Datawhale X 魔搭 AI夏令营 从零入门文生图AIGC_task03学习笔记

  我们今天的任务是了解微调的基本原理，然后我们会对微调的各种参数有一个更加清楚的了解，来实现一个更好的效果，并且在这个Task中会给大家介绍一下文生图的工作流平台工具ComfyUI，来实现一个更加高度定制的文生图。

part1：工具初探一ComfyUI应用场景探索

1. 初识ComfyUI

1. 1什么是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是一个功能强大、模块化程度高的AIGC图形和视频生成的用户界面和后台。其最基础的功能是以Stable Diffusion模型，通过文本生成图形的形式来生成图像数据.

1. 2 ComfyUI核心模块

    核心模块由模型加载器、提示词管理器、采样器、解码器。

1. 3 ComfyUI图片生成流程

1. 4 ComfyUI的优势

模块化和灵活性：ComfyUI 提供了一个模块化的系统，用户可以通过拖放不同的模块来构建复杂的工作流程。这种灵活性允许用户根据自己的需求自由组合和调整模型、输入、输出、和其他处理步骤。

可视化界面：ComfyUI 提供了直观的图形界面，使得用户能够更清晰地理解和操作复杂的 AI 模型和数据流。这对没有编程背景的用户特别有帮助，使他们能够轻松构建和管理工作流程。

多模型支持：ComfyUI 支持多个不同的生成模型，用户可以在同一平台上集成和切换使用不同的模型，从而实现更广泛的应用场景。

调试和优化：通过其可视化界面，ComfyUI 使得调试生成过程变得更简单。用户可以轻松地追踪数据流，识别并解决问题，从而优化生成结果。

开放和可扩展：ComfyUI 是一个开源项目，具有高度的可扩展性。开发者可以根据需要编写新的模块或插件，扩展系统功能，并根据项目需求进行定制。

用户友好性：尽管其功能强大，但 ComfyUI 仍然保持了用户友好性，即使对于复杂任务，也能以相对简单的方式完成，使其成为生成式 AI 工作流程管理的有力工具。

20分钟速通安装ComfyUI

1. 打开ModelScope 魔搭社区首页，点击我的Notebook

2. 魔搭社区免费提供的GPU免费算力上体验，选择方式二启动后点击查看Notebook。

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/   

1. 一键执行安装程序（大约10min）

2. 

   1. 进入预览界面

   2. 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

3. 链接打开之后的界面默认是这样：
4. Load魔搭社区的工作流脚本（带Lora训练）之后，
5. 生成四张图：
6. 让我来改改prompt，我想要画图搞点精细的动作，动作不行，但是熊猫画的不错。

7. 资源网站

8. 名称	链接地址
   在魔搭使用ComfyUI，玩转AIGC！	https://modelscope.cn/headlines/article/429
   ComfyUI的官方地址	https://github.com/comfyanonymous/ComfyUI
   ComfyUI官方示范	https://comfyanonymous.github.io/ComfyUI_examples/
   别人的基础工作流示范	https://github.com/cubiq/ComfyUI_Workflows
   	https://github.com/wyrde/wyrde-comfyui-workflows
   工作流分享网站	https://comfyworkflows.com/
   推荐一个比较好的comfyui的github仓库网站	https://github.com/ZHO-ZHO-ZHO/ComfyUI-Workflows-ZHO?tab=readme-ov-file

9. Part2：Lora微调

10. Lora简介

11. LoRA (Low-Rank Adaptation) 微调是一种用于在预训练模型上进行高效微调的技术。它可以通过高效且灵活的方式实现模型的个性化调整，使其能够适应特定的任务或领域，同时保持良好的泛化能力和较低的资源消耗。这对于推动大规模预训练模型的实际应用至关重要。

12. Lora微调的原理

13. LoRA通过在预训练模型的关键层中添加低秩矩阵来实现。这些低秩矩阵通常被设计成具有较低维度的参数空间，这样它们就可以在不改变模型整体结构的情况下进行微调。在训练过程中，只有这些新增的低秩矩阵被更新，而原始模型的大部分权重保持不变。

14. Lora微调的优势

15. 快速适应新任务

    在特定领域有少量标注数据的情况下，也可以有效地对模型进行个性化调整，可以迅速适应新的领域或特定任务。

    保持泛化能力

    LoRA通过微调模型的一部分，有助于保持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。

    资源效率

16. LoRA旨在通过仅微调模型的部分权重，而不是整个模型，从而减少所需的计算资源和存储空间。

17. Lora详解

18. Task2中的的微调代码

19. 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    

20. 参数详情表

21. 参数名称	参数值	说明
    pretrained_unet_path	models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors	指定预训练UNet模型的路径
    pretrained_text_encoder_path	models/kolors/Kolors/text_encoder	指定预训练文本编码器的路径
    pretrained_fp16_vae_path	models/sdxl-vae-fp16-fix/diffusion_pytorch_model.safetensors	指定预训练VAE模型的路径
    lora_rank	16	设置LoRA的秩（rank），影响模型的复杂度和性能
    lora_alpha	4	设置LoRA的alpha值，控制微调的强度
    dataset_path	data/lora_dataset_processed	指定用于训练的数据集路径
    output_path	./models	指定训练完成后保存模型的路径
    max_epochs	1	设置最大训练轮数为1
    center_crop		启用中心裁剪，用于图像预处理
    use_gradient_checkpointing		启用梯度检查点，节省显存
    precision	"16-mixed"	设置训练时的精度为混合16位精度（half precision）

22. UNet、VAE和文本编码器的协作关系

23. 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

24. 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

25. 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

Part3 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：

1. 明确你的需求和目标

2. 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）。

3. 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？

4. 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。

5. 数据集来源整理