【ComfyUI】MacBook Pro 安装(Intel 集成显卡)

最新推荐文章于 2024-07-08 16:03:25 发布
最新推荐文章于 2024-07-08 16:03:25 发布
阅读量6.1k 收藏 13
点赞数 1
分类专栏： comfyUI stable diffusion AI 文章标签： ComfyUI AI绘画
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u013066244/article/details/133779676
版权

文章目录

环境

显卡：Intel Iris Plus Graphics 1536 MB
macos: 13.0 (22A380)

概述

看之前，一定要确认环境。
看之前，一定要确认环境。
看之前，一定要确认环境。

我这台MacBook Pro是英特尔的集成显卡，所以用不了CUDA，也就用不了GPU。
（主要是因为英特尔没有出相应的工具包）

所以按照ComfyUI思路就是，最终是要使用CPU来跑的。

配置pip镜像

# 设置清华源
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
pip config set install.trusted-host pypi.tuna.tsinghua.edu.cn

配置pip代理

# 执行如下命令，没有会自动创建文件
vim ~/.pip/pip.conf
# 内容如下：
[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple
# 这个地方根据自己的代理来配置，下面是我的代理软件的配置
# 因为我们配置的是清华的源，其他没有必要开代理
proxy = http://127.0.0.1:1087

[install]
trusted-host = pypi.tuna.tsinghua.edu.cn

这里记录下，Mac电脑查看配置文件读取顺序：

# 查看配置文件读取顺序
MacBook-Pro:openai yutao$ pip config list -v
For variant 'global', will try loading '/Library/Application Support/pip/pip.conf'
For variant 'user', will try loading '/Users/yutao/.pip/pip.conf'
For variant 'user', will try loading '/Users/yutao/.config/pip/pip.conf'
For variant 'site', will try loading '/Users/yutao/.pyenv/versions/3.10.9/pip.conf'

git配置（选配）

因为我在git clone代码时候，总是会报仓库找不到，所以我会配置：

git config --global url."git@github.com:".insteadOf "https://github.com/"

也就是通过配置，将https://github.com/替换为git@github.com:。

假设我们想删除的话，

git config --unset key名称
# 例如
git config --unset url.git@github.com:.insteadof

下载comfyUI代码

# 我使用git@xxx 总是报找不到仓库，所以就使用https的地址啦
git clone https://github.com/comfyanonymous/ComfyUI.git

创建、激活虚拟环境

虚拟环境：针对每个项目创建一个只属于自己的一套环境；
这个环境主要目的防止依赖版本冲突。
不要觉得是浪费空间，比起解决版本冲突所花费的时间，这点空间是值得的。

由于comfyUI不像stable diffusion webUI那样会帮我们自动创建虚拟环境。
所以我们需要手动创建虚拟环境。

# 在comfyui根目录下，创建名为：venv的虚拟环境：python -m venv venv
[MacBook-Pro:ComfyUI yutao$ python -m venv venv

# 激活虚拟环境：. source venv/bin/active
[MacBook-Pro:ComfyUI yutao$ . source venv/bin/active

# 退出虚拟环境：deactivate
(venv) MacBook-Pro:ComfyUI yutao$ deactivate

下载依赖

在激活虚拟环境的情况下，下载依赖:

[(venv) MacBook-Pro:ComfyUI yutao$ pip install -r requirements.txt

这一步，只要网络好的情况下，是不会报错的。

安装torchvision

翻查源码发现，ComfyUI/comfy_extras/chainner_models/model_loading.py文件会加载LaMa，而LaMa.py又会去加载torchvision。所以我们需要安装它，虽然它在requirements.txt文件中并没有出现。

# 先看看有没有安装，确定确实没有安装
[(venv) MacBook-Pro:ComfyUI yutao$ pip show torchvision
WARNING: Package(s) not found: torchvision

# 安装
[(venv) MacBook-Pro:ComfyUI yutao$ pip install torchvision

启动comfyUI

这里需要特别注意，因为MacBook Pro是英特尔的集成显卡，不支持CUDA，所以也就不支持GPU的使用。

启动时，一定要指明关闭GPU，使用CPU。

# 参数：--disable-cuda-malloc --use-split-cross-attention --cpu
(venv) MacBook-Pro:ComfyUI yutao$ python main.py --disable-cuda-malloc --use-split-cross-attention --cpu

