“Datawhale X 魔搭 AI夏令营”-AIGC文生图方向Task3跑通指南

前言

从零入门AI生图原理&实践 是 Datawhale 2024 年 AI 夏令营第四期的学习活动（“AIGC”方向），基于魔搭社区“可图Kolors-LoRA风格故事挑战赛”开展的实践学习。

第四期学习接近尾声很感谢Datawhale给我提供的学习机会我会再接再厉，接下来我给大家分享一下个人跑通task3的一些经验和方法。

正文

背景引入

一、文生图的历程与基石
首先，通过社区提供的学习资料和PPT，对文生图的历程与基石进行了快速的了解，以下为梗概：

• 引言与定义
  • 拟合数据分布、生成模型、传输方程
• 发展历程
  • VAE、GAN、Flow-based Models、Diffusion Models
• 扩散模型
  • 正向过程
  • 逆向过程
  • 最终学习目标
  • SDE形式表示方式
  • 条件扩散模型
    • Classifier-guidance
    • Classifier-free-guidance
  • Stable Diffusion: 在使用VAE压缩后的latent空间进行建模
  • 模型加速
    • DPM-Solver
    • Consistency Model
• Vision-Language Model(VLM)+文生图
  • 利用VLM进行更详细的标注，以提升生成准确性
  • 标注信息更细粒度
  • 包含位置布局信息

---

二、文生图基础知识

• prompts (提示词)
  提示词为模型生成图像提供引导，通常包含主体描述、细节描述、修饰词、艺术风格、艺术家等，在给出prompts的同时也可给出负向prompts。
• LoRA
  Low-Rank Adaptation (LoRA)，即低秩适应。在Stable Diffusion这一文本到图像合成模型的框架下，Lora被用于对预训练好的大模型进行针对性微调，以实现对特定主题、风格或任务的精细化控制。
  论文链接：https://arxiv.org/abs/2106.09685
• ComfyUI
  一个工作流工具。通过直观的界面和集成的功能，用户可以轻松地进行模型微调、数据预处理、图像生成等任务，从而提高工作效率和生成效果。
  链接：https://github.com/comfyanonymous/ComfyUI
• ControlNet
  一种可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，通过引入额外的空间条件控制(例如边缘图、人体骨架、分割图、深度图等)，来实现更细粒度的空间控制。
  论文链接：https://arxiv.org/abs/2302.05543

---

二、文生图的内容：

（1）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。

（2）提示词很重要，一般写法：主体描述，细节描述，修饰词，艺术风格，艺术家。

举个例子

【promts】A movie photo of a teenager playing basketball, an illustration of a rabbit dressed as a police officer, a picture of a kitten watching a movie, an illustration of a blonde girl

【负向prompts】(lowres, low quality, worst quality, low contrast, cropped

（3）Lora：Stable Diffusion中的Lora（LoRA）模型是一种轻量级的微调方法，它代表了“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。

（4）ComfyUI 是一个工作流工具，主要用于简化和优化 AI 模型的配置和训练过程。通过直观的界面和集成的功能，用户可以轻松地进行模型微调、数据预处理、图像生成等任务，从而提高工作效率和生成效果。在ComfyUI平台的前端页面上，用户可以基于节点/流程图的界面设计并执行AIGC文生图或者文生视频的pipelinetask3启动

part1.认识了解comfyUI

GUI 是 "Graphical User Interface"（图形用户界面）的缩写。简单来说，GUI 就是你在电脑屏幕上看到的那种有图标、按钮和菜单的交互方式。

ComfyUI 是GUI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。

1.1 ComfyUI图片生成流程

1. 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。

快速跑通ComfyUI教程

首先，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。

接下来，下载脚本代码文件

下载安装ComfyUI的执行文件和task1中微调完成Lora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/   

具体操作如图

然后，进入ComfyUI的安装部署文件一键执行安装程序并且跑通代码

进入预览界面

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，点击链接到浏览器中访问

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然后我们会看到注意：到这里还不能生成图片哦，要完成接下来的操作才可以。

请下载工作流脚本

需加载到刚刚安装的comfyUI上面

1. 这里的Lora是我Task1微调训练出来的文件

2. 链接是：/mnt/workspace/models/lightning_logs/version_0/checkpoints/epoch=0-step=500.ckpt

3. 大家如有有其他的Lora文件，可以在下面截图Lora文件地址区域更换成自己的地址

加载工作流

最后，生成图片到这里，我们的图片就好了。

Part2：Lora微调

1. Lora简介

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。这对于推动大规模预训练模型的实际应用至关重要。

1.1Lora微调的原理

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。在训练过程中，只有这些新增的低秩矩阵被更新，而原始模型的大部分权重保持不变。

1.2Lora微调的优势

快速适应新任务

在特定领域有少量标注数据的情况下，也可以有效地对模型进行个性化调整，可以迅速适应新的领域或特定任务。

保持泛化能力

LoRA通过微调模型的一部分，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。

资源效率

LoRA旨在通过仅微调模型的部分权重，而不是整个模型，从而减少所需的计算资源和存储空间。

1.3Lora详解

1. 现在我们来针对可图比赛中的微调代码进行一个深入的了解。

   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    

   至此，我们就跑通了task3，接下来不要忘记打卡哦。