管好【SD-WEBUI】中大量的模型：名称+预览图+备注+分组管理

若苗瞬

已于 2023-05-19 17:10:00 修改

阅读量1.1w

点赞数 3

分类专栏： Windows Python 人工智能/机器学习文章标签：人工智能模型 StableDiffusion 卡牌备注

于 2023-05-06 17:05:59 首次发布

本文链接：https://blog.csdn.net/ddrfan/article/details/130529990

版权

Windows 同时被 3 个专栏收录

95 篇文章 21 订阅

订阅专栏

Python

66 篇文章 8 订阅

订阅专栏

人工智能/机器学习

58 篇文章 35 订阅

订阅专栏

本文介绍了如何有效管理Stable-DiffusionWEBUI中的模型，包括保持原始模型文件名以利于更新，利用缩略图和备注功能增强识别性，通过子目录实现模型分组，以及查看和利用模型的详细信息。此外，还提到了预览图的自定义方法和使用模型分组的注意事项。

摘要由CSDN通过智能技术生成

（零）前言

本篇主要讲怎么管理大量的模型，比如模型不要大幅改名，模型可以有预览图，模型可以有备注，还能分组管理呢。
更多不断丰富的内容参考：🔗《继续Stable-Diffusion WEBUI方方面面研究(内容索引)》

（一）模型管理

不管是【SD基础模型】还是【LoRA人物模型】都非常的多，多了感觉就不好管理。
很多模型文件名很奇怪，版本和衍生版也不停在变化，总之就是一大堆文件。
如果我们为了方便改了模型名字，今后又很难去比较更新同步了。

我们前面知道了通过生成按钮下面的桃红色显示附加网络按钮功能，可以用缩略图/卡牌的形式直观的管理这些模型。
卡牌默认很大但可以设置小一些。如下：
在这里插入图片描述

（1.1）模型名称（文件名）

模型文件名就是模型的名字，虽然有些怪，但建议不要改。
除非今后不想再更新和使用它的其它版本，或者你已经心里准备好用Hash值来确认同一个模型了。

文件名（不带扩展名）也会显示在模型卡牌中，如上。
默认字有些大而且确实很长，显示出来挡住了图片。所以我改小（改）了好多。
你也想改可以去找style.css里面.extra-network-cards .card .actions .name这段，我改成了：

.extra-network-cards .card .actions .name{
    font-size: 10px;
    /*font-weight: bold;*/
    line-break: anywhere;
}

（1.2）模型缩略图

这段应该是大家都知道的内容：

点击一个基础模型的卡牌，相当于在基础模型下拉列表中选择它。
点击一个LoRA模型，相当于在当前输入框（提示词）中输入和启用这个模型，用于生成图片。

但如果你先把鼠标指向模型的名字，然后再指向替换预览图片（这里翻译可能不同，意思一样就行了）。
就可以把刚刚生成的图片，设置成为这个模型的预览图。

预览图卡牌模式的默认是2:3的比例，显示大小可以在设置中修改。
将模型同名的jpg或者png图片文件放入模型所在目录，也能展示为缩略图/卡牌。
在这里插入图片描述

（1.3）模型备注文字

但是大家可能不知道，将一个模型同名的txt文件放入模型所在目录（如上图）。
那么这个文本文件中的内容，就将展示为模型的备注。

可以参考第一张图，我随便写了一些备注文字上去。
这样一来就方便多了，既可以不改模型文件名，又能简单知道模型的特点。

我试了一下字写太多就变成这个效果了，呵呵，😅：
在这里插入图片描述

（1.4）模型分组（子目录）

如果模型很多，还可以进行分组管理。
以LoRA模型为例，模型文件/预览图/模型备注文本文件，都不要直接放在Your SDWEBUI Path\models\Lora\目录下。
而是放在更深一层的子目录中。如下图所示（LoRA目录下都是子目录）：
在这里插入图片描述

这样一来，WEB UI界面上就会出现这些子目录的分组名字，点击这些分组可以自动过滤仅显示子目录下的模型。
如果想要显示全部模型，则点击all不要过滤就可以了。
如下图所示（仅显示了动漫人物分组）：
在这里插入图片描述

💡 💡 💡
分组仅通过子目录进行组织，并不是必须按类型分，可以按自己的喜好怎样方便管理怎样建子目录。
如果你有Anything或GuoFeng很多个版本的模型，也可以用模型名字当子目录的。

⚠️⚠️⚠️
如果你要使用模型分组，就请不要翻译all和Search...这两个单词（找到翻译文件，自己改掉这两个单词）。
前者影响点击all以后取消过滤的功能，而后者会让搜索框忽大忽小，处女座不能忍。

