目录
‣以下是笔者跑baseline时，调整prompts风格类型后的效果：
附：DataWhale开源组织网站主页：Datawhale
DataWhaleAI夏令营第四期AIGC方向学习手册：Docs
赛事链接：可图Kolors-LoRA风格故事挑战赛_创新应用大赛_天池大赛-阿里云天池的赛制
一、文生图
‣文生图基础知识介绍：
文生图主要以SD系列基础模型为主，以及在其基础上微调的lora模型和人物基础模型等。
-
提示词（prompts）（后面有详细笔记）
正向提示词：公式——风格+主体细节+环境背景+构图视角+画质等
↪‣人物+角色+年龄+五官+表情+发型+服装+动作+其它
反向提示词：（用于避免生成不适合特定环境或不符合用户意图的内容）
常见：“丑陋、变形、嘈杂、模糊、低对比度、色情擦边、扭曲/多余的手指”等
常见prompts如下：
后面有详细prompts笔记
-
Lora
Stable Diffusion中的Lora（LoRA）模型是一种轻量级的微调方法，它代表了低秩适应(Low-Rank Adaptation)。Lora不是指单一的具体模型，而是指一类通过特定微调技术应用于基础模型的扩展应用。在Stable Diffusion这一文本到图像合成模型的框架下，Lora被用来对预训练好的大模型进行针对性优化，以实现对特定主题、风格或任务的精细化控制。
-
参考图控制
ControlNet是一种用于精确控制图像生成过程的技术组件。它是一个附加到预训练的扩散模型（如Stable Diffusion模型）上的可训练神经网络模块。扩散模型通常用于从随机噪声逐渐生成图像的过程，而ControlNet的作用在于引入额外的控制信号，使得用户能够更具体地指导图像生成的各个方面（如姿势关键点、分割图、深度图、颜色等）。 详见Datawhale (linklearner.com)
二、跑通Baseline
-
小白零基础——30min速通指南👇（2d人物）
※详细操作教程：Datawhale (linklearner.com)
https://linklearner.com/activity/14/10/24
※在魔搭社区创建PAI实例：魔搭社区汇聚各领域最先进的机器学习模型，提供模型探索体验、推理、训练、部署和应用的一站式服务。https://www.modelscope.cn/my/mynotebook/authorization ↪৹注册后，再次创建实例或查看之前的实例，可直接进⇖第二个链接-魔搭社区
- 若另创建实例，则点击 [ 创建实例 ] ⇒ （GPU规格的第二个选项）[ 支持资源包抵扣ecs.gn7i-c8g1.2xlarge ] ⇒ [ 下一步 ] ⇒ [ 创建实例 ] ⇒ [ 打开 ] ⇒ [ 打开terminal ] ⇒ [ 粘贴代码（如下）] ⇒ [ kolors ] ⇒ [ baseline.ipynb ] ⇒ 详见下图
git lfs install git clone https://www.modelscope.cn/datasets/maochase/kolors.git
- 若查看之前的实例，点击 [了解更多产品详情] ⇒[ 管理控制台 ] ⇒ [ 启动 ] ⇒详见下图 ⇒ 查看完后 [ 停止 ]
-
模型训练参考资料
三、调整prompts
‣风格类型
‣以下是笔者跑baseline时，调整prompts风格类型后的效果：
torch.manual_seed(0)
image = pipe(
prompt="水彩画风格，一个黑色长发的18岁女孩，头发是大波浪卷，戴着时尚墨镜，带着卡其色的渔夫帽，微笑，水嫩肌肤，脸颊白里透红，鹅黄色连衣裙，站在樱花树下，可爱，精力充沛，微微抬头，侧面，半身，立体像",
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("1.jpg")
torch.manual_seed(1)
image = pipe(
prompt="动漫美学风格，全身，一个漂亮的中国女孩，长发披肩，玉簪轻挽，穿着白色的汉服，带着中国古代风格的耳环，淡淡的腮红，红色嘴唇，温柔地微笑，柔和的阳光透过敞开的窗户照射到她的脸上，五官精致，皮肤纹理清晰，背景是绣着凤凰的屏风，温暖的色调，明暗对比，立体风格",
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="赛博朋克风格，一个很酷的女孩，五官精致，穿着黑色皮夹克，骑着黑色摩托车，戴着黑色头盔，披着的黑色长发随风飘扬，背景是赛博朋克风格，明暗对比，金属质感，立体像",
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="吉卜力风格，漫天繁星的夜晚，一个穿着白色连衣裙的女孩，双手十指交叉，对着流星许愿，闭着眼睛，侧面，全身像，明暗对比，立体像",
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="油画艺术风格，动画美学，一个欧美风女孩，银色的头发，红色长裙，五官精致，清冷优雅，背景是较少的人群，人群面部虚化，焦点聚集，明暗对比，背面光，立体像",
