Datawhale X 魔搭 AI夏令营–AIGC Task2

引言

在参加Datawhale X 魔搭 AI夏令营的“AIGC（AI-Generated Content）”方向学习过程中，我深刻体会到了AI生成内容的巨大潜力和无限魅力。从基础的文生图（Text-to-Image Generation）原理到实际的项目操作，每一步都让我对AI的创造力有了更深刻的认识。以下是我对这次学习经历的详细笔记。

文生图（Text-to-Image Generation）基本原理

文生图技术是一种通过文本生成图像的技术，其发展历程可以追溯到早期的计算机视觉和自然语言处理研究。随着深度学习技术的崛起，特别是大规模预训练模型（如OpenAI的CLIP、DALL-E以及Stable Diffusion等）的出现，文生图技术取得了前所未有的发展。这些模型能够学习大量图像和文本数据之间的关联，从而通过简单的文本描述生成高质量、复杂的图像。

关键技术

• 生成对抗网络（GANs）：GANs是文生图技术中的核心算法之一，通过生成器和判别器的对抗训练，不断生成更加逼真的图像。
• 预训练模型：利用大规模数据集进行预训练的模型，如Stable Diffusion，能够捕捉图像和文本之间的复杂关系，从而生成符合描述的图像。
• Low-Rank Adaptation：一种对预训练模型进行针对性优化的方法，用于实现对特定主题、风格或任务的精细化控制。

项目实践：可图Kolors-LoRA风格故事挑战赛

在夏令营中，我参与了“可图Kolors-LoRA风格故事挑战赛”，这是一个基于LoRA模型生成连贯故事图像的任务。通过输入自定义的故事内容和风格，我们需要生成8张连贯的图片，并保证其美感度和连贯性。

操作步骤

1. 模型下载与加载：首先，我下载了可图Kolors模型和SDXL-vae-fp16-fix模型，并加载到本地环境中。
2. Lora微调训练：在可图模型的基础上，我执行了Lora微调训练，以更好地适应我的故事内容和风格需求。
3. 设置提示词：我编写了正向提示词（如“青年男子笑容可掬，手捧布匹”）和负向提示词（如“模糊、低对比度”），以控制生成图像的特征。
4. 生成图像：通过设置执行次数、图片尺寸等参数，我生成了多张符合描述的图像，并保存为.jpg文件。
5. 图像合并与优化：将生成的多个图像合并成一个大图像，并根据需要进行调整和优化。

成果展示

通过不断修改提示词和微调模型，我成功生成了一组连贯且富有故事性的图像。这些图像不仅符合我的描述，还展现出了独特的艺术风格，让我深刻体会到了AI创作的乐趣和魅力。

生成了一个赛博重庆的相关内容一下是相关的八张照片

1重庆的夜幕降临，城市灯光亮起。渝中半岛的摩天大楼群如璀璨的宝石，洪崖洞的传统建筑与现代灯光相结合

2空中交通，飞行汽车在高楼大厦之间穿梭，流线型的车身闪烁着霓虹灯光，与城市夜景融合为一体

3智能街道，街道上，智能机器人忙碌地工作，清扫垃圾、维护公共设施。行人们佩戴着增强现实眼镜，与虚拟信息进行互换

4科技工厂，巨大的科技工厂中，自动化生产线有条不紊的运行着。机械臂精准的操作着。工厂的外观被灯光照亮，展现出工业宏伟景象

5虚拟娱乐，人们沉浸在虚拟现实的游戏世界中，他们的表情兴奋而投入，身体随着游戏的节奏舞动

6数据中心，城市的核心区域，一座巨大的数据中心矗立着。无数的服务器闪烁着指示灯，处理海量的数据，其外观充满未来感

7教育创新，一所学校里，学生使用者先进的教育设备进行学习。虚拟教师在屏幕上生动的讲解知识，学生与之互动，教师灯光柔和而明亮
8赛博重庆，一个年轻人站在城市的高出，俯瞰着赛博重庆的繁华景象。他的眼中充满了希望和憧憬。背景是城市的灯火辉煌，展现出无尽的可能性

学习心得

参与Datawhale携手魔搭举办的AI夏令营中“AIGC”领域的学习经历，极大地深化了我对AI生成内容技术的理解。我洞见到，随着AI技术的持续进步，AIGC将在诸如艺术创作、广告设计以及辅助医疗诊断等多个关键领域展现出更为显著的影响力，为社会创造更加丰富的价值。

这段学习旅程中，我不仅系统地掌握了文本到图像生成（文生图）的核心理念与技术精髓，还通过亲身参与实际项目，将理论知识转化为实践能力，实现了技能上的飞跃。此外，我深刻感受到了AI创作所蕴含的无限创意潜能以及伴随而来的挑战与探索空间。

展望未来，我满怀激情地计划继续深耕AIGC领域，不断学习新知，致力于发掘并实践更多前沿的创新应用。我坚信，通过个人的努力与贡献，能够为推动AI技术的蓬勃发展贡献一份坚实的力量。

