温馨提示
关于本文：
本文你可以学习到完整的不使用webui借助lora和dreambooth微调Stable Diffusion的全过程。
手把手教你微调Stable Diffusion生成优弧，但是半失败版?
关于训练：
单卡32GV100进行的微调，因为一些训练策略显存只需要16G就够了。
训练用时一个半小时多一点点。根据自己显卡量力而行。
搞环境
先搞个虚拟环境：
conda create -n youhu
conda activate youhu scipy
进入虚拟环境了。开搞。
因为我们是使用DreamBooth对Stable Diffusion进行微调，所以先把Diffusion Model的库搞下来。
git clone https://github.com/huggingface/diffusers.git
下载成功之后你现在会看到多出来一个diffuser文件。
然后进入到这个文件夹了里。开始安排环境
pip install -e .
进入examples/dreambooth目录，继续安排环境的依赖包：
pip install -r requirements_sdxl.txt
pip install bitsandbytes xformers
配置一下accelerate的环境
accelerate config default
数据集
接下来就是准备几个你小子的图。放到examples/dreambooth目录下。
准备脚本
打开vim写个脚本，代码下拉可以直接复制。
这个脚本是使用你刚才的图片通过Dreambooth微调Stable Diffusion模型。
export MODEL_NAME="./stable-diffusion-xl-base-1.0"
export INSTANCE_DIR="yh"
export OUTPUT_DIR="lora-trained-xl"
# export VAE_PATH="madebyollin/sdxl-vae-fp16-fix"
python train_dreambooth_lora_sdxl.py \
--pretrained_model_name_or_path=$MODEL_NAME \
--instance_data_dir=$INSTANCE_DIR \
--output_dir=$OUTPUT_DIR \
--instance_prompt="upper_body, 1 boy, glasses, youhu, nixiaozi" \
--resolution=1024 \
--train_batch_size=1 \
--gradient_accumulation_steps=4 \
--learning_rate=1e-5 \
--lr_scheduler="constant" \
--lr_warmup_steps=0 \
--max_train_steps=500 \
--validation_prompt="youhu, nixiaozi" \
--validation_epochs=25 \
--seed="0" \
--enable_xformers_memory_efficient_attention \
--gradient_checkpointing \
--use_8bit_adam \
# --mixed_precision="fp16" \
# --pretrained_vae_model_name_or_path=$VAE_PATH \
这里解释一下。这个脚本的主要目的是配置和运行一个Stable Diffusion模型的训练过程，包括模型的参数设置、数据路径、学习率、批处理大小等。你可以根据自己的需求修改这些参数，然后运行脚本来训练模型。
export MODEL_NAME="stabilityai/stable-diffusion-xl-base-1.0"：设置了一个名为 MODEL_NAME 的环境变量，该变量指定了预训练模型的名称或路径。
export INSTANCE_DIR="yh"：设置了一个名为 INSTANCE_DIR 的环境变量，该变量指定了实例数据的目录或路径。
export OUTPUT_DIR="lora-trained-xl"：设置了一个名为 OUTPUT_DIR 的环境变量，该变量指定了模型训练结果的输出目录或路径。
python train_dreambooth_lora_sdxl.py 命令，它实际执行了模型训练的操作。以下是命令中的参数和选项的解释：
--pretrained_model_name_or_path=$MODEL_NAME：指定了预训练模型的名称或路径，使用了之前设置的 MODEL_NAME 环境变量。
--instance_data_dir=$INSTANCE_DIR：指定了实例数据的目录或路径，使用了之前设置的 INSTANCE_DIR 环境变量。
--output_dir=$OUTPUT_DIR：指定了模型训练结果的输出目录或路径，使用了之前设置的 OUTPUT_DIR 环境变量。
--instance_prompt="a photo of youhu"：设置了实例提示，描述了输入数据的内容。
--resolution=1024：指定了训练过程中使用的分辨率。
--train_batch_size=1：指定了训练时的批量大小。
--gradient_accumulation_steps=4：指定了梯度累积的步数。
--learning_rate=1e-5：指定了学习率的初始值。
--lr_scheduler="constant"：选择了学习率调度器的类型，这里是常数学习率。
--lr_warmup_steps=0：指定了学习率预热的步数。
--max_train_steps=500：指定了最大训练步数。
--validation_prompt="youhu, ni xiao zi"：设置了验证提示，描述了用于验证的输入数据的内容。
--seed="0"：设置了随机种子，以确保训练的可重复性。
--enable_xformers_memory_efficient_attention：启用了XFormers模块的内存效率注意力机制。
--gradient_checkpointing：启用了梯度检查点，以减少内存使用。
