这次，海马体照相馆可能真的要木得了！！
前有妙鸭相机这种付费傻瓜式的 AI 写真程序，后有 Stable Diffusion 定制属于自己的 Lora 模型的围攻。
但今天要分享的确实一个叫 EasyPhoto 的 AI 写真照片生成器！
免费，使用起来却非常简单。
一 EasyPhoto
EasyPhoto 是一款 Stable diffusion 插件，用于生成AI肖像画，主要用于训练个人数字分身。
训练方式非常简单，只需要提供 5 到 20 张肖像图片（最好是半身照片且尽量不要佩戴眼镜），20 分钟左右，Stable diffusion 就可以训练好数字分身。
训练完成后，我们可以使用预设的模板或者自己上传图片进行预测，也就是脸部替换了！
二 安装
插件安装包请看文末获取哦！
除了安装 EasyPhoto 插件外还需要将 ControlNet 的个数设置大于 3，EasyPhoto 在训练的时候会调用 ControlNet 。
三 训练数字分身
1 上传图片集
安装好插件后进入界面可以看到多出了一个 EasyPhoto 菜单。进入 EasyPhoto 页面后上传需要训练的照片集。
推荐5-20 照肖像照，不同的角度不同的光照效果会更好哦！
2 训练参数设置
EasyPhoto 非常贴心，已经帮我们设置好了默认的配置选项，第一次玩我们可以完全跳过。直接进行下一步开始训练。
关于参数的介绍：
base checkpoint : 基于什么模型训练；默认是 Chilloutmix-Ni-pruned-fp16-fix 此模型专门用来生成逼真的真人模型，生成的光影效果及人物质感也相当好，配合各种Lora模型做换脸使用可以说是百搭
resolution：训练时喂入网络的图片大小，默认值为512
validation & save steps: 验证图片与保存中间权重的steps数，默认值为100，代表每100步验证一次图片并保存权重
max train steps: 最大训练步数，默认值为800
max steps per photos: 每张图片的最大训练次数，默认为200
train batch size: 训练的批次大小，默认值为1
gradient accumulation steps：是否进行梯度累计，默认值为4，结合train batch size来看，每个Step相当于喂入四张图片
dataloader num workers: 数据加载的works数量，windows下不生效，因为设置了会报错，Linux正常设置
learning rate: 训练Lora的学习率，默认为1e-4
rank Lora: 权重的特征长度，默认为128
network alpha : Lora训练的正则化参数，一般为rank的二分之一，默认为64
Validation: EasyPhoto在训练时默认会对训练过程进行验证，然后根据 训练过程中的验证结果，进行最优秀的几个Lora进行融合。会影响训练的速度，比较吃显存！
最终训练步数 Final training step = Min(photo_num * max_steps_per_photos, max_train_steps)
简单来说就是：图片数量比较少，训练步数为 photo_num * max_steps_per_photos。图片数量比较多，训练步数为 max_train_steps
3 开始训练
参数配置好之后直接点击 star Training，接着输入分身名称。
再接着就可以去喝杯咖啡了～ ☕️
在这期间会下载资源（如果是第一次会下载 10G 左右的资源）并进行训练
你可以在后台看到具体的日志和进度
直到看到这个就表示训练成功了
四 人物生成
在训练 成功之后，我们就可以进入到 Interface 页面了。点击一下刷新按钮就可以看见我们刚才训练出来的分身了。
EasyPhoto 提供了三种人物生成方式（脸部替换）
1 基于预设模板
我们可以直接选择一个预设的模板，然后选择我们的数字分身，直接生成
2 上传图片进行替换
直接上传一张底图，选择数字分身，替换底图的人物脸部。这个大家可以自己尝试尝试
3 生成图模式
虽然说是生成图。但是 EeasPhoto 目前还只是支持选择特定维度提示词进行生成。不支持直接根据用户输入直接生成。
最后在来说说生成的时候可以设置的高级选项～可以按需调整
Additional Prompt 正向提示词：传入Stable Diffusion模型进行预测。可以根据自身希望增加的元素调整prompt词。
Seed 种子值：用于保证结果的可复现性，为-1时会随机选择一个种子数。
Face Fusion Ratio Before 第一次人脸融合的强度：调节后会影响人物相似度，一般来讲，值越大与训练人物的相似度越高。
Face Fusion Ratio After 第二次人脸融合的强度：调节后会影响人物相似度，一般来讲，值越大与训练人物的相似度越高。
First Diffusion steps 第一次进行Stable Diffusion的总步数：第一次Diffusion主要进行人像区域的调整，使得人像更自然。调节后会影响图片质量与出图速度，一般值越大图片质量越高，出图越慢。
First Diffusion denoising strength 第一次进行Stable Diffusion的重绘比例：调节后会影响图片的重绘比例与出图速度，一般值越大，人像变动越大。
Second Diffusion steps 第二次进行Stable Diffusion的总步数：第二次Diffusion主要进行人像周围区域的调整，使得图片更和谐。调节后会影响图片质量与出图速度，一般值越大图片质量越高，出图越慢。
Second Diffusion denoising strength 第二次进行Stable Diffusion的重绘比例：调节后会影响图片的重绘比例与出图速度，一般值越大，人像周围变动越大。
Crop Face Preprocess 是否对人像裁剪后再处理：推荐开启，假设输入的是大图，会对人像区域先做裁剪后再进行人像调整，调整结果更精细。
Apply Face Fusion Before 是否进行第一次人脸融合：调节后会影响是否进行第一次人脸融合，会影响人像的相似度。
Apply Face Fusion After 是否进行第二次人脸融合：调节后会影响是否进行第二次人脸融合，会影响人像的相似度。如果感觉人像发虚则取消该次融合。
Apply color shift first 是否进行第一次DIffusion后的色彩校正：调节后会影响图片的人像自然程度。
Apply color shift last 是否进行第二次DIffusion后的色彩校正：调节后会影响图片的人像自然程度。
Background Restore 是否进行背景的重建：开启后可以对人像区域外背景进行重建，在使用动漫化模型时，可以让整个图片更和谐。
如果你觉得教程还不错，别忘了把好内容分享给身边的小伙伴哦 📢
写在最后
感兴趣的小伙伴，赠送全套AIGC学习资料，包含AI绘画、AI人工智能等前沿科技教程和软件工具，具体看这里。
AIGC技术的未来发展前景广阔，随着人工智能技术的不断发展，AIGC技术也将不断提高。未来，AIGC技术将在游戏和计算领域得到更广泛的应用，使游戏和计算系统具有更高效、更智能、更灵活的特性。同时，AIGC技术也将与人工智能技术紧密结合，在更多的领域得到广泛应用，对程序员来说影响至关重要。未来，AIGC技术将继续得到提高，同时也将与人工智能技术紧密结合，在更多的领域得到广泛应用。
一、AIGC所有方向的学习路线
AIGC所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。
二、AIGC必备工具
工具都帮大家整理好了，安装就可直接上手！
三、最新AIGC学习笔记
当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。
四、AIGC视频教程合集
观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
五、实战案例
纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。