一、背景介绍
可图Kolors的故事挑战赛的目标是:在可图Kolors 模型的基础上训练LoRA 模型,生成8张图片,用他们组成连贯故事。风格任选,水墨画风格、水彩风格、赛博朋克风格、日漫风格… 最近一直看奥运会乒乓球比赛,很是热血,想到了以前爱看的热血运动番,所以选定了日漫风格,想画一组主题为:乒乓女将养成记的迷你漫画,致敬奋战在奥运赛场的运动小将们!
二、 成果展示——《兵乓女将养成记》
图一:女生孙莎莎从上初中起就开始对乒乓球感兴趣,在家里看乒乓球比赛直播时,她也会拿着球拍有样学样地笔画着。
图二: 报社团时,孙莎莎报名了乒乓球社,刚开始学习乒乓球的时候,莎莎还不太适应,拿着球拍试了很久。
图三:学习乒乓球之路并不好走,遇到了很多困难,但这些困难反而激起里孙莎莎的斗志,让她更加想要挑战下去。下午的乒乓球馆里,阳光温暖明媚,其他同学都回家了,莎莎暗下决心,一定要练好乒乓球,在一个月后的校赛上拿到好成绩。
图四:莎莎第一次比赛出师不利,输了比赛,她沮丧地坐在地上休息。
图五:莎莎闷闷不乐,晚上独自来到乒乓球馆,寂静的球馆只有她一人,外面的星空灿烂,而莎莎陷入了沉思和自我怀疑,自己真的适合打乒乓球吗?练习付出了很多汗水,但并没有收获,还要坚持下去吗?
图六、经过了内心激烈的挣扎,孙莎莎还是决定跟自己赌一把,继续打下去。幸运的是,她的教练、朋友都支持、鼓励她,孙莎莎的斗志又回来了。
图七:孙莎莎更加投入地参与到训练当中,专注地打磨自己的球季(怎么这一张这么像越前龙马,网球王子乱入乒乓世界?)
图八:功夫不负有心人,孙莎莎在一次比赛中拿到了冠军奖杯,成了学校的传奇!
三、技术实现
本次技术实践中,使用到了Lora——“Low-Rank Adaptation”,即低秩适应。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。
3.1 下载baseline
在terminal里输入如下代码,下载baseline
git lfs install
git clone https://www.modelscope.cn/datasets/maochase/kolors.git
3.2 环境准备
安装Data-Juicer 和 DiffSynth-Studio,前者用于数据处理,并整理训练数据文件。后者DiffSynth-Studio在基础模型上,使用前面整理好的数据文件进行训练微调。
!pip install simple-aesthetics-predictor
!pip install -v -e data-juicer
!pip uninstall pytorch-lightning -y
!pip install peft lightning pandas torchvision
!pip install -e DiffSynth-Studio
3.3 下载数据集
from modelscope.msdatasets import MsDataset
ds = MsDataset.load(
'AI-ModelScope/lowres_anime',
subset_name='default',
split='train',
cache_dir="/mnt/workspace/kolors/data"
)
保存数据集中的图片及元数据
import json, os
from data_juicer.utils.mm_utils import SpecialTokens
from tqdm import tqdm
os.makedirs("./data/lora_dataset/train", exist_ok=True)
os.makedirs("./data/data-juicer/input", exist_ok=True)
with open("./data/data-juicer/input/metadata.jsonl", "w") as f:
for data_id, data in enumerate(tqdm(ds)):
image = data["image"].convert("RGB")
image.save(f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg")
metadata = {"text": "二次元", "image": [f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg"]}
f.write(json.dumps(metadata))
f.write("\n")
3.4 用Data-Juicer 处理数据
data_juicer_config = """
# global parameters
project_name: 'data-process'
dataset_path: './data/data-juicer/input/metadata.jsonl' # path to your dataset directory or file
np: 4 # number of subprocess to process your dataset
text_keys: 'text'
image_key: 'image'
image_special_token: '<__dj__image>'
export_path: './data/data-juicer/output/result.jsonl'
# process schedule
# a list of several process operators with their arguments
process:
- image_shape_filter:
min_width: 1024
min_height: 1024
any_or_all: any
- image_aspect_ratio_filter:
min_ratio: 0.5
max_ratio: 2.0
any_or_all: any
"""
with open("data/data-juicer/data_juicer_config.yaml", "w") as file:
file.write(data_juicer_config.strip())
!dj-process --config data/data-juicer/data_juicer_config.yaml
接着保存好处理过的数据
import pandas as pd
import os, json
from PIL import Image
from tqdm import tqdm
