DataWhale夏令营第四期魔搭- AIGC方向 task02笔记#Datawhale AI夏令营

Task2：精读代码，实战进阶

聊聊相关：虽然现在很多的AI绘图都能被大家说“一眼鉴AI”，但随着技术日新月异的变化，我们也需要掌握辨识和判别他的能力。

Deepfake是一种使用人工智能技术生成的伪造媒体，特别是视频和音频，它们看起来或听起来非常真实，但实际上是由计算机生成的。这种技术通常涉及到深度学习算法，特别是生成对抗网络（GANs），它们能够学习真实数据的特征，并生成新的、逼真的数据。

通过以下几点或许可以帮助我们更好地判断。

• 观察图片的细节。仔细检查人物的面部特征，尤其是眼睛和嘴巴

• 检查光线和阴影。分析图片中的光源是否一致，阴影的方向是否与光源相符，是否存在不自然的光线或阴影

• 分析像素。放大图片，寻找是否有模糊或像素化的部分。

• 注意背景。检查背景中是否有不协调的元素，比如物体边缘是否平滑，背景中是否有不自然的重复模式。

而这些细节上的AI特性，也许就是我们在某些特定场景下需要解决的挑战。

Part1：磨刀准备一一认识通义千问

https://tongyi.aliyun.com/qianwen/

这个就不必多说了吧，真的很实用啊（泪目），就是提问的时候需要注意一下字数限制，然后还有提问的方式，争取让AI清晰明白你的需求即可。

Part2：精读baseline——从零入门AI生图

首先我们来直观感知下这个文生图代码的框架结构：

接着我们利用关键问题的引用，键入相关需求

你是一个优秀的python开发工程师，现在我们需要你帮我们分析这个代码的主体框架，
你需要把代码按照工作流分成几部分，用中文回答我的问题。{此处替换前面的代码}

baseline中代码如下：

!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

from modelscope.msdatasets import MsDataset

ds = MsDataset.load(
    'AI-ModelScope/lowres_anime',
    subset_name='default',
    split='train',
    cache_dir="/mnt/workspace/kolors/data"
)

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")

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

import pandas as pd
import os, json
from PIL import Image
from tqdm import tqdm


texts, file_names = [], []
os.makedirs("./data/data-juicer/output/images", exist_ok=True)
with open("./data/data-juicer/output/result.jsonl", "r") as f:
    for line in tqdm(f):
        metadata = json.loads(line)
        texts.append(metadata["text"])
        file_names.append(metadata["image"][0])

df = pd.DataFrame({"text": texts, "file_name": file_names})
df.to_csv("./data/data-juicer/output/result.csv", index=False)

df

from transformers import CLIPProcessor, CLIPModel
import torch

model = CLIPModel.from_pretrained("openai/clip-vit-base-patch32")
processor = CLIPProcessor.from_pretrained("openai/clip-vit-base-patch32")

images = [Image.open(img_path) for img_path in df["file_name"]]
inputs = processor(text=df["text"].tolist(), images=images, return_tensors="pt", padding=True)

outputs = model(**inputs)
logits_per_image = outputs.logits_per_image  # this is the image-text similarity score
probs = logits_per_image.softmax(dim=1)  # we can take the softmax to get the probabilities

probs

from torch.utils.data import Dataset, DataLoader

class CustomDataset(Dataset):
    def __init__(self, df, processor):
        self.texts = df["text"].tolist()
        self.images = [Image.open(img_path) for img_path in df["file_name"]]
        self.processor = processor

    def __len__(self):
        return len(self.texts)

    def __getitem__(self, idx):
        inputs = self.processor(text=self.texts[idx], images=self.images[idx], return_tensors="pt", padding=True)
        return inputs

dataset = CustomDataset(df, processor)
dataloader = DataLoader(dataset, batch_size=8)

for batch in dataloader:
    outputs = model(**batch)
    logits_per_image = outputs.logits_per_image
    probs = logits_per_image.softmax(dim=1)
    print(probs)

import torch
from diffusers import StableDiffusionPipeline

torch.manual_seed(1)
pipe = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v-1-4", torch_dtype=torch.float16)
pipe = pipe.to("cuda")

prompt = "二次元，一个紫色长发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌，手持话筒"
negative_prompt = "丑陋、变形、嘈杂、模糊、低对比度"
guidance_scale = 4
num_inference_steps = 50