# source /opt/intel/oneapi/setvars.sh && python main.py --use-split-cross-attention

参数说明：

  1. --cpu： 就是指明使用CPU来画图（就是时间上会很慢）
  2. --disable-cuda-malloc： 指明不使用CUDA。
  3. --use-split-cross-attention ： 低内存的时候使用

运行成功后的界面：

Total VRAM 16384 MB, total RAM 16384 MB
Set vram state to: DISABLED
Device: cpu
VAE dtype: torch.float32
Using split optimization for cross attention
Starting server

To see the GUI go to: http://127.0.0.1:8188

在这里插入图片描述

目前还没有大模型，需要下载。

https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/tree/main
下载：sd_xl_base_1.0.safetensors文件，然后放入到ComfyUI/models/checkpoints目录下即可。

为什么Mac不支持CUDA，即英伟达的显卡？

老外给出的解释：

总结并扩展评论：
CUDA 是 Nvidia 专有（显然未经许可）的技术，允许在 GPU 处理器上进行通用计算。
很少有 Macbook Pro 配备支持 Nvidia CUDA 的 GPU。请查看此处，了解您的 MBP 是否具有 Nvidia GPU。然后，查看此处的表，看看该 GPU 是否支持 CUDA
iMac、iMac Pro 和 Mac Pro 的情况相同。
因此，在 MacOS 上默认安装 PyTorch 时不支持 CUDA
很少有 Mac 拥有 Nvidia 处理器：

