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

斐硕人

已于 2024-08-17 20:01:07 修改

阅读量364

点赞数 16

文章标签：人工智能 AIGC 笔记

于 2024-08-17 19:48:06 首次发布

本文链接：https://blog.csdn.net/feishuoren/article/details/141284095

版权

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
$\cdot B$
$\cdot k*100$
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/

terminal
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
URL

ComfyUI
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

1. 不带Lora的工作流样例
1. 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

在这里插入图片描述

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
1. 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。
2. 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。