，你是不是觉得很神奇呢？下面我将通过简单的人物IP训练，带大家简单了解lora的训练模式！

lora模型训练器

这里的安装推荐使用秋叶大佬的安装包，省心简单～安装文件内置python，解压打开即可使用，同样还享受大佬的后续更新。

训练器安装包下载请扫描获取哦

训练素材准备：

最近比较喜欢可可爱的IP，所以我先从网上找到了一些我比较心仪的ip形象。他们都有一个共同点就是构图相同，角度一致，风格统一，有很高的识别度！千万注意的是不要混其他类型的图片素材进去，例如像大透视、仰视这种角度的。否则会影响我们后续的生图，污染设计产出！我们将这样的素材准备5-10张！

标签操作：

想要完成比较好的训练效果的话，我们需要严格按照以下步骤操作，否则是不会产出训练标签的哦～

命名规则+训练分组

我们需要在SD中的models文件中建立train的文件，在文件中建立2个分组，分组规则如下。我们把训练素材放到ip-in文件里。

尺寸设置

我们每一张图设置为512x512即可，像素超过512会影响打标加载进度，像素小于512会导致图片质量下降

生成注意事项

在WEB UI界面点击训练—图像预处理-点击预处理。生成标签时，我们需要点选的是deepbooru按钮。

训练过程

复制训练集放置lora模型训练器，分别设置输出路径和输入路径。

结果展示

将我们训练好的lora放置到SD-models文件里面，点击刷新，放置于关键词的填写框中。然后我们输入一些想生成的关键词，进行生成。神奇的效果就有啦～例如，这里我写的是生成佛像/女巫/等有趣形象。电脑生成的效果还是蛮有意思的，同时也保存了训练的特点。

生成画面如下：

在这里插入图片描述

通过训练模型，可以生成不同类型的人物，也可以跨界生成一些小动物的样式，例如小猪、小猫等，整体还是蛮可爱的！

改变颜色

看到这里，也许小伙伴们又有一些疑问啦，生成的图片我想改变颜色怎么办呢？我希望外框变成蓝色，人物衣服变成红色。我们需要将生成的图放到PS里面，进行色彩调整。

我们需要把调整好的色彩图放置于图生图中，调整引导范围，我们就会得出以下换色后的图。整体来说可控性还够好的。

我们现在基本知道训练模型的流程了，那我们可以利用模型训练还可以做哪些事呢？我们在设计中会使用大量3D化的icon，我想如果用模型训练，让我可以大批量生产3D-icon该多好。因此，我用到家App的3D icon作为训练图集，力求训练出风格统一、透视一致、且有辨识度的3D-Icon。

训练过程就不再重复展现了。我们把训练好的lora放置于sd中。此时我觉得之前的搬家的ICON美观度比较低，我希望能够根据训练的模型重新产出风格一致的搬家ICON。让我们试试效果吧～首先，我从网上随便找到了一个简单的平面草图；之后放置于SD的图生图中；输入关键词car，点击生成。效果如下，整体来看生成的风格和之前的3个icon保持一致，细节丰富。

总结：

随着AIGC的高速发展，想做出差异化的设计，模型训练也显得尤为重要。现在模型训练处于探索期，整体流程相对比较复杂，需要搜索大量的资料，本文仅仅是训练流程中的冰山一角，期待和大家有更深层的交流哦～

感兴趣的小伙伴，赠送全套AIGC学习资料，包含AI绘画、AI人工智能等前沿科技教程和软件工具，具体看这里。

AIGC技术的未来发展前景广阔，随着人工智能技术的不断发展，AIGC技术也将不断提高。未来，AIGC技术将在游戏和计算领域得到更广泛的应用，使游戏和计算系统具有更高效、更智能、更灵活的特性。同时，AIGC技术也将与人工智能技术紧密结合，在更多的领域得到广泛应用，对程序员来说影响至关重要。未来，AIGC技术将继续得到提高，同时也将与人工智能技术紧密结合，在更多的领域得到广泛应用。

在这里插入图片描述