安装Intel工具包

Intel® Distribution for Python

这是我最开始依然能行的思路，后来发现Intel目前就没有集成显卡的工具包。

参考地址：

How_to_install_ComfyUI

Intel Arc Graphics Thread

AssertionError: Torch not compiled with CUDA enabled

https://kwaa.dev/stable-diffusion

python设置代理和添加镜像源介绍

AI：160-使用Python进行机器学习模型的调参与优化
一键难忘的博客
04-18 2864
本文介绍了使用Python进行机器学习模型的调参与优化的全面流程。首先，我们讨论了调参的重要性以及常用的调参方法，包括网格搜索、随机搜索、贝叶斯优化等，并给出了相应的案例代码。接着，我们学习了如何评估模型的性能，并分析了调参结果。随后，我们探讨了模型解释的重要性，并介绍了使用SHAP值分析和可解释性模型进行模型解释的方法。最后，我们讨论了模型部署与实际应用的相关内容。
AI：163-使用Python进行机器学习模型的调参与优化
一键难忘的博客
04-20 2432
本文介绍了使用Python进行机器学习模型的调参与优化的全面流程。首先，我们讨论了调参的重要性以及常用的调参方法，包括网格搜索、随机搜索、贝叶斯优化等，并给出了相应的案例代码。接着，我们学习了如何评估模型的性能，并分析了调参结果。随后，我们探讨了模型解释的重要性，并介绍了使用SHAP值分析和可解释性模型进行模型解释的方法。最后，我们讨论了模型部署与实际应用的相关内容。
如何一步一步提高图像分类准确率？
weixin_34075268的博客
10-24 4862
一、问题描述 当我们在处理图像识别或者图像分类或者其他机器学习任务的时候，我们总是迷茫于做出哪些改进能够提升模型的性能（识别率、分类准确率）。。。或者说我们在漫长而苦恼的调参过程中到底调的是哪些参数。。。所以，我花了一部分时间在公开数据集 CIFAR-10 [1] 上进行探索，来总结出一套方法能够快速高效并且有目的性地进行网络训练和参数调整。 CIFA...
微软亚洲研究院等提出CNN训练新方法RePr，准确率显著提升
啊啊啊啊2
07-04 280
今天为大家带来的论文导读是由布兰迪斯大学和微软亚洲研究院所提出的RePr——专为卷积神经网络所设计的训练方法。该方法通过对滤波器的重要性进行排序，对网络进行修剪，并迭代训练完整网络和子网络，提升网络表现和泛化能力。作者设计了充分的ablation study和跨任务网络实验，证明了该训练方法的有效性。这篇论文已被CVPR2019接收为oral。本文是AI前线第73篇论文导读。\n摘 要\n一个训...
模型调参：分步骤的提升模型的精度
datayx的文章
01-28 906
向AI转型的程序员都关注了这个号????????????机器学习AI算法工程 公众号：datayx一、问题描述当我们在处理图像识别或者图像分类或者其他机器学习任务的时候，我们总是迷茫于...
全新数据增强方式KeepAugment，简单高效提升模型精度！
3D视觉工坊
05-20 1444
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者丨Edison_G来源丨计算机视觉研究院导读数据增强(DA)是深度学习训练过程中，必不可少的模块。数据增强的方法有很多，本文提出了一种简单有效的增强方式，KeepAugment，控制数据增强的保真度，从而减少干扰因素的错误信息。在图像分类、半监督图像分类、多视点多摄像机跟踪和目标检测等方面，都取得了不错的效果。一、...
百尺竿头，更进一步——如何最后一步再提升一下模型的精度？
张帅影&RS&DeepLearning
03-01 935
今天来讲一讲，如何在模型已经取得不错的精度的情况下，进一步提升模型的性能。 一句话：从小到大，逐步变大 比如，我们在256x256图像上训练，可以多创建几个数据集，其中的图像缩放为64x64和128x128。用64x64的数据集创建你的模型，照常进行微调，然后用128x128的数据集训练同样的模型。不是从头开始，而是使用之前训练得到的参数。一旦看起来已经最大限度地对这个128x128的数据进行了训练，再转向你的目标数据，即256x256的数据。你可能会发现准确度会有一两个百分点的提升。 理论依据：用较低的分
机器学习模型调参优化——万能调参代码
weixin_65167287的博客
01-08 688
该代码适用于多种模型的多种参数。 相比于网格搜索法，k折交叉验证方法速度会更快一些，以下使用十折交叉验证方法进行调参。 导入相关模块，假设已划分训练集和测试集，下面以训练集（x_train、y_train）作为模型调参训练样本。
机器学习之模型调参
最新发布
qq_45699443的博客
07-08 676
调参（Hyperparameter Tuning）是机器学习中优化模型性能的关键步骤之一。它指的是对模型的超参数进行选择和优化，以便在验证集或测试集上获得最佳的模型性能。超参数是模型在训练之前需要设置的参数，它们不同于模型在训练过程中学习到的参数（如权重和偏差）。并介绍了调参的方法，网格搜索。验证曲线和学习曲线的概念。
使用hyperopt实现对机器学习模型的调参.zip
04-18
机器学习模型能够处理大量数据，并在相对短的时间内产生可行且效果良好的结果。 它能够同时处理标称型和数值型数据，并可以处理具有缺失属性的样本。 机器学习算法如决策树，易于理解和解释，可以可视化分析，容易...
MNIST手写数字识别模型精度测试
weixin_42414405的博客
06-11 1676
MINST数据库是由Yann提供的手写数字数据库文件，其官方下载地址http://yann.lecun.com/exdb/mnist/ 数据库的里的图像都是28*28大小的灰度图像，每个像素的是一个八位字节（0~255） 这个数据库主要包含了60000张的训练图像和10000张的测试图像，主要是下面的四个文件 其中： 　　训练集（包括５０００的验证集）： 　　　　Training set...
CNN入门实战：我如何把准确率从86% 提高到99%（上）