negative_prompt="丑陋、变形、嘈杂、模糊、病态、低对比度、色情擦边",
cfg_scale=4,
num_inference_steps=50, height=1024, width=1024,
)
image.save("5.jpg")torch.manual_seed(1)
image = pipe(
prompt="中国水墨画风格，一个女侠客，衣领较高，腰间系着精致的灰黑色腰带，腰间佩剑，黑发飘扬，穿着小蛮靴，背景是竹林",
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("6.jpg")torch.manual_seed(7)
image = pipe(
prompt="迪士尼皮克斯风格，一个可爱的五岁小女孩，蓬松、浓密的头发闪闪发光，穿着紫色棉袄，红色的围巾，背景是烟花，柔和焦点，明暗对比，电影边缘照明，超高清，立体像",
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("7.jpg")torch.manual_seed(0)
image = pipe(
prompt="哥特式风格，一个怀中抱着酷酷的黑猫的女孩，凝视怀里的黑猫，五官精致，欧式女孩，紫红色的嘴唇，琥珀色的大眼睛，皮肤纹理清晰，神态冷酷傲慢，黑色的头发，黑色长裙，背景是哥特式教堂",
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("8.jpg")‣以下是生成的图片：
第二行风格依次为：油画艺术风格，水墨画风格，迪士尼皮克斯风格，哥特式风格
‣下面是笔者创作的小故事，以文生图的形式展现(代码格式与上组图一致)：
↪‣代码格式与上组文生图代码格式一致，具体提示词如下（均为动漫美学风格）：
- 一个五岁的中国小女孩，穿着浅粉色的汉服，可爱漂亮的圆脸，水汪汪的大眼睛，手里拿着书和毛笔，坐在书桌前，光线柔和，立体像
- 夜晚，一个18岁的中国女孩，挽着玉簪，五官精致，皮肤纹理清晰，穿着白色汉服，左手拿着书卷，右手拿着燃烧的蜡烛，低头看书，全身镜头，立体像
- 在中式建筑前，一个20岁的这个女孩，穿着墨绿色汉服，手中挥剑，五官精致，皮肤纹理清晰，动态图像，立体风格，侧视全身像，全景图，光线柔和，高清
- 18岁的中国古代女孩，五官精致，皮肤纹理清晰，穿着黑色汉服，腰间佩剑，长发飘扬，骑着白马，马背上还装着一些布包，动态图像，背景是树林，全身像，光线柔和，立体风格
- 闪闪发光的动态角度，一个穿着红色汉服和黑色铠甲的中国女战士，手中拿着长剑，五官精致，皮肤纹理清晰，背景是火光，立体像
- 中国女战士骑着战马，穿着金色盔甲，金属质感，手中持长缨枪，从红光中飞出，侧视图，闪闪发光的动态角度，全景图
- 中国古代，一个头发盘起的女孩，穿着深紫色汉服和黑色铠甲，腰间佩剑，手中拿着竖着的白色令牌，背景是白色的台阶，全身像，全景图，立体风格
- 中国古代，一个穿着紫色汉服的朝堂女官，站在高高的阁楼上，五官精致，皮肤纹理清晰，立体风格，受万臣朝拜，全景图（预期与成图有所差别）
◍调试发现：
- 描述“五官精致，皮肤纹理清晰”相关提示词，人物类型偏向于真人；反之，偏向卡通类型。(在动漫美学风格下)
- 提示词细致些，文生图美感效果更好，尤其是人物面部、服饰形象塑造方面。
- AI对部分中国传统服饰、配饰、动作用语无法理解，有特别需要，需详细描述。
- 提示词需简洁，若过于冗长，则部分细节达不到预想要求。
- 光效部分特殊强调一下，效果更好，常见prompts如下
‣prompts举例
常见正向prompts 如下：（常见反向prompts在文章开始，根据具体情况而定）
四、代码详情
1.环境安装
!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-Studio2.下载数据集
#下载数据集
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")3.处理数据集，保存数据处理结果
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/lora_dataset_processed/train", exist_ok=True)
with open("./data/data-juicer/output/result.jsonl", "r") as file:
for data_id, data in enumerate(tqdm(file.readlines())):
data = json.loads(data)
text = data["text"]
texts.append(text)
image = Image.open(data["image"][0])
image_path = f"./data/lora_dataset_processed/train/{data_id}.jpg"
image.save(image_path)
file_names.append(f"{data_id}.jpg")
