Datawhale X 魔搭 AI夏令营第四期 魔搭-AIGC方向 task03笔记

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！	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
	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

感兴趣的同学也可以看一下这个视频：http://【ComfyUI全球爆红，AI绘画进入“工作流时代”？做最好懂的Comfy UI入门教程：Stable Diffusion专业节点式界面新手教学】 https://www.bilibili.com/video/BV1D7421N7xN/?share_source=copy_web&vd_source=6692f0cecb61b3b4df38e65113a9b14d

---

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
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

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： 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。

最后，Datawhale想与你一同见证更好的自己，

永远—— “For the Learner，For the Dreamer”！