热门推荐
bobo_jiang的博客
09-10 2万+
首发于专栏：知乎专栏：https://zhuanlan.zhihu.com/p/43679939 个人公众号：follow_bobo ---------------------分割线-------------------------------------- 哈哈哈，想不到我也能写如此标题党的文章 这个逼装的我 竟然有种坑蒙拐骗的感觉 让我想起来以前看到的《震惊，我是怎么用10块钱赚到...
图像分类的挑战：如何利用CNN提高准确率
AI天才研究院
12-31 1706
1.背景介绍 图像分类是计算机视觉领域中的一个重要任务，其目标是将一幅图像映射到一个标签或类别。随着数据量的增加，传统的图像分类方法已经无法满足需求，因此需要更高效、准确的方法来解决这个问题。深度学习技术，尤其是卷积神经网络(Convolutional Neural Networks，CNN)，在图像分类任务中取得了显著的成功。在本文中，我们将讨论CNN的核心概念、算法原理和具体操作步骤，以及如...
卷积网络如何让测试集准确率上升_基于深层卷积神经网络的剪枝优化
weixin_39630999的博客
11-24 1144
深度学习起源于人工神经网络，后来LECUN Y提出了卷积神经网络LeNet-5[1]，用于手写数字识别，并取得了较好的成绩，但当时并没有引起人们足够的注意。随后BP算法被指出梯度消失的问题，当网络反向传播时，误差梯度传递到前面的网络层基本接近于0，导致无法进行有效的学习。2006年HINTON G E提出多隐层的网络可以通过逐层预训练来克服深层神经网络在训练上的困难[2]，随后深度学习迎来了高速发...
CNN入门实战：我如何把准确率从86% 提高到99%（中）
bobo_jiang的博客
09-16 2万+
  蒋竺波 新加坡研究院 AI Department 公众号：follow_bobo   首发于专栏：https://zhuanlan.zhihu.com/c_141391545 个人公众号：follow_bobo 能不能点个赞，就是那种看起来写的还不错的样子 我们先来总结一下上一期的数据情况，顺便补充一点上一期没有讲到的： 目标类别一共20类，每类数量400-50不等 单从...
删除符合一定条件的若干行数据
ch206265的博客
10-13 1394
关键： #删除month字段中内容是'1/','2/','6/','7/','8/','9/','10','11','12'的行 data=data[~(data['month'].isin(['1/','2/','6/','7/','8/','9/','10','11','12']))] #仅删除字段名为month的一整列数据 data=data.drop(['month'],axis=1) import pandas as pd import numpy as np #导入数据 #data .
卷积神经网络人脸识别提高精度的办法
weixin_64437665的博客
04-27 1023
归一化：在网络中使用批量归一化（Batch Normalization）或权重归一化（Weight Normalization），以减少内部协变量偏移和加速训练。3.预训练模型：考虑使用在大量图像数据集上预训练过的模型，如ImageNet。4.损失函数优化：使用适合人脸识别任务的损失函数，如三元组损失（Triplet Loss）或者余弦相似度损失。2.更深的网络结构：尝试使用更深层次的网络结构，以捕捉更复杂的特征。6.正则化：使用正则化技巧，如L1 / L2正则化或Dropout，以降低过拟合风险。
神经网络加上注意力机制，精度反而下降？
小白学视觉
06-10 2816
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达编者荐语CNN模型，二分类问题，2层卷积层，加上CBAM之后，模型精度反而不如不加（已排除过拟合和欠拟合）。不知道为什么会出现这个问题？转载自丨计算机视觉CV整理自丨知乎回答1添加注意力不起作用无外乎两个原因，一是代码错误，二是注意力不适合。代码错误就不说了，需要注意激活函数，残差连接等。而注意力不适合，需要明白：（1）注意力...
CNN神经网络调参技巧
m0_72708335的博客
06-27 674
2.若干块，每块：卷积+激活+Dropout。3.若干块，每块：fc+激活+Dropout。1.若干块，每块：卷积+BN+激活+池化。
请写一个关于xgboost机器学习模型调参的python代码
08-15
### 回答1： import xgboost as xgb from sklearn.grid_search import GridSearchCV# 设置参数列表 param_grid = { 'max_depth': [3, 4, 5], 'learning_rate': [0.01, 0.1, 0.2], 'n_estimators': [200, 400, 600], 'subsample': [0.8, 1.0], 'colsample_bytree': [0.8, 1.0] } # 使用GridSearchCV进行搜索 xgb_model = xgb.XGBClassifier() grid_search = GridSearchCV(xgb_model, param_grid, verbose=1, cv=5) grid_search.fit(X_train, y_train) # 输出最优参数 best_parameters = grid_search.best_params_ print(best_parameters) ### 回答2： XGBoost是一种常用的梯度提升树算法，可以用于分类和回归问题。调参是优化模型性能的关键步骤。