image = pipe(
    prompt=prompt,
    negative_prompt=negative_prompt,
    guidance_scale=guidance_scale,
    num_inference_steps=num_inference_steps,
    height=1024,
    width=1024,
).images[0]

image.save("example_image.png")
image

from PIL import Image

torch.manual_seed(1)
image = pipe(
    prompt="二次元，日系动漫，演唱会的观众席，人山人海，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席，舞台上衣着华丽的歌星们在唱歌",
    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")

torch.manual_seed(1)
image = pipe(
    prompt="二次元，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席，露出憧憬的神情",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度，色情擦边",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("2.jpg")

torch.manual_seed(2)
image = pipe(
    prompt="二次元，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席，露出憧憬的神情",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度，色情擦边",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("3.jpg")

torch.manual_seed(5)
image = pipe(
    prompt="二次元，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙，对着流星许愿，闭着眼睛，十指交叉，侧面",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度，扭曲的手指，多余的手指",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("4.jpg")

torch.manual_seed(0)
image = pipe(
    prompt="二次元，一个紫色中等长度头发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌",
    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("5.jpg")

torch.manual_seed(1)
image = pipe(
    prompt="二次元，一个紫色长发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌，手持话筒",
    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("6.jpg")

torch.manual_seed(7)
image = pipe(
    prompt="二次元，紫色长发少女，穿着黑色连衣裙，试衣间，心情忐忑",
    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("7.jpg")

torch.manual_seed(0)
image = pipe(
    prompt="二次元，紫色长发少女，穿着黑色礼服，连衣裙，在台上唱歌",
    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("8.jpg")

import numpy as np
from PIL import Image


images = [np.array(Image.open(f"{i}.jpg")) for i in range(1, 9)]
image = np.concatenate([
    np.concatenate(images[0:2], axis=1),
    np.concatenate(images[2:4], axis=1),
    np.concatenate(images[4:6], axis=1),
    np.concatenate(images[6:8], axis=1),
], axis=0)
image = Image.fromarray(image).resize((1024, 2048))
image

返回的结果

这段代码主要分为以下几个部分：

1.安装和卸载依赖包

使用 !pip 命令来安装或卸载 Python 包。包括：

simple-aesthetics-predictor, data-juicer, peft, lightning, pandas, torchvision, 和 DiffSynth-Studio 的安装。

卸载 pytorch-lightning（使用 -y 自动确认卸载）。

2.加载数据集

使用 ModelScope 的 MsDataset 类加载名为 AI-ModelScope/lowres_anime 的数据集，并指定子集名称为 default 和分割为 train，缓存目录设置为 /mnt/workspace/kolors/data。

3.数据预处理

• 将数据集中的图像转换为 RGB 模式，并保存到指定目录。

• 创建包含图像路径和文本描述的元数据文件 metadata.jsonl。

• 编写并保存 data_juicer_config.yaml 配置文件，用于后续的数据过滤和处理。

4.使用 Data-Juicer 进行数据处理

• 使用 dj-process 命令根据配置文件对数据进行过滤和处理，生成 result.jsonl 文件。

5.数据整理与训练

• 读取 result.jsonl 文件中的数据，并将其转换为 Pandas DataFrame，然后保存为 CSV 文件，并且将图片保存到./data/lora_dataset_processed/train文件夹下。

• 下载模型download_models(["Kolors", "SDXL-vae-fp16-fix"])