代码如下：借鉴

W__hui作者的

https://blog.csdn.net/W__hui/article/details/141170616?spm=1001.2014.3001.5502

# 安装 Data-Juicer 和 DiffSynth-Studio
!pip install simple-aesthetics-predictor # 安装simple-aesthetics-predictor
!pip install -v -e data-juicer # 安装data-juicer
!pip uninstall pytorch-lightning -y # 卸载pytorch-lightning
!pip install peft lightning pandas torchvision # 安装 peft lightning pandas torchvision
!pip install -e DiffSynth-Studio # 安装DiffSynth-Studio
 
# 从魔搭数据集中下载数据集AI-ModelScope/lowres_anime
from modelscope.msdatasets import MsDataset  #引入数据集模块msdatasets
ds = MsDataset.load(
    'AI-ModelScope/lowres_anime',
    subset_name='default',
    split='train',
    cache_dir="/mnt/workspace/kolors/data" # 指定缓存目录
) # 从魔搭数据集中下载数据集AI-ModelScope/lowres_anime，赋值给参数ds
 
# 生成数据集
import json, os # 导入json和os模块
from data_juicer.utils.mm_utils import SpecialTokens # 导入SpecialTokens
from tqdm import tqdm # 导入tqdm进度条管理
os.makedirs("./data/lora_dataset/train", exist_ok=True) # 创建文件夹./data/lora_dataset/train
os.makedirs("./data/data-juicer/input", exist_ok=True) # 创建文件夹./data/data-juicer/input
with open("./data/data-juicer/input/metadata.jsonl", "w") as f:
    for data_id, data in enumerate(tqdm(ds)): # 遍历数据集ds
        image = data["image"].convert("RGB") # 将数据集的图片转换为RGB
        image.save(f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg") # 保存数据集的图片
        metadata = {"text": "二次元", "image": [f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg"]} # 生成当前图片的索引数据
        f.write(json.dumps(metadata)) # 将索引数据写入文件./data/data-juicer/input/metadata.jsonl
        f.write("\n")
 
# 配置data-juicer，并进行数据筛选过滤
# 配置过滤的规则
data_juicer_config = """
# global parameters
project_name: 'data-process' # 名称
dataset_path: './data/data-juicer/input/metadata.jsonl'  # 你前面生成的数据的索引文件
np: 4  # 线程数
text_keys: 'text' # 文件./data/data-juicer/input/metadata.jsonl的描述的字段名
image_key: 'image' # 文件./data/data-juicer/input/metadata.jsonl的图片字段名
image_special_token: '<__dj__image>'
export_path: './data/data-juicer/output/result.jsonl' # 筛选通过的图片结果保存的的索引文件
# process schedule
# a list of several process operators with their arguments
# 过滤的规则
process:
    - image_shape_filter: # 图片尺寸过滤
        min_width: 1024 # 最小宽度1024
        min_height: 1024 # 最小高度1024
        any_or_all: any # 符合前面条件的图片才会被保留
    - image_aspect_ratio_filter: # 图片长宽比过滤
        min_ratio: 0.5 # 最小长宽比0.5
        max_ratio: 2.0 # 最大长宽比2.0
        any_or_all: any # 符合前面条件的图片才会被保留
"""
 
# 保存data-juicer配置到data/data-juicer/data_juicer_config.yaml
with open("data/data-juicer/data_juicer_config.yaml", "w") as file:
    file.write(data_juicer_config.strip())
# data-juicer开始执行数据筛选
!dj-process --config data/data-juicer/data_juicer_config.yaml
 
 
# 通过前面通过data-juicer筛选的图片索引信息./data/data-juicer/output/result.jsonl，生成数据集
import pandas as pd # 导入pandas
import os, json # 导入os和json
from PIL import Image # 导入Image
from tqdm import tqdm # 导入tqdm进度条管理
texts, file_names = [], [] # 定义两个空列表，分别存储图片描述和图片名称
os.makedirs("./data/lora_dataset_processed/train", exist_ok=True) # 创建文件夹./data/lora_dataset_processed/train
with open("./data/data-juicer/output/result.jsonl", "r") as file: # 打开前面data-juicer筛选的图片索引文件./data/data-juicer/output/result.jsonl
    for data_id, data in enumerate(tqdm(file.readlines())): # 遍历文件./data/data-juicer/output/result.jsonl
        data = json.loads(data) # 将json字符串转换为对象
        text = data["text"] # 获取对象中的text属性，也就是图片的描述信息
        texts.append(text) # 将图片的描述信息添加到texts列表中
        image = Image.open(data["image"][0]) # 获取对象中的image属性，也就是图片的路径,然后用这个路径打开图片
        image_path = f"./data/lora_dataset_processed/train/{data_id}.jpg" # 生成保存图片的路径
        image.save(image_path) # 将图片保存到./data/lora_dataset_processed/train文件夹中
        file_names.append(f"{data_id}.jpg") # 将图片名称添加到file_names列表中
data_frame = pd.DataFrame() # 创建空的DataFrame
data_frame["file_name"] = file_names # 将图片名称添加到data_frame中
data_frame["text"] = texts # 将图片描述添加到data_frame中
data_frame.to_csv("./data/lora_dataset_processed/train/metadata.csv", index=False, encoding="utf-8-sig") # 将data_frame保存到./data/lora_dataset_processed/train/metadata.csv
data_frame # 查看data_frame
 
