Datawhale官方的Task3链接:Task03
往期Task1链接:https://mp.csdn.net/mp_blog/creation/editor/141103197
往期Task2链接:https://mp.csdn.net/mp_blog/creation/editor/141193391
工具初探一ComfyUI
ComfyUI 是GUI(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,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。
参考内容:ComfyUI用户手册
ComfyUI 核心模块
- 模型加载器:负责加载机器学习模型。
- 提示词管理器:管理用于引导图像生成的文本提示。
- 采样器:控制图像生成过程中的采样操作。
- 解码器:将模型输出转换为可视图像。
Stable Diffusion 原理
- 基本原理:通过一系列的去噪步骤将随机噪声转化为有意义的图像。
- 配置参数:
seed
:用于控制噪声生成的随机种子。control_after_generate
:控制每次生成后种子的变化。steps
:去噪的迭代次数,次数越多,图像质量越高,但生成时间也会相应增加。cfg
(classifier free guidance):决定文本提示对最终图像的影响程度,数值越大,图像与提示的匹配度越高。denoise
:表示被噪声覆盖的内容比例。sampler_name
和scheduler
:用于控制去噪过程的参数。
ComfyUI 图片生成流程
ComfyUI 的优势
- 模块化和灵活性:用户可以自由组合和调整各种模块以满足特定需求。
- 可视化界面:直观易懂的图形界面让非编程人员也能轻松上手。
- 多模型支持:支持多种不同的生成模型,用户可以在同一平台内切换使用。
- 调试和优化:易于追踪数据流,方便识别问题并进行优化。
- 开放性和可扩展性:作为一个开源项目,ComfyUI 具有高度的可扩展性,用户可以自行开发新的模块或插件。
- 用户友好性:功能强大但易于使用,即使是复杂任务也能以简单的方式完成。
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。
注意:不要使用 Task1 中的baseline实例来跑后面内容,会发生环境重叠出错。
下载脚本代码文件
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
进入预览界面
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
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
待执行到最后一个代码块出现跳转链接时,可以点击跳转,也可以复制链接到浏览器中访问
浅尝ComfyUI工作流
不带Lora的工作流样例
下载对应的工作流脚本
加载模型完成第一次生图
点击lord选择对应的文件
带Lora的工作流样例
下载对应的工作流脚本
执行生成图片
结束动作
出图完毕之后,记得保存修改并停止远程ComfyUI的连接,并关闭实例。
资源网站
名称 | 链接地址 |
在魔搭使用ComfyUI,玩转AIGC! | |
ComfyUI的官方地址 | |
ComfyUI官方示范 | |
别人的基础工作流示范 | |
https://github.com/wyrde/wyrde-comfyui-workflows | |
工作流分享网站 | |
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 |
Lora微调
Lora简介
LoRA(Low-Rank Adaptation,低秩适配)是一种高效的微调技术,用于预训练模型的个性化调整。这种技术允许模型适应特定任务或领域,同时保持良好的泛化能力和较低的资源消耗。
LoRA 微调的原理
LoRA 的核心思想是在预训练模型的关键层中添加低秩矩阵。这些低秩矩阵具有较小的参数空间,因此可以在不显著改变模型整体架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会被更新,而原始模型的大部分权重则保持不变。这种方法减少了需要学习的参数数量,使得模型可以在较少的数据上进行有效的学习。
LoRA 微调的优势
1. 快速适应新任务:即使在特定领域只有少量标注数据的情况下,LoRA 也能有效地对模型进行个性化调整,帮助模型迅速适应新的领域或特定任务。
2. 保持泛化能力:通过只微调模型的一部分,LoRA 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。
3. 资源效率:LoRA 通过仅微调模型的部分权重而非整个模型,显著减少了所需的计算资源和存储空间。
Lora详解
task2中的微调代码
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
参数名称 | 参数值 | 说明 |
| models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors | 指定预训练UNet模型的路径 |
| models/kolors/Kolors/text_encoder | 指定预训练文本编码器的路径 |
| models/sdxl-vae-fp16-fix/diffusion_pytorch_model.safetensors | 指定预训练VAE模型的路径 |
| 16 | 设置LoRA的秩(rank),影响模型的复杂度和性能 |
| 4 | 设置LoRA的alpha值,控制微调的强度 |
| data/lora_dataset_processed | 指定用于训练的数据集路径 |
| ./models | 指定训练完成后保存模型的路径 |
| 1 | 设置最大训练轮数为1 |
| 启用中心裁剪,用于图像预处理 | |
| 启用梯度检查点,节省显存 | |
| "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
怎样准备一个高质量的数据集
首先,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
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:
|
使用API或爬虫获取 |
|
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。 |
最后,Datawhale想与你一同见证更好的自己,
永远—— “For the Learner,For the Dreamer”!