data_frame = pd.DataFrame()
data_frame["file_name"] = file_names
data_frame["text"] = texts
data_frame.to_csv("./data/lora_dataset_processed/train/metadata.csv", index=False, encoding="utf-8-sig")
data_frame4.lora微调
# 下载模型
from diffsynth import download_models
download_models(["Kolors", "SDXL-vae-fp16-fix"])
#模型训练
import os
cmd = """
python DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py \
--pretrained_unet_path models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors \
--pretrained_text_encoder_path models/kolors/Kolors/text_encoder \
--pretrained_fp16_vae_path models/sdxl-vae-fp16-fix/diffusion_pytorch_model.safetensors \
--lora_rank 16 \
--lora_alpha 4.0 \
--dataset_path data/lora_dataset_processed \
--output_path ./models \
--max_epochs 1 \
--center_crop \
--use_gradient_checkpointing \
--precision "16-mixed"
""".strip()
os.system(cmd)5.加载微调好的模型
from diffsynth import ModelManager, SDXLImagePipeline
from peft import LoraConfig, inject_adapter_in_model
import torch
def load_lora(model, lora_rank, lora_alpha, lora_path):
lora_config = LoraConfig(
r=lora_rank,
lora_alpha=lora_alpha,
init_lora_weights="gaussian",
target_modules=["to_q", "to_k", "to_v", "to_out"],
)
model = inject_adapter_in_model(lora_config, model)
state_dict = torch.load(lora_path, map_location="cpu")
model.load_state_dict(state_dict, strict=False)
return model
# Load models
model_manager = ModelManager(torch_dtype=torch.float16, device="cuda",
file_path_list=[
"models/kolors/Kolors/text_encoder",
"models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors",
"models/kolors/Kolors/vae/diffusion_pytorch_model.safetensors"
])
pipe = SDXLImagePipeline.from_model_manager(model_manager)
# Load LoRA
pipe.unet = load_lora(
pipe.unet,
lora_rank=16, # This parameter should be consistent with that in your training script.
lora_alpha=2.0, # lora_alpha can control the weight of LoRA.
lora_path="models/lightning_logs/version_0/checkpoints/epoch=0-step=500.ckpt"
)6.图片生成
torch.manual_seed(0)
image = pipe(
prompt="二次元，一个紫色短发小女孩，在家中沙发上坐着，双手托着腮，很无聊，全身，粉色连衣裙",
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")如果您对本文有任何疑问、建议或想分享自己的经验，请在评论区留言，期待与大家的互动！
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
