提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档
文章目录
前言
任务介绍:
1.精读baseline——从零入门AI生图(使用AI工具)
2.实战演练一一基于话剧的连环画制作
一、使用AI精读baseline
1.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。
这个Python代码可以分为以下几个主要部分,每个部分代表一个独立的工作流程:
1. 环境设置与依赖安装
!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
工作流程: 安装所需的Python包和库。这是代码执行的准备工作,确保所需的依赖项已经安装。
2. 数据加载与预处理
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")
工作流程: 加载数据集并将其处理为可用的格式。数据集中的图像被转换和保存,并生成相应的元数据文件。
3. 数据过滤与处理
data_juicer_config = """
# global parameters
project_name: 'data-process'
dataset_path: './data/data-juicer/input/metadata.jsonl'
np: 4
text_keys: 'text'
image_key: 'image'
image_special_token: '<__dj__image>'
export_path: './data/data-juicer/output/result.jsonl'
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
工作流程: 使用Data Juicer工具对图像数据进行过滤和预处理。此步骤通过配置文件指定处理规则,并将结果保存到指定路径。
4. 数据整理与导出
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
工作流程: 将处理后的数据整理成结构化的格式,并保存为CSV文件。此步骤主要是为了后续的分析和使用准备数据。
5. 模型推理与相似度计算
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
工作流程: 使用CLIP模型进行图像和文本的相似度计算,并输出每个图像与文本的匹配概率。这部分是核心的推理过程,利用预训练模型处理输入的数据。
6. 自定义数据集与批量处理
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)
工作流程: 定义自定义的数据集类,并使用DataLoader进行批量处理。这部分有助于更高效地处理大量数据,尤其在训练或推理阶段。
7. 图像生成
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
工作流程: 使用Stable Diffusion模型生成图像,并保存生成的结果。这里通过提供文本描述(prompt)来生成符合描述的图像。
8. 图像拼接与展示
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
工作流程: 对生成的图像进行拼接并展示。将多张图像组合成一个大图,以便于视觉比较和展示效果。
这个代码的主体框架涵盖了数据处理、模型推理、图像生成与后处理等多个环节,是一个完整的AI工作流。每个部分独立运作并连接在一起,最终实现从数据处理到图像生成的全过程。
你是一个文生图专家,我们现在要做一个实战项目,就是要编排一个文生图话剧
话剧由8张场景图片生成,你需要输出每张图片的生图提示词
具体的场景图片
1、女主正在上课
2、开始睡着了
3、进入梦乡,梦到自己站在路旁
4、王子骑马而来
5、两人相谈甚欢
6、一起坐在马背上
7、下课了,梦醒了
8、又回到了学习生活中
生图提示词要求
1、风格为古风
2、根据场景确定是使用全身还是上半身
3、人物描述
4、场景描述
5、做啥事情
例子:
古风,水墨画,一个黑色长发少女,坐在教室里,盯着黑板,深思,上半身,红色长裙
以下是根据你的要求编排的8张场景图片的生图提示词:
场景1:女主正在上课
提示词:
古风,水墨画,一个黑色长发少女,坐在古代学堂里,手中拿着书卷,专注地听着老师讲课,上半身,淡绿色长裙,书桌前摆放着几卷竹简,背后是木质屏风。
场景2:开始睡着了
提示词:
古风,水墨画,一个黑色长发少女,坐在古代学堂里,双眼微闭,头微微低下,似乎有些困倦,手中依然拿着书卷,上半身,淡绿色长裙,书桌前的竹简已经半展开。
场景3:进入梦乡,梦到自己站在路旁
提示词:
古风,水墨画,一个黑色长发少女,站在古老的石板路旁,四周是青翠的竹林和花丛,阳光透过竹叶洒下斑驳的光影,全身,白色飘逸的长裙,神情恬静,仿佛置身于仙境。
场景4:王子骑马而来
提示词:
古风,水墨画,一个英俊的王子,穿着深蓝色锦袍,骑着一匹白色骏马而来,马蹄轻踏在石板路上,路旁站着黑色长发的少女,全身,少女眼中透出惊讶和喜悦。
场景5:两人相谈甚欢
提示词:
古风,水墨画,王子和黑色长发少女并肩站在石板路上,互相微笑交谈,王子身着深蓝色锦袍,少女身穿白色长裙,身后是绽放的花丛和翠绿的竹林,上半身,两人神情愉悦。
场景6:一起坐在马背上
提示词:
古风,水墨画,黑色长发少女坐在王子的白色骏马上,王子稳稳地握着缰绳,少女身穿白色长裙,轻轻倚靠在王子身旁,全身,马儿在古道上缓缓前行,背景是延绵的竹林和远山。
场景7:下课了,梦醒了
提示词:
古风,水墨画,黑色长发少女坐在古代学堂里,突然睁开双眼,抬起头,神情略带迷茫,上半身,淡绿色长裙,书卷依旧握在手中,教室里的竹简和木质屏风清晰可见。
场景8:又回到了学习生活中
提示词:
古风,水墨画,一个黑色长发少女,重新专注于书卷,认真学习,教室里安静而宁静,上半身,淡绿色长裙,背景是木质屏风和书桌上的竹简,少女眼中满是坚定的神情。
这些提示词涵盖了场景的风格、人物描述、场景环境以及角色正在进行的活动,适合用于生成符合古风水墨画风格的场景图片。
二、实验结果
总结
这是用chatgpt-4o生成的文本提示词。