texts, file_names = [], []
os.makedirs("./data/lora_dataset_processed/train", exist_ok=True)
with open("./data/data-juicer/output/result.jsonl", "r") as file:
for data_id, data in enumerate(tqdm(file.readlines())):
data = json.loads(data)
text = data["text"]
texts.append(text)
image = Image.open(data["image"][0])
image_path = f"./data/lora_dataset_processed/train/{data_id}.jpg"
image.save(image_path)
file_names.append(f"{data_id}.jpg")
data_frame = pd.DataFrame()
data_frame["file_name"] = file_names
data_frame["text"] = texts
data_frame.to_csv("./data/lora_dataset_processed/train/metadata.csv", index=False, encoding="utf-8-sig")
data_frame
3.5 训练微调
下载可图大模型
from diffsynth import download_models
download_models(["Kolors", "SDXL-vae-fp16-fix"])
查看训练脚本的输入参数
!python DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py -h
训练微调,使用DiffSynth-Studio在基础模型上,使用前面整理好的数据文件进行训练微调。
import os
cmd = """
python DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py \
--pretrained_unet_path models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors \
--pretrained_text_encoder_path models/kolors/Kolors/text_encoder \
--pretrained_fp16_vae_path models/sdxl-vae-fp16-fix/diffusion_pytorch_model.safetensors \
--lora_rank 16 \
--lora_alpha 4.0 \
--dataset_path data/lora_dataset_processed \
--output_path ./models \
--max_epochs 1 \
--center_crop \
--use_gradient_checkpointing \
--precision "16-mixed"
""".strip()
os.system(cmd)
3.6 加载微调之后的模型
from diffsynth import ModelManager, SDXLImagePipeline
from peft import LoraConfig, inject_adapter_in_model
import torch
def load_lora(model, lora_rank, lora_alpha, lora_path):
lora_config = LoraConfig(
r=lora_rank,
lora_alpha=lora_alpha,
init_lora_weights="gaussian",
target_modules=["to_q", "to_k", "to_v", "to_out"],
)
model = inject_adapter_in_model(lora_config, model)
state_dict = torch.load(lora_path, map_location="cpu")
model.load_state_dict(state_dict, strict=False)
return model
# Load models
model_manager = ModelManager(torch_dtype=torch.float16, device="cuda",
file_path_list=[
"models/kolors/Kolors/text_encoder",
"models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors",
"models/kolors/Kolors/vae/diffusion_pytorch_model.safetensors"
])
pipe = SDXLImagePipeline.from_model_manager(model_manager)
# Load LoRA
pipe.unet = load_lora(
pipe.unet,
lora_rank=16, # This parameter should be consistent with that in your training script.
lora_alpha=2.0, # lora_alpha can control the weight of LoRA.
lora_path="models/lightning_logs/version_0/checkpoints/epoch=0-step=500.ckpt"
)
3.7 prompt生成图片
torch.manual_seed(0)
image = pipe(
# prompt="二次元,一个紫色短发小女孩,在家中沙发上坐着,双手托着腮,很无聊,全身,粉色连衣裙",
prompt="日系动漫,一个短发小女孩在家中客厅,手里拿着乒乓球拍,眼睛充满憧憬地看着电视上的乒乓球比赛,背景是温馨的家庭环境和闪烁的电视屏幕。",
negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
cfg_scale=4,
num_inference_steps=50, height=1024, width=1024,
)
image.save("1.jpg")