目录
我对当前AI生图技术的认知。
了解AI生图技术目标
我认为了解AI技术的目标是为了更快更高效的调整或是实现自己的目标,AI技术始终是实现个人目标的过程和手段,绝不是最终结果。我们可以有很多个目标就需要一直持续关注不同的AI技术。
我想通过AI生图技术实现各种节日海报、头像、表情包、有意思的图片发发朋友圈;
实现房屋装修效果图,辅助房屋设计装修;
实现应用程序图标和界面的设计;
实现游戏图标、界面、人物的设计等等。
AI生图工具
当前AI生图工具种类很多。
开源的有StableDiffision、Flux和Kolors等等,Kolors最近才了解到,还在摸索中;
闭源的有Midjourney、Dell-3等等;
学习社区与资源平台
Datawhale学习模式很自由,学习氛围很纯粹,这总学习方式很适合现在的我。
魔搭社区之前有简单的了解,但一直没深入研究,之前都是在创空间看看别人的效果就没继续研究了。接下来会一直深入了解这个平台。
学习前的准备
学习工具--认识通义千问
官方链接:通义tongyi.ai_你的全能AI助手
使用感觉效果都还不错,之前用来编写策划方案,产品需求文档都能给出比较全的角度,当然最后还需自己调整才能使用。
精读baseline——从零入门AI生图
让AI助手从两个角度帮助我们:
- 分析代码的主题架构;
- 逐行代码解析。
代码内容
!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
分析代码的主体架构
输入的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}
返回的结果
这段代码主要分为以下几个部分:
第一部分:环境准备
- 安装依赖包:
- 使用
!pip
命令安装一系列Python库,包括simple-aesthetics-predictor
,data-juicer
,peft
,lightning
,pandas
,torchvision
, 和DiffSynth-Studio
。 - 卸载并重新安装
pytorch-lightning
。
- 使用
- 加载数据集:
- 从 ModelScope 加载名为
lowres_anime
的数据集,并指定子集名称和拆分类型为训练集。 - 指定数据集的缓存目录。
- 从 ModelScope 加载名为
第二部分:数据预处理与转换
- 创建目录:
- 创建用于存储处理后图像的目录。
- 构建元数据文件:
- 遍历数据集中的每个样本,将图像转换为 RGB 格式并保存到指定路径。
- 构建包含文本描述和图像路径的元数据,并将其写入JSONL格式的文件中。
- 配置并运行 DataJuicer:
- 定义一个 YAML 配置文件,设置 DataJuicer 的参数,包括过滤条件等。
- 使用命令行工具
dj-process
处理数据集。
第三部分:数据分析与模型应用
- 读取处理后的数据:
- 读取 DataJuicer 输出的 JSONL 文件,并将数据转换为 Pandas DataFrame 格式。
- 将DataFrame保存为 CSV 文件。
- 使用 CLIP 模型计算相似度:
- 加载预训练的 CLIP 模型和处理器。
- 对图像和文本进行编码,并计算图像-文本相似度分数。
- 构建 PyTorch 数据集和数据加载器:
- 定义一个自定义的 PyTorch 数据集类
CustomDataset
,用于处理图像和文本数据。 - 创建数据加载器以方便批量处理数据。
- 定义一个自定义的 PyTorch 数据集类
第四部分:生成新图像
- 使用 StableDiffusionPipeline 生成图像:
- 加载预训练的 StableDiffusion 模型。
- 使用不同的提示(prompt)和负面提示(negative prompt)生成多个二次元风格的图像,并保存到磁盘。
第五部分:图像展示
- 合并生成的图像:
- 读取生成的图像,并将它们合并成一个大的图像以便于展示。
执行过程
想通义千问输入问题
通义千问回答
逐行解释代码
输入的问题
你是一个优秀的python开发工程师,现在我们需要你帮我们逐行分析这个代码,用中文回答我的问题。{此处替换前面的代码}
返回的结果
实战演练--基于话剧的连环画制作
数据准备
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
询问通义
自己在通义的返回的基础上,多多调整
序号 | 场景名称 | 正向提示词 | 负向提示词 |
1 | 正在上课 | 古风,水墨画,一个身穿蓝色长袍的少女,端坐于古朴的学堂内,正聚精会神地听先生讲解经书。 | 丑陋,变形,嘈杂,模糊,低对比度 |
2 | 开始睡着了 | 古风,淡彩,同一个少女,头轻轻倚靠在手臂上,在学堂内昏昏欲睡,周围是散落的书卷和静谧的氛围。 | 丑陋,变形,嘈杂,模糊,低对比度 |
3 | 进入梦乡 | 古风,梦幻色彩,少女身着淡紫色长裙,站在蜿蜒的小径旁,眺望着前方,似乎在等待着什么。 | 丑陋,变形,嘈杂,模糊,低对比度 |
4 | 王子骑马而来 | 古风,浓墨重彩,一位英俊的青年骑着一匹骏马缓缓而来,少年衣着华丽,眼神坚定。 | 丑陋,变形,嘈杂,模糊,低对比度 |
5 | 两人相谈甚欢 | 古风,暖色调,少女与青年并肩而立,面带微笑,似乎在愉快地交谈。 | 丑陋,变形,嘈杂,模糊,低对比度 |
6 | 一起坐在马背上 | 古风,浪漫色调,少女和青年共同坐在马背上,少女双手环抱着青年的腰,青年则专注地驾驭着马儿前行。 | 丑陋,变形,嘈杂,模糊,低对比度 |
7 | 下课了,梦醒了 | 古风,水墨,少女从梦中醒来,揉着眼睛,表情略显迷茫,周围是学堂的陈设和同学们收拾东西的声音。 | 丑陋,变形,嘈杂,模糊,低对比度 |
8 | 又回到了学习生活 | 古风,淡雅色彩,少女再次回到学堂,专心致志地写着毛笔字,背景是充满书香气息的书房,旁边摆放着各种古籍。 | 丑陋,变形,嘈杂,模糊,低对比度 |
执行代码
大概用时20分钟;