Task2的任务是对baseline的代码有一个更加细致的理解,然后我们会学习如何借助AI来提升我们的自学习能力,从而帮助大家在后面的学习工作中如何从容迎接各种挑战。授人以鱼不如授人以渔,你可以从中学大模型的提问技巧来实现快速学习,学会如何制作一个话剧连环画。
先看成果,美吧?:
精读baseline——从零入门AI生图
让LLM解释task1中跑baseline的代码:
!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
LLM的回复:
这段代码的主体框架可以划分为以下几个部分:
1. 环境准备与依赖安装
- 使用
!pip
命令安装所需的Python库,包括simple-aesthetics-predictor
(尽管代码中未直接使用),data-juicer
(可能是一个自定义库或本地开发库),pytorch-lightning
的卸载和peft
,lightning
,pandas
,torchvision
的安装,以及DiffSynth-Studio
的安装(可能是另一个自定义或实验性库)。
2. 数据加载与预处理
- 从
modelscope
的MsDataset
加载数据集(这里是AI-ModelScope/lowres_anime
),并转换为RGB格式,保存到本地文件系统中。 - 创建并写入一个JSONL格式的元数据文件,每个条目包含图像路径和文本标签(这里是"二次元")。
- 配置
data-juicer
以处理这些数据,通过过滤图像尺寸和长宽比,准备进一步的数据处理。
3. 使用data-juicer
处理数据
- 运行
data-juicer
的dj-process
命令,根据提供的配置文件对图像进行过滤和处理。 - 读取处理后的结果,将结果(包括文本和图像路径)保存到CSV文件中。
4. 使用CLIP模型评估图像与文本的相似性
- 加载预训练的CLIP模型和处理器。
- 使用处理后的数据(文本和图像)创建自定义的
Dataset
和DataLoader
。 - 遍历数据加载器,使用CLIP模型计算每个图像与其对应文本之间的相似度分数。
5. 使用Stable Diffusion模型生成图像
- 加载Stable Diffusion模型并设置随机种子以确保结果的可重复性。
- 定义多个不同的文本提示(
prompt
)和负面提示(negative_prompt
),使用Stable Diffusion模型生成多个二次元风格的图像,并保存到本地文件。 - 展示了如何使用不同的随机种子和提示来生成多样化的图像。
6. 图像拼接与展示
- 读取之前生成的多个图像,将它们拼接成一个大的图像,并展示。
总结
这段代码的主要工作流包括数据准备、使用data-juicer
进行数据预处理、使用CLIP模型评估图像与文本的相似性、以及使用Stable Diffusion模型根据文本提示生成图像。最后,它还展示了如何将这些生成的图像拼接成一个单一的图像进行展示。这个流程结合了数据处理、模型评估和图像生成等多个方面,展示了在自然语言处理和图像生成领域的综合应用。
# 安装必要的Python库
!pip install simple-aesthetics-predictor
!pip install -v -e data-juicer # 安装data-juicer,假设它是一个可编辑的包
!pip uninstall pytorch-lightning -y # 卸载pytorch-lightning
!pip install peft lightning pandas torchvision # 安装其他必要的库
!pip install -e DiffSynth-Studio # 假设DiffSynth-Studio也是一个可编辑的包
# 加载数据集
from modelscope.msdatasets import MsDataset
ds = MsDataset.load(
'AI-ModelScope/lowres_anime',
subset_name='default',
split='train',
cache_dir="/mnt/workspace/kolors/data"
)
# 导入必要的模块
import json, os
from data_juicer.utils.mm_utils import SpecialTokens
from tqdm import tqdm
# 创建目录以保存数据和元数据
os.makedirs("./data/lora_dataset/train", exist_ok=True)
os.makedirs("./data/data-juicer/input", exist_ok=True)
# 写入元数据到文件
with open("./data/data-juicer/input/metadata.jsonl", "w") as f:
for data_id, data in enumerate(tqdm(ds)):
image = data["image"].convert("RGB") # 转换图片为RGB模式
image.save(f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg") # 保存图片
metadata = {"text": "二次元", "image": [f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg"]} # 准备元数据
f.write(json.dumps(metadata)) # 写入元数据
f.write("\n") # 换行
# 定义data-juicer的配置信息
data_juicer_config = """
# ... (配置内容省略,与上文相同)
"""
# 将配置信息写入文件
with open("data/data-juicer/data_juicer_config.yaml", "w") as file:
file.write(data_juicer_config.strip())
# 运行data-juicer处理数据
!dj-process --config data/data-juicer/data_juicer_config.yaml
# 读取处理后的结果并保存到CSV文件
import pandas as pd
# ... (代码省略,与上文相同,读取result.jsonl并保存到CSV)
# 使用CLIP模型评估图像与文本的相似度
from transformers import CLIPProcessor, CLIPModel
