模型微调
Task03: 使用文生图的工作流平台工具ComfyUI,微调模型,来实现一个更加高度定制的文生图。
模型微调
模型在某一各方面能力不够,通过训练更新模型提升能力。
模型的改动本质上是对模型参数的改动。
W_old + W(改动量) = W_new
- 全部参数:全量微调
- 部分参数:PEFT-LoRA微调
期望使用尽量少的改动量,更大幅度地提高模型能力。
可使用低秩矩陣分解的方式
W
=
A
⋅
B
W = A \cdot B
W=A⋅B
100
∗
100
=
100
∗
k
⋅
k
∗
100
100*100 = 100*k \cdot k*100
100∗100=100∗k⋅k∗100
k: 选8,16,32 ,称为rank,可调节,k越小学习参数越少。
矩阵A、B的参数数量远小于W,降低显存空间和学习成本。
文生图的工作流平台工具ComfyUI
什么是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。
ComfyUI核心模块
- 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 - 提示词管理器:
CLIP模块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 - 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。 - 解码器:
VAE模块的作用是将Latent space中的embedding解码为像素级别的图像
魔搭安装ComfyUI
- 魔搭打开Notebook
- 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/
3. 执行ComfyUI的安装文件
4. 预览
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
Load加载模型,更改提示词,执行生成图片
流程可视化
生成图片
-
- 不带Lora的工作流样例
- 不带Lora的工作流样例
-
- 带Lora的工作流样例
- 带Lora的工作流样例
LoRA微调
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。
Lora详解
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
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
如何准备一个高质量的数据集
明确需求
- 关注应用场景:确定你的模型将被应用到什么样的场景中(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。
数据来源推荐
- 公开的数据平台
- 魔搭社区: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。
- 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。