 
# 下载可图模型
from diffsynth import download_models # 导入download_models
download_models(["Kolors", "SDXL-vae-fp16-fix"]) # 下载可图模型
# DiffSynth-Studio提供了可图的Lora训练脚本，查看脚本信息
!python DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py -h
 
 
# 执行可图Lora训练
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
 
 
# 加载lora微调后的模型
from diffsynth import ModelManager, SDXLImagePipeline # 导入ModelManager和SDXLImagePipeline
from peft import LoraConfig, inject_adapter_in_model # 导入LoraConfig和inject_adapter_in_model
import torch # 导入torch
# 加载LoRA配置并注入模型
def load_lora(model, lora_rank, lora_alpha, lora_path):
    lora_config = LoraConfig(
        r=lora_rank, # 设置LoRA的秩(rank)
        lora_alpha=lora_alpha, # 设置LoRA的alpha值，控制LoRA的影响权重
        init_lora_weights="gaussian", # 初始化LoRA权重为高斯分布
        target_modules=["to_q", "to_k", "to_v", "to_out"], # 指定要应用LoRA的模块
    )
    model = inject_adapter_in_model(lora_config, model) # 将LoRA配置注入到模型中
    state_dict = torch.load(lora_path, map_location="cpu") # 加载LoRA微调后的权重
    model.load_state_dict(state_dict, strict=False) # 将权重加载到模型中，允许部分权重不匹配
    return model # 返回注入LoRA后的模型
# 加载预训练模型
model_manager = ModelManager(
    torch_dtype=torch.float16, # 设置模型的数据类型为float16，减少显存占用
    device="cuda", # 指定使用GPU进行计算
    file_path_list=[
        "models/kolors/Kolors/text_encoder", # 文本编码器的路径
        "models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors", # UNet模型的路径
        "models/kolors/Kolors/vae/diffusion_pytorch_model.safetensors" # VAE模型的路径
    ]
)
# 初始化图像生成管道
pipe = SDXLImagePipeline.from_model_manager(model_manager) # 从模型管理器中加载模型并初始化管道
# 加载并应用LoRA权重到UNet模型
pipe.unet = load_lora(
    pipe.unet, 
    lora_rank=16, # 设置LoRA的秩(rank)，与训练脚本中的参数保持一致
    lora_alpha=2.0, # 设置LoRA的alpha值，控制LoRA对模型的影响权重
    lora_path="models/lightning_logs/version_0/checkpoints/epoch=0-step=500.ckpt" # 指定LoRA权重的文件路径
)
 
 
# 生成图像
torch.manual_seed(0) # 设置随机种子，确保生成的图像具有可重复性。如果想要每次生成不同的图像，可以将种子值改为随机值。
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", # 设置正向提示词，用于指导模型生成图像的内容
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度", # 设置负向提示词，模型会避免生成包含这些特征的图像
    cfg_scale=4, # 设置分类自由度 (Classifier-Free Guidance) 的比例，数值越高，模型越严格地遵循提示词
    num_inference_steps=50, # 设置推理步数，步数越多，生成的图像细节越丰富，但生成时间也更长
    height=1024, width=1024, # 设置生成图像的高度和宽度，这里生成 1024x1024 像素的图像
)
image.save("1.jpg") # 将生成的图像保存为 "1.jpg" 文件
 
 
# 图像拼接，展示总体拼接大图
import numpy as np  # 导入numpy库，用于处理数组和数值计算
from PIL import Image  # 导入PIL库中的Image模块，用于图像处理
images = [np.array(Image.open(f"{i}.jpg")) for i in range(1, 9)]  # 读取1.jpg到8.jpg的图像，转换为numpy数组，并存储在列表images中
image = np.concatenate([  # 将四组图像在垂直方向上拼接
    np.concatenate(images[0:2], axis=1),  # 将第1组（images[0:2]）的两张图像在水平方向上拼接
    np.concatenate(images[2:4], axis=1),  # 将第2组（images[2:4]）的两张图像在水平方向上拼接
    np.concatenate(images[4:6], axis=1),  # 将第3组（images[4:6]）的两张图像在水平方向上拼接
    np.concatenate(images[6:8], axis=1),  # 将第4组（images[6:8]）的两张图像在水平方向上拼接
], axis=0)  # 将四组拼接后的图像在垂直方向上拼接
image = Image.fromarray(image).resize((1024, 2048))  # 将拼接后的numpy数组转换为图像对象，并调整大小为1024x2048像素
image  # 输出最终生成的图像对象，用于显示图像