import torch
# ... (代码省略,加载模型、处理图像和文本、计算相似度)
# 自定义数据集类以用于DataLoader
from torch.utils.data import Dataset, DataLoader
class CustomDataset(Dataset):
# ... (代码省略,定义CustomDataset类)
# 使用自定义数据集和DataLoader
dataset = CustomDataset(df, processor)
dataloader = DataLoader(dataset, batch_size=8)
# ... (代码省略,遍历dataloader并计算相似度)
# 使用StableDiffusionPipeline生成图像
from diffusers import StableDiffusionPipeline
import torch
# ... (代码省略,多次使用StableDiffusionPipeline生成不同图像并保存)
# 将多个生成的图像合并为一个图像
import numpy as np
from PIL import Image
# ... (代码省略,加载图像、合并图像、调整大小)
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,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 | 丑陋,变形,嘈杂,模糊,低对比度 |
图片2 | 开始睡着了 | 古风,水墨画,一个黑色长发少女,坐在教室里,趴在桌子上睡着了,上半身,红色长裙 | 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,水墨画,一个黑色长发少女,站在路边,上半身,红色长裙 | 丑陋,变形,嘈杂,模糊,低对比度 |
图片4 | 王子骑马而来 | 古风,水墨画,一个英俊少年,骑着白马,上半身,白色衬衫 | 丑陋,变形,嘈杂,模糊,低对比度 |
图片5 | 两人相谈甚欢 | 古风,水墨画,一个英俊少年,白色衬衫,一个黑色长发少女,红色长裙,两个人一起聊天,开心,上半身 | 丑陋,变形,嘈杂,模糊,低对比度 |
图片6 | 一起坐在马背上 | 古风,水墨画,一个英俊少年,白色衬衫,一个黑色长发少女,红色长裙,两个人一起骑着马,全身 | 丑陋,变形,嘈杂,模糊,低对比度 |
图片7 | 下课了,梦醒了 | 古风,水墨画,一个黑色长发少女,坐在教室里,下课铃声响了,同学们开始走动,从睡梦中醒来,深思,上半身,红色长裙 | 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,水墨画,一个黑色长发少女,坐在教室里,盯着黑板,认真上课,上半身,红色长裙 | 丑陋,变形,嘈杂,模糊,低对比度 |
执行Task1的30分钟速通Baseline
从零入门AI生图原理&实践 - 飞书云文档 (feishu.cn)
———————————————————————————————————————————
我的尝试,把prompt搞得太复杂和抽象,结果画出来效果很差。小马的妈妈和孩子画出来居然是人类。模型是个直肠子,要说得清晰直白才能懂。
需要特别指出的是:世界上没有失败!只有正面反馈和负面反馈。生命不息,画画不止!吸取教训,继续前行!
Step 1. 让LLM为故事编写8个场景,供文生图用。
Step2.把生成的场景,改写为提示词。
于是,每个场景的提示词就get 了
场景一:小马与妈妈的对话
- 描述:清晨,阳光洒在草原上,小马站在家门口,望着不远处潺潺流动的小河,显得有些犹豫。妈妈站在一旁,温柔地抚摸着小马的头,眼神中充满鼓励,两人正在进行着关于过河的对话。
场景二:遇见老牛
- 描述:小马决定先问问别人的意见,它遇到了正在河边悠闲吃草的老牛。老牛低头看着小马,笑着说:“河水很浅,只到我的小腿肚,你完全可以放心过去。”老牛的形象显得沉稳而可靠。
场景三:松鼠的警告
- 描述:正当小马准备过河时,一只焦急的松鼠从树上跳下来,大声喊道:“别过去!河水深得很,我的朋友就是被冲走的!”松鼠的表情惊恐,双手合十,试图阻止小马。
场景四:小马的困惑
- 描述:小马站在河边,眉头紧锁,左右为难。它回头望向家的方向,又看看眼前的河流,心中充满了疑惑和不安。背景可以是微风轻拂的河岸,增添一丝迷茫的氛围。
场景五:妈妈的鼓励
- 描述:小马回到家,向妈妈讲述了自己的经历。妈妈微笑着,用温暖的手握住小马的手说:“孩子,你要自己去试一试,才知道河水到底有多深。”妈妈的眼神中充满了信任和支持。
场景六:小马尝试过河
- 描述:小马鼓起勇气,小心翼翼地踏入河中。河水起初只没过它的脚踝,但随着它向前迈进,水位逐渐升高,但并未如松鼠所说那般危险。小马的表情从紧张转为坚定。
场景七:成功过河
- 描述:小马终于到达了对岸,回头望向自己刚刚走过的河流,脸上洋溢着胜利的喜悦。阳光洒在它身上,显得格外耀眼。对岸的景色宁静而美好,象征着克服困难的喜悦。
场景八:小马与妈妈的重逢
- 描述:小马兴奋地跑回家,向妈妈报告自己成功过河的消息。妈妈张开双臂迎接它,两人紧紧拥抱在一起,周围是温暖的阳光和盛开的花朵,象征着成长与爱的力量。
图片编号 | 场景描述 | 正向提示词 | 反向提示词 |
图片1 | 小马与妈妈的对话 |
| 丑陋,变形,嘈杂,模糊,低对比度 |
图片2 | 遇见老牛 |
| 丑陋,变形,嘈杂,模糊,低对比度 |
图片3 | 松鼠的警告 |
| 丑陋,变形,嘈杂,模糊,低对比度 |
图片4 | 小马的困惑 |
| 丑陋,变形,嘈杂,模糊,低对比度 |
图片5 | 妈妈的鼓励 |
| 丑陋,变形,嘈杂,模糊,低对比度 |
图片6 | 小马尝试过河 |
| 丑陋,变形,嘈杂,模糊,低对比度 |
图片7 | 成功过河 |
| 丑陋,变形,嘈杂,模糊,低对比度 |
图片8 | 小马与妈妈的重逢 |
| 丑陋,变形,嘈杂,模糊,低对cong |
修改提示词后,成果展示:
————————————————————————-——————
尝试二。小改prompt。“”古风,水墨“”改为“”超写实”,得到的效果是:
后面几张人种都变了,中国人变歪果人了,o(╥﹏╥)o
——————————————————————————————————————————
尝试三:再加详细prompt。加了人种,肤色,年龄。
效果也不惊人如人意,很难精确控制。人物一致性不好。