• 在前面模型的基础上，执行Lora微调训练

• 加载微调后的模型

6.图像生成

• 设置正向提示词，反向提示词，执行次数，图片尺寸

• 设置随机种子，控制图片是否可以重复生成，并将图像保存为 .jpg 文件。

7.合并图像

• 最后，将生成的多个图像合并成一个大图像，并调整大小。

整个流程涵盖了从数据加载、预处理、特征提取、模型预测到图像生成等多个方面。每一部分都有其特定的功能，共同构成了一个完整的二次元图像处理和生成的工作流。

执行过程如下：

返回结果图如下：

另外，还可以选择更改提问方式，例如：

你是一个优秀的python开发工程师，现在我们需要你帮我们逐行分析这个代码，
用中文回答我的问题。{此处替换前面的代码}

返回的结果

这段代码主要完成以下功能：

1. 安装和卸载一些Python包。

2. 从ModelScope加载一个名为lowres_anime的数据集，并保存图像到指定目录。

3. 创建并处理一个用于数据清洗的JSONL文件。

4. 使用data-juicer工具过滤和处理数据集。

5. 将处理后的数据集转换为CSV格式。

6. 根据数据集通过DiffSynth做Lora微调

7. 加载Lora微调后的模型

8. 设置提示词，用微调后的模型生成图片

你也根据自己的相关需要，对AI进行进一步的提问

Part3：实战演练

1.首先给出相关的提示词（可根据自己的需要进行相关调整）

2.自己在通义的返回的基础上，多多调整，争取打磨出一个最佳的提示词

3.最后在TASK1的基础上，修改相关提示词

1. 双击进入baseline文件

2. 找到生成图像的板块

3. 依次替换8张图片的正向提示词和反向提示词

4.结果展示

场景1: 电竞选手小帽正在房间里偷偷玩游戏

• 风格: 可爱漫画
• 人物: 一个黑色头发的小帽弟弟
• 场景: 坐在电竞椅上，上半身，蓝白色睡衣
• 做啥事情: 偷偷打游戏，戴着耳机，专注地看着电脑屏幕
• 提示词: "可爱漫画，一个黑色头发的小帽弟弟，戴着耳机，专注地看着电脑屏幕，偷偷打游戏，上半身，蓝白色睡衣，坐在电竞椅上"

场景2: 开始睡着了

• 风格: 可爱漫画
• 人物: 小帽弟弟
• 场景: 躺在床上，盖着蓝色的被子
• 做啥事情: 睡着了，手里还握着手机
• 提示词: "可爱漫画，小帽弟弟躺在床上，盖着蓝色的被子，手里握着手机，睡着了，全身"

场景3: 进入梦乡，梦到自己来到了哥哥的演唱会

• 风格: 可爱漫画
• 人物: 小帽弟弟
• 场景: 在一个演唱会现场
• 做啥事情: 举着荧光棒，兴奋地看着舞台
• 提示词: "可爱漫画，小帽弟弟举着荧光棒，兴奋地看着舞台，站在演唱会现场的人群中，上半身"

场景4: 哥哥正在台上唱歌，底下是一堆欢呼的观众

• 风格: 可爱漫画
• 人物: 哥哥
• 场景: 在演唱会上
• 做啥事情: 正在台上唱歌，观众欢呼
• 提示词: "可爱漫画，哥哥在台上唱歌，底下是一堆欢呼的观众，舞台灯光闪烁，全身"

场景5: 太阳逐渐从地平线升了起来

• 风格: 可爱漫画
• 人物: 不需要人物
• 场景: 日出时刻的地平线
• 做啥事情: 太阳正从地平线上升起
• 提示词: "可爱漫画，太阳逐渐从地平线升了起来，天空呈现出渐变的橙色和粉色，地平线"

场景6: 大家一边唱歌一边看日出

• 风格: 可爱漫画
• 人物: 小帽弟弟和朋友们
• 场景: 在海边看日出
• 做啥事情: 一边唱歌一边看日出
• 提示词: "可爱漫画，小帽弟弟和朋友们一边唱歌一边看日出，站在海边，天空呈现出渐变的橙色和粉色，全身"

场景7: 哥哥敲了敲门，叫他起床

• 风格: 可爱漫画
• 人物: 哥哥和小帽弟弟
• 场景: 卧室门口
• 做啥事情: 哥哥敲门叫小帽起床
• 提示词: "可爱漫画，哥哥敲了敲门，叫小帽起床，小帽弟弟躺在床上，盖着蓝色的被子，卧室门口，上半身"

场景8: 哥哥给他端来了糊面包早餐

• 风格: 可爱漫画
• 人物: 哥哥和小帽弟弟
• 场景: 厨房餐桌旁
• 做啥事情: 哥哥端着一盘糊面包给小帽吃
• 提示词: "可爱漫画，哥哥端着一盘糊面包给小帽吃，小帽弟弟坐在餐桌旁，穿着睡衣，上半身，厨房餐桌旁"

 

 

 

 

Part4：更多的选择一一浅尝scepter webui

scepter webUI私有部署
魔搭社区提供的体验地址里面缺失了微调模型的功能，如果大家希望能使用secpter完整的功能，我们可以将其私有部署到我们自己的服务器。
魔搭体验网址：https://www.modelscope.cn/studios/iic/scepter_studio
github地址：https://github.com/modelscope/scepter
可以通过官方readme文件中的教程进行操作