工具初探一ComfyUI应用场景探索
-
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。
1.1 ComfyUI核心模块介绍：
ComfyUI是一款先进的软件系统，其核心模块主要包括以下几部分：
1. **用户管理模块**：
- **功能**：负责用户账户的创建、管理、权限分配等操作。
- **特点**：提供易于操作的用户界面，支持批量用户操作，保障账户安全。
2. **数据分析模块**：
- **功能**：对数据进行采集、处理、分析和可视化展示。
- **特点**：支持多种数据分析算法，提供丰富的图表展示形式，帮助用户深入理解数据。
3. **系统设置模块**：
- **功能**：允许管理员对系统进行配置，包括系统参数、界面主题、通知设置等。
- **特点**：灵活的系统配置选项，满足不同用户的需求，支持自定义设置。
4. **报表生成模块**：
- **功能**：根据用户需求生成各类报表，支持导出和打印。
- **特点**：提供多种报表模板，支持个性化定制，方便快捷地生成专业报表。
5. **安全监控模块**：
- **功能**：实时监控系统的安全状态，包括登录日志、操作审计等。
- **特点**：及时发现潜在安全风险，保障系统稳定运行。
6. **通信模块**：
- **功能**：负责软件内部以及与其他系统之间的数据通信。
- **特点**：支持多种通信协议，确保数据传输的稳定性和安全性。
这些核心模块共同构成了ComfyUI的强大功能体系，为用户提供了一个高效、稳定、安全的操作环境。通过这些模块的协同工作，ComfyUI能够满足不同场景下的业务需求，提升用户体验。
1.2 Stable Diffusion的基本原理是通过降噪的方式（如完全的噪声图像），将一个原本的噪声信号变为无噪声的信号（如人可以理解的图像）。其中的降噪过程涉及到多次的采样。采样的系数在KSampler中配置：
-
seed：控制噪声产生的随机种子
-
control_after_generate：控制seed在每次生成后的变化
-
steps：降噪的迭代步数，越多则信号越精准，相对的生成时间也越长
-
cfg：classifier free guidance决定了prompt对于最终生成图像的影响有多大。更高的值代表更多地展现prompt中的描述。
-
denoise: 多少内容会被噪声覆盖 sampler_name、scheduler：降噪参数。3 ComfyUI图片生成流程
1.3 comfyui流程
2.20分钟速通安装ComfyUI
在这里，我们依旧选择使用魔搭社区提供的Notebook和免费的GPU算力体验来体验ComfyUI。
选择方式二GPU不然会报错找不到英伟达的GPU，选择最新版本
2.1下载脚本代码文件
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/ 
-
进入ComfyUI的安装文件2.1下载脚本代码文件
2.2进入comfyui安装文件
一键执行安装程序
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
需要用Chrome打开啊
之后下载两个文件才能运行，第一种是不带lora的文件
运行中，观察发现模块有序执行，颜色为绿色为当前执行的工作流。最后生成图片为
还有一种是带lora
-
这里的Lora是我们Task1微调训练出来的文件
-
地址是：/mnt/workspace/models/lightning_logs/version_0/checkpoints/epoch=0-step=500.ckpt
-
大家如有有其他的Lora文件，可以在下面截图Lora文件地址区域更换成自己的地址
-
补充内容
LoRA（Low-Rank Adaptation）似乎是一种用于机器学习领域的技术，特别是在预训练模型的微调方面。以下是关于LoRA（Low-Rank Adaptation）的正确简介：
### LoRA（Low-Rank Adaptation）简介
LoRA（Low-Rank Adaptation）是一种高效的微调技术，用于在预训练的机器学习模型上进行个性化调整，以适应特定的任务或领域。这种方法通过引入低秩矩阵来近似全秩的参数更新，从而减少微调过程中所需的参数数量，提高效率和灵活性。
#### 特点：
- **参数效率**：LoRA通过使用低秩矩阵来减少需要微调的参数数量，从而在保持模型性能的同时减少计算资源和存储需求。
- **灵活性**：LoRA允许对预训练模型进行细粒度的调整，使其更好地适应特定的下游任务。
- **泛化能力**：通过减少微调参数的数量，LoRA有助于模型保持更好的泛化能力，减少过拟合的风险。
- **资源消耗低**：由于参数数量的减少，LoRA在微调过程中所需的计算资源和时间都相对较少。
#### 工作原理：
在微调过程中，通常需要对预训练模型的参数进行更新以适应新的任务。LoRA通过在原始参数旁边添加一个低秩矩阵，该矩阵与一个小的可训练向量相乘，以此来近似原始参数的更新。这种方法使得只需要微调少量的参数（即低秩矩阵和向量的参数），而不是整个模型的所有参数。
#### 应用场景：
LoRA技术特别适用于大规模预训练模型，如BERT、GPT等，在自然语言处理、计算机视觉等领域中的应用。它使得这些模型能够快速适应新的任务，而不需要大量的计算资源。
LoRA作为一种创新的微调方法，为机器学习模型的实际应用提供了重要的技术支持，特别是在资源受限的环境中。通过这种方法，可以更高效地将预训练模型应用于各种特定的场景和任务。
lora的优势
### 快速适应新任务
- **模块化调整**：LoRA允许仅对模型的一部分进行调整，这使得模型能够快速适应新的任务或领域，而不需要对整个模型进行大规模的重新训练。
- **少量标注数据**：即使在只有少量标注数据的情况下，LoRA也能够有效地对模型进行个性化调整，使其适应特定的任务或领域。
### 保持泛化能力
- **知识迁移**：通过仅微调模型的一部分，LoRA有助于保留模型在未见过的数据上的泛化能力，同时还能学习到特定任务的知识。
- **减少过拟合风险**：由于微调的参数较少，LoRA减少了过拟合的风险，使得模型能够更好地泛化到未见过的数据上。
### 资源效率
- **计算资源**：LoRA通过减少微调参数的数量，减少了所需的计算资源，使得微调过程更加高效。
- **存储空间**：由于需要存储的参数数量减少，LoRA也减少了存储空间的需求，使得模型部署更加灵活。
本文涉及的lora讲解
lora微调代码
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 参数
| 参数名称 | 参数值 | 说明 |
|
| models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors | 指定预训练UNet模型的路径 |
|
| models/kolors/Kolors/text_encoder | 指定预训练文本编码器的路径 |
|
| models/sdxl-vae-fp16-fix/diffusion_pytorch_model.safetensors | 指定预训练VAE模型的路径 |
|
| 16 | 设置LoRA的秩（rank），影响模型的复杂度和性能 |
|
| 4 | 设置LoRA的alpha值，控制微调的强度 |
|
| data/lora_dataset_processed | 指定用于训练的数据集路径 |
|
| ./models | 指定训练完成后保存模型的路径 |
|
| 1 | 设置最大训练轮数为1 |
|
| 启用中心裁剪，用于图像预处理 | |
|
| 启用梯度检查点，节省显存 | |
|
| "16-mixed" | 设置训练时的精度为混合16位精度（half precision） |
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
3 如何准备一个高质量的数据集
当我们进行图片生成相关的工作时，选择合适的数据集是非常重要的。如何找到适合自己的数据集呢，这里给大家整理了一些重要的参考维度，希望可以帮助你快速找到适合的数据集：
-
明确你的需求和目标
-
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。
最后，感谢datawhale。
扫一扫
290
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
