-
Datawhale 夏令营第四期 AIGC 笔记3
-
comfyUI
-
定义
-
ComfyUI 是GUI的一种,是基于节点工作的用户界面,主要用于操作图像的生成技术,ComfyUI 的特别之处在于它采用了一种模块化的设计,把图像生成的过程分解成了许多小的步骤,每个步骤都是一个节点。这些节点可以连接起来形成一个工作流程,这样用户就可以根据需要定制自己的图像生成过程。
-
-
视频介绍
-
https://www.bilibili.com/video/BV1ch4y1B7vp/?spm_id_from=333.1350.jump_directly
-
-
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。
-
核心模块由模型加载器、提示词管理器、采样器、解码器。
-
-
视频介绍
-
https://www.bilibili.com/video/BV1nT421k7Fa/?spm_id_from=333.1350.jump_directly&vd_source=e75e73533e7ad9261b574eb390faef7d
-
-
Stable Diffusion的基本原理是通过降噪的方式(如完全的噪声图像),将一个原本的噪声信号变为无噪声的信号(如人可以理解的图像)。其中的降噪过程涉及到多次的采样。采样的系数在KSampler中配置:
-
- seed:控制噪声产生的随机种子
-
- control_after_generate:控制seed在每次生成后的变化
-
- steps:降噪的迭代步数,越多则信号越精准,相对的生成时间也越长
-
- cfg:classifier free guidance决定了prompt对于最终生成图像的影响有多大。更高的值代表更多地展现prompt中的描述。
-
- denoise: 多少内容会被噪声覆盖 sampler_name、scheduler:降噪参数。
-
-
-
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。
-
-
ComfyUI下载脚本文件
-
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/
-
资源网站
-
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
-
-
LoRA
-
Lora简介
-
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。
-
-
Lora微调的原理
-
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。
-
https://www.bilibili.com/video/BV1tthPeFEWb/?spm_id_from=333.1350.jump_directly
-
-
Lora微调的优势
-
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 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。
-
-
Lora详解
-
微调代码
-
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
-
参数详情表
-
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)
-
UNet、VAE和文本编码器的协作关系
-
- 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
-
- 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
-
- 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
-
-
-
-
如何准备一个高质量的数据集
-
明确你的需求和目标
-
- 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)。
-
- 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?
-
- 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。
-
-
数据集来源整理
-
公开的数据平台
-
魔搭社区内开放了近3000个数据集,涉及文本、图像、音频、视频和多模态等多种场景,左侧有标签栏帮助快速导览
-
其他数据平台推荐:
-
- ImageNet:包含数百万张图片,广泛用于分类任务,也可以用于生成任务。
-
- Open Images:由Google维护,包含数千万张带有标签的图片。
-
- Flickr:特别是Flickr30kK和Flickr8K数据集,常用于图像描述任务。
-
- CelebA:专注于人脸图像的数据集。
-
- LSUN (Large-scale Scene Understanding):包含各种场景类别的大规模数据集。
-
-
-
使用API或爬虫获取
-
1. 如果需要特定类型的内容,可以利用API从图库网站抓取图片,如Unsplash、Pexels等。
-
2. 使用网络爬虫技术从互联网上抓取图片,但需要注意版权问题。
-
-
数据合成
-
利用现有的图形引擎(如Unity、Unreal Engine)或特定软件生成合成数据,这在训练某些类型的模型时非常有用。
-
最近Datawhale联合阿里云天池,做了一整套多模态大模型数据合成的学习,欢迎大家一起交流。从零入门多模态大模型数据合成
-
-
数据增强
-
对于较小的数据集,可以通过旋转、翻转、缩放、颜色变换等方式进行数据增强。
-
-
购买或定制
-
如果你的应用是特定领域的,比如医学影像、卫星图像等,建议从靠谱的渠道购买一些数据集。
-
-
-
-
生成结果
-
不带lora:
-
带lora:
-
Datawhale 夏令营第四期 AIGC 笔记3
最新推荐文章于 2024-10-06 12:13:13 发布