--use_8bit_adam：使用了8位Adam优化器，这可以提高训练速度。
最后两行的注释部分是选项的注释， Stable Diffusion原装VAE存在数值不稳定的问题，因此hugging face官方一般都推荐换一个VAE模型。但是推荐的那个VAE模型实际使用起来有冲突，会一直报错。所以这里还是使用原装VAE吧。
缓存模型
接下来还不能直接运行。因为墙的原因，你的服务器没办法直接从抱抱脸上直接下载模型。所以我的建议是：
在examples/dreambooth目录下建一个文件夹stable-diffusion-xl-base-1.0
其他解决方法：
给你服务器上搞个梯子，开全局
本地缓存模型，上传到服务器缓存
开始训练
bash train.sh
然后就等着他进度条就行了：
到这样就是训练完了：
开始生成
还是在examples/dreambooth目录下，搞一个python文件，我这里叫generate.py
直接复制下边的代码即可。
from diffusers import DiffusionPipeline
import torch
lora_model_id = './lora-trained-xl/pytorch_lora_weights.safetensors'
base_model_id = "./stable-diffusion-xl-base-1.0"
pipe = DiffusionPipeline.from_pretrained(base_model_id, torch_dtype=torch.float16)
pipe = pipe.to("cuda")
pipe.load_lora_weights(lora_model_id)
prompt = ["youhu, ni xiao zi","youhu","ni xiao zi","ni xiao zi, youhu","a photo of youhu", "a photo of ni xiao zi"]
for p in prompt:
image = pipe(p, num_inference_steps=50).images[0]
image.save(f"{p}.png")
from diffusers import DiffusionPipeline：从diffusers模块导入DiffusionPipeline类。这个类提供了一个管道，用于执行扩散过程，这是生成图片的关键步骤。
import torch：导入PyTorch库，这是一个用于深度学习的开源库。
lora_model_id = './lora-trained-xl/pytorch_lora_weights.safetensors'：定义一个变量来存储预训练模型的权重文件路径。
base_model_id = "./stable-diffusion-xl-base-1.0"：定义一个变量来存储基础模型的路径。
pipe = DiffusionPipeline.from_pretrained(base_model_id, torch_dtype=torch.float16)：使用基础模型的路径加载预训练的扩散管道，并设置数据类型为float16。
pipe = pipe.to("cuda")：将管道移动到GPU设备上进行计算。
pipe.load_lora_weights(lora_model_id)：加载预训练模型的权重到管道中。
prompt = ["youhu, ni xiao zi","youhu","ni xiao zi","ni xiao zi, youhu","a photo of youhu", "a photo of ni xiao zi"]：定义一个列表，包含了多个生成图片的提示。
for p in prompt:：对提示列表进行遍历，每次循环处理一个提示。
image = pipe(p, num_inference_steps=50).images[0]：通过管道生成一张图片。这里的字符串p是生成图片的提示，而num_inference_steps=25表示推理步骤的数量。
image.save(f"优弧{i}.png")：将生成的图片保存为优弧{i}.png文件，其中i是当前循环的索引号。
然后就是生成过程：
结果图
发个勉强能看的。?
失败原因分析：
训练集不足，且图片差异较大，分辨率过低（这个是主要原因）。
以及训练过程和验证过程prompt差异较大
没换VAE（因为madebyollin/sdxl-vae-fp16-fix）实在是用不了。
这个模型本身效果就一般。
以上种种原因导致最后效果不尽人意?。
毕竟别人用五张高清柯基，训练出了比较好的柯基图。
训练集：
结果：
这里直接将该软件分享出来给大家吧~
1.stable diffusion安装包
随着技术的迭代，目前 Stable Diffusion 已经能够生成非常艺术化的图片了，完全有赶超人类的架势，已经有不少工作被这类服务替代，比如制作一个 logo 图片，画一张虚拟老婆照片，画质堪比相机。
最新 Stable Diffusion 除了有win多个版本，就算说底端的显卡也能玩了哦！此外还带来了Mac版本，仅支持macOS 12.3或更高版本。
2.stable diffusion视频合集
我们在学习的时候，往往书籍源码难以理解，阅读困难，这时候视频教程教程是就很适合了，生动形象加上案例实战，一步步带你入坑stable diffusion，科学有趣才能更方便的学习下去。
3.stable diffusion模型下载
stable diffusion往往一开始使用时图片等无法达到理想的生成效果，这时则需要通过使用大量训练数据，调整模型的超参数（如学习率、训练轮数、模型大小等），可以使得模型更好地适应数据集，并生成更加真实、准确、高质量的图像。
4.stable diffusion提示词
提示词是构建由文本到图像模型解释和理解的单词的过程。可以把它理解为你告诉 AI 模型要画什么而需要说的语言，整个SD学习过程中都离不开这本提示词手册。
5.SD从0到落地实战演练
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名SD大神的正确特征了。
这份完整版的stable diffusion资料我已经打包好，需要的点击下方添加，即可前往免费领取！