前情提要
Datawhale X 魔搭 AI夏令营 第四期 AIGC方向 task01 从零入门AI生图原理&实践-CSDN博客
Datawhale X 魔搭 AI夏令营 第四期 AIGC方向 task02 精读代码,实战进阶-CSDN博客
在上次任务中,我们借助通义千问对baseline的代码进行了详细的解读,并在通义千问的辅助下生成了一组连环画;同时对文生图的发展情况有了更多的了解。在本次任务中,我们将进一步了解微调的过程,并体验ComfyUI搭建工作流生成的过程。
1 了解ComfyUI
ComfyUI是一个为Stable Diffusion专门设计的基于节点的图形用户界面(GUI)。它使用户能够通过链接不同的块(称为节点)来构建复杂的图像生成工作流程。这些节点可以包括各种任务,如加载检查点模型、输入提示、指定采样器等,这样用户就可以根据需要定制自己的图像生成过程。
ComfyUI的核心模块由模型加载器、提示词管理器、采样器、解码器构成。
(1)模型加载器:Load Checkpoint用于加载基础的模型文件,包含了Model、CLIP、VAE三部分。
(2)提示词管理器:将文本类型的输入变为模型可以理解的latent space embedding作为模型的输入。
(3)采样器:用于控制模型生成图像,不同的采样取值会影响最终输出图像的质量和多样性。采样器可以调节生成过程的速度和质量之间的平衡。
(4)解码器:将Latent space中的embedding解码为像素级别的图像。
ComfyUI的工作流程如下:
(1)选择模型:从可用的模型列表中选择模型
(2)构建工作流:将ComfyUI节点连接成一个完整的工作流程,并输入必要的参数。
(3)执行生成:执行工作流,生成图像。
(4)调优:根据结果调整参数和工作流。
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。
2 安装ComfyUI
我们利用魔搭社区的免费GPU实例进行体验:
图1 魔搭平台免费实例选择
启动实例后,进入终端执行下面的代码下载文件:
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/
图2 执行代码下载左侧的三个文件
打开ipynb脚本,一键运行安装程序。(由于网络等原因,下载的组件可能不全,再次执行安装部分即可)
执行完成后在最下方会输出一个链接,在浏览器中访问该链接即可进入ComfyUI界面。
图3 完成安装和启动,输出访问地址(This is the URL to access ComfyUI处)
图4 ComfyUI界面
3 在ComfyUI中执行工作流
点击Load导入工作流脚本文件,点击Queue Prompt执行工作流加载模型并生成图像。
图5 不带lora微调的工作流和生成结果
图6 带lora微调的工作流和生成结果,微调模型来源于task01
4 关于Lora微调
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。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。Lora利用少量的数据对模型的一部分进行微调,在拥有更高的效率的同时可以对调整的特定领域获得更好的效果。
Task02中的微调代码如下:
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
其中的参数含义如下:
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: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
5 获得高质量的数据集
在寻找数据集时,应当明确自己的需求:
-
关注应用场景:确定你的模型将被应用到什么样的场景中。
-
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。
常用的数据集来源如下:
(1)公开数据平台:如魔搭、ImageNet、Open Images等
(2)利用爬虫获取:从互联网抓取图片,但需要注意版权等问题。
(3)数据合成:利用图形引擎等合成数据。
(4)数据增强:对图像进行旋转缩放镜像等操作。
(5)购买或定制:从服务商购买所需的数据。
本期夏令营的打卡内容到这里就全部结束了,在task01我们报名了可图Kolors-LoRA风格故事挑战赛,不要忘记完成自己的作品并提交;在夏令营之外也不要忘记持续学习进步!