下面是一个关于XGBoost机器学习模型调参的Python代码示例： ```python import xgboost as xgb from sklearn.datasets import load_boston from sklearn.model_selection import GridSearchCV, train_test_split from sklearn.metrics import mean_squared_error # 载入数据集 data = load_boston() X, y = data.data, data.target # 划分训练集和验证集 X_train, X_valid, y_train, y_valid = train_test_split(X, y, test_size=0.2, random_state=42) # 定义模型 model = xgb.XGBRegressor() # 定义要搜索的超参数范围 param_grid = { 'n_estimators': [50, 100, 200], 'max_depth': [3, 4, 5], 'learning_rate': [0.1, 0.01, 0.001] } # 网格搜索调参 grid = GridSearchCV(model, param_grid, scoring='neg_mean_squared_error', cv=5) grid.fit(X_train, y_train) # 输出最佳参数和最佳得分 print("Best Parameters: ", grid.best_params_) print("Best Score: ", -grid.best_score_) # 使用最佳参数的模型进行预测 best_model = grid.best_estimator_ y_pred = best_model.predict(X_valid) # 计算均方误差 mse = mean_squared_error(y_valid, y_pred) print("Mean Squared Error: ", mse) ``` 在这个示例中，我们首先导入了必要的库，包括xgboost、sklearn.datasets等。然后我们使用`load_boston`函数载入一个波士顿房价的数据集，并将其划分为训练集和验证集。 接下来，我们定义了一个XGBoost回归模型，并定义了我们要搜索的超参数范围。在这个示例中，我们搜索了三个超参数：n_estimators（弱学习器的个数）、max_depth（树的最大深度）和learning_rate（学习率）。 然后，我们使用`GridSearchCV`函数进行网格搜索调参。其中，`scoring`参数指定了评估指标（负均方误差），`cv`参数指定了交叉验证的折数。 最后，我们输出了最佳参数和最佳得分。然后，使用最佳参数的模型进行预测，并计算了均方误差。 这是一个简单的示例，实际调参可能需要更多的超参数和更复杂的搜索策略，但以上代码可以作为一个起点帮助你进行XGBoost模型的调参。 ### 回答3： xgboost是一种强大的机器学习模型，但在使用过程中需要调参来优化模型的性能。下面是一个关于xgboost机器学习模型调参的Python代码示例： ```python import xgboost as xgb from sklearn.datasets import load_boston from sklearn.model_selection import train_test_split from sklearn.metrics import mean_squared_error from sklearn.model_selection import GridSearchCV # 载入数据 boston = load_boston() X, y = boston.data, boston.target # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0) # 构建xgb模型 xgbr = xgb.XGBRegressor() # 设置需要调参的参数 parameters = {'nthread': [4], 'objective': ['reg:squarederror'], 'learning_rate': [0.1, 0.01], 'max_depth': [3, 5, 7], 'min_child_weight': [1, 3, 5], 'subsample': [0.6, 0.8], 'colsample_bytree': [0.6, 0.8], 'n_estimators': [100, 200] } # 使用GridSearchCV进行调参 grid_search = GridSearchCV(estimator=xgbr, param_grid=parameters, scoring='neg_mean_squared_error', cv=5, n_jobs=-1) grid_search.fit(X_train, y_train) # 输出最佳参数和最佳得分 best_parameters = grid_search.best_params_ best_score = grid_search.best_score_ print("Best parameters: ", best_parameters) print("Best score: ", best_score) # 使用最佳参数训练模型 xgbr_best = xgb.XGBRegressor(**best_parameters) xgbr_best.fit(X_train, y_train) # 预测并计算均方误差 y_pred = xgbr_best.predict(X_test) mse = mean_squared_error(y_test, y_pred) print("Mean Squared Error: ", mse) ``` 以上代码使用了xgboost模型对波士顿房价数据进行预测，通过GridSearchCV调参获取最佳参数，并使用最佳参数训练模型，最后输出了预测结果的均方误差。你可以根据自己的需要，根据实际情况修改代码中的参数范围和评估指标。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

山鬼谣me

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值