（1.5）模型详细信息

继续参考第一张图，如果鼠标指向一个LoRA模型的时候，发现一个圆圈围起来的感叹号 ❗️
那么点击它会出现这个模型生成时的详细信息（元数据）。

里面的信息如下（这个是艾达王）：
我们可以看到模型训练用的分辨率，图片多少张，半身全身，提示词，以及其它很多参数。

好像没啥用，其实可以作为自己训练模型的参考。

{
    "ss_sd_model_name": "chilloutmix_NiPrunedFp32Fix.safetensors",
    "ss_resolution": "(1024, 576)",
    "ss_clip_skip": "2",
    "ss_num_train_images": "400",
    "ss_tag_frequency": {
        "5_adaupper": {
            "ada_re4": 46,
            "1girl": 46,
            "upper body": 46,
            "(solo:0.964)": 46,
            "black belt": 46,
            "(black background:1.3)": 46,
            "(simple background)": 46,
            "black gloves": 46,
            "black hair": 46,
            "medium breasts": 46,
            "handgun": 46,
            "handgun in hand": 46,
            "short hair": 46,
            "one arm lift": 46,
            "asian": 46,
            "red sweater": 46,
            "red leotard": 46
        },
        "5_adafull": {
            "ada_re4": 34,
            "1 girl": 34,
            "solo": 34,
            "full body": 34,
            "(black background:1.3)": 34,
            "(simple background)": 34,
            "short hair": 34,
            "black hair": 34,
            "medium breasts": 34,
            "asian": 34,
            "red sweater": 34,
            "red leotard": 34,
            "long black leather boots": 34,
            "black belts": 34,
            "handgun": 34,
            "hand gun in hand": 34,
            "holster": 34,
            "black gloves": 34,
            "one arm lift": 34
        }
    },
    "ss_batch_size_per_device": "1",
    "ss_bucket_info": {
        "buckets": {
            "0": {
                "resolution": [
                    1024,
                    576
                ],
                "count": 400
            }
        },
        "mean_img_ar_error": 0.0
    },
    "ss_bucket_no_upscale": "False",
    "ss_cache_latents": "True",
    "ss_caption_dropout_every_n_epochs": "0",
    "ss_caption_dropout_rate": "0.0",
    "ss_caption_tag_dropout_rate": "0.0",
    "ss_color_aug": "False",
    "ss_dataset_dirs": {
        "5_adaupper": {
            "n_repeats": 5,
            "img_count": 46
        },
        "5_adafull": {
            "n_repeats": 5,
            "img_count": 34
        }
    },
    "ss_enable_bucket": "True",
    "ss_epoch": "12",
    "ss_face_crop_aug_range": "None",
    "ss_flip_aug": "False",
    "ss_full_fp16": "False",
    "ss_gradient_accumulation_steps": "1",
    "ss_gradient_checkpointing": "False",
    "ss_keep_tokens": "0",
    "ss_learning_rate": "0.0001",
    "ss_lowram": "False",
    "ss_lr_scheduler": "cosine_with_restarts",
    "ss_lr_warmup_steps": "0",
    "ss_max_bucket_reso": "1024",
    "ss_max_grad_norm": "1.0",
    "ss_max_token_length": "225",
    "ss_max_train_steps": "8000",
    "ss_min_bucket_reso": "256",
    "ss_mixed_precision": "fp16",
    "ss_network_alpha": "128.0",
    "ss_network_dim": "128",
    "ss_network_module": "networks.lora",
    "ss_new_sd_model_hash": "fc2511737a54c5e80b89ab03e0ab4b98d051ab187f92860f3cd664dc9d08b271",
    "ss_noise_offset": "0.0",
    "ss_num_batches_per_epoch": "400",
    "ss_num_epochs": "20",
    "ss_num_reg_images": "0",
    "ss_optimizer": "bitsandbytes.optim.adamw.AdamW8bit",
    "ss_output_name": "adawong",
    "ss_prior_loss_weight": "1.0",
    "ss_random_crop": "False",
    "ss_reg_dataset_dirs": {},
    "ss_sd_model_hash": "95f8d0a7",
    "ss_sd_scripts_commit_hash": "45945f698a7c57b83564e7ad3845c7b677899a5b",
    "ss_seed": "1337",
    "ss_session_id": "359071142",
    "ss_shuffle_caption": "True",
    "ss_text_encoder_lr": "1e-05",
    "ss_total_batch_size": "1",
    "ss_training_comment": "None",
    "ss_training_finished_at": "1680080577.9001603",
    "ss_training_started_at": "1680075725.1377542",
    "ss_unet_lr": "0.0001",
    "ss_v2": "False",
    "sshs_legacy_hash": "6f4fe396",
    "sshs_model_hash": "482dc88150e305f3f19941d696d55e7be9f4db9361ca84c482a76a63fd6749ce"
}