一、精读baseline——从零入门AI生图
1.baseline代码
我把baseline中的所有代码整理出来,代码结构如下:
!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
2.分析代码
(1)输入给通义千问的Prompt
通义千问链接:
通义官网通义官网,致力于实现类人智慧的通用智能https://tongyi.aliyun.com/Prompt:
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}
(2)AI的回答
这段代码可以分为以下几个主要部分,每一部分执行不同的功能:
第一部分:环境设置与依赖安装
这部分代码使用!pip install命令来安装项目所需的Python包,包括simple-aesthetics-predictor, data-juicer, peft, lightning, pandas, torchvision, 和 DiffSynth-Studio。同时,它也卸载了pytorch-lightning并重新安装了lightning,可能是因为版本控制或特定依赖关系的需要。
第二部分:数据集加载与预处理
这里从modelscope加载了一个名为lowres_anime的数据集,并将数据集中的图片和相关元数据保存到本地目录。每张图片被转换为RGB格式并保存,同时创建了一个JSONL文件存储每张图片对应的元数据。
第三部分:数据过滤与处理
通过data_juicer对数据进行进一步的处理,包括应用图像尺寸和宽高比的过滤器。这些操作是通过配置文件data_juicer_config.yaml指定的,并使用dj-process命令行工具执行。
第四部分:数据整理与特征提取
这部分读取处理后的数据,将其转换为Pandas DataFrame,并保存为CSV文件。然后使用CLIP模型(Contrastive Language-Image Pre-training)来计算图像和文本描述之间的相似性分数。
第五部分:数据加载与模型评估
创建了一个自定义的PyTorch数据集类CustomDataset,用于从DataFrame中加载数据,并使用DataLoader进行批处理。然后使用CLIP模型对每个批次的数据进行评估,得到图像与文本匹配的概率。
第六部分:生成图像
这部分使用StableDiffusionPipeline模型根据给定的提示(prompts)生成二次元风格的图像。通过调整guidance_scale和num_inference_steps参数,以及不同的随机种子,生成了一系列具有不同场景和细节的图像。
第七部分:图像拼接与展示
最后,将生成的多个图像拼接在一起形成一个大的图像,并进行了尺寸调整,以便于展示或进一步的处理。
整个流程涉及数据集的加载、预处理、特征提取、模型训练和评估,以及最终的图像生成与后处理,覆盖了从数据准备到模型应用的完整机器学习工作流。
(3)执行过程
图1: 输入问题
图2:返回答案
二、实战演练
1.数据准备
(1)提示词
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
(2)话剧场景
图片编号 | 场景描述 | 正向提示词 | 反向提示词 |
---|---|---|---|
图片1 | 女主正在上课 | 古风,工笔画,一个着汉服的女子,束起的黑色长发,头戴玉簪,上半身,坐在书案前,手握毛笔,凝视着摊开的卷轴,背景是古色古香的书房,窗外竹影摇曳 | 丑陋,变形,嘈杂,模糊,低对比度 |
图片2 | 开始睡着了 | 古风,淡墨渲染,同一个女子,头微垂,双手轻轻搭在桌上,嘴角挂着一丝笑意,似乎正陷入梦境,上半身,身着青花瓷图案的汉服,背景是一幅朦胧的山水画卷,书案上散落着几页未完成的诗词 | 丑陋,变形,嘈杂,模糊,低对比度 |
图片3 | 进入梦乡,梦到自己站在路旁 | 古风,梦幻色彩,全身像,女子穿着飘逸的白纱衣,站在一条蜿蜒的石径上,四周环绕着轻烟薄雾,远处有山峦叠嶂,她抬头望向远方,仿佛期待着什么 | 丑陋,变形,嘈杂,模糊,低对比度 |
图片4 | 王子骑马而来 | 古风,浓墨重彩,全身像,一位英俊的男子骑着一匹白马缓缓而来,身穿金丝镶边的战袍,头戴冠冕,目光坚定地望向前方,背景是开阔的草原,阳光洒在大地上 | 丑陋,变形,嘈杂,模糊,低对比度 |
图片5 | 两人相谈甚欢 | 古风,细腻笔触,上半身,女子与王子并肩而立,他们面带微笑,似乎在分享着彼此的秘密,女子穿着精致的绣花衣裳,王子则身着简洁的贵族服饰,背后是精致的凉亭和盛开的牡丹花 | 丑陋,变形,嘈杂,模糊,低对比度 |
图片6 | 一起坐在马背上 | 古风,动感描绘,全身像,王子和女子共乘一骑,王子稳稳驾驭着马匹,女子依偎在他的臂弯里,两人脸上洋溢着幸福的笑容,背景是夕阳下的壮丽山河 | 丑陋,变形,嘈杂,模糊,低对比度 |
图片7 | 下课了,梦醒了 | 古风,渐变色彩,上半身,女子坐在书案前,突然睁开眼睛,脸上带着惊异的表情,似乎刚从美梦中醒来,身着朴素的学子服饰,周围是熟悉的教室环境,同窗们正陆续离开 | 丑陋,变形,嘈杂,模糊,低对比度 |
图片8 | 又回到了学习生活中 | 古风,和谐色调,全身像,女子与其他学子一起,或读书或写字,有的在探讨学问,有的在练习书法,背景是充满书香气息的学院场景,每个人都在专心致志地学习 | 丑陋,变形,嘈杂,模糊,低对比度 |
(3)修改提示词
双击进入baseline文件
找到生成图像的板块
依次替换8张图片的正向提示词和反向提示词