背景介绍
AIGC技术
AIGC(AI-Generated Content)是指基于生成对抗网络、大型预训练模型等人工智能的技术方法，通过已有数据的学习和识别，以适当的泛化能力生成相关内容的技术。例如，通过输入关键词、描述或样本，AIGC可以生成与之相匹配的文章、图像、音频等。
Deepfake技术
Deepfake是一种使用人工智能技术生成的伪造媒体，特别是视频和音频，它们看起来或听起来非常真实，但实际上是由计算机生成的。这种技术通常涉及到深度学习算法，特别是生成对抗网络（GANs），它们能够学习真实数据的特征，并生成新的、逼真的数据。
工具箱合集
此次比赛内容是，参赛者需在可图Kolors 模型的基础上，基于LoRA模型生成 8 张图片组成连贯故事，故事内容可自定义，风格不限，同时要保证美感度及连贯性。 与之前活动不同的是，第二期CV图像方向任务是检测图像是否为Deepfake图像，而此次第四期AIGC方向的任务是基于模型生成AI图像。
将教程中的常用链接如下，正常使用的前提是已经按要求完成相应的注册与申请算力资源。
Datawhale速通教程：Datawhale (linklearner.com)
AI云开发平台（PAI-DSW）：我的Notebook · 魔搭社区 (modelscope.cn)https://modelscope.cn/my/mynotebook/authorization
AI助教（通义千问）：
通义tongyi.ai_你的全能AI助手 (aliyun.com)https://tongyi.aliyun.com/qianwen/魔搭模型库：
魔搭社区 (modelscope.cn)https://modelscope.cn/models/create?template=text-to-image-lora比赛讨论区：可图Kolors-LoRA风格故事挑战赛_魔搭社区https://modelscope.cn/brand/view/Kolors?spm=a2c22.12281976.0.0.25381acbkEiZSp&branch=0&tree=11
Task2：baseline精读
1、安装依赖包
!pip install命令来安装Python 包，!pip uninstall命令用来卸载Python 包，
相关依赖包有：Data-Juicer 和 DiffSynth-Studio。
2、数据集下载与预处理
从ModelScope加载一个名为lowres_anime的数据集，并保存图像到指定目录“/mnt/workspace/kolors/data/lora_dataset/train/”。
将数据集中的图像转换为 RGB 模式，并保存到指定目录。
创建包含图像路径和文本描述的元数据文件 metadata.jsonl。
编写并保存 data_juicer_config.yaml 配置文件，用于后续的数据过滤和处理。
3、用Data-Juicer进行数据处理
使用 dj-process 命令根据配置文件对数据进行过滤和处理，生成 result.jsonl 文件。
读取 result.jsonl 文件中的数据，并将其转换为 Pandas DataFrame，然后保存为 CSV 文件，并且将图片保存到指定文件夹下。
4、模型训练与图像生成
下载可图模型download_models(["Kolors", "SDXL-vae-fp16-fix"])。
在前面模型的基础上，执行可图Lora微调训练。
加载Lora微调后的模型。
设置正向提示词，反向提示词，执行次数，图片尺寸。
设置随机种子，控制图片是否可以重复生成，并将图像保存为 .jpg 文件。
5、合并图像并保存
将生成的多个图像合并成一个大图像，并调整图片的大小。
ps：在terminal终端，复制epoch=0-step=500.ckpt模型文件，以及所有的jpg图像到指定位置output文件夹中：
mkdir /mnt/workspace/kolors/output & cd
cp /mnt/workspace/kolors/models/lightning_logs/version_0/checkpoints/epoch\=0-step\=500.ckpt /mnt/workspace/kolors/output/
cp /mnt/workspace/kolors/*.jpg /mnt/workspace/kolors/output/另外一个快速保存多张图片的方法，点击光标之后按住Shift键，再点击光标，全部选中，再右键Download即可下载指定的文件。
baseline改进
利用通义小助手，修改了自己的提示词，根据生成的图像进行改进，并输出为2行列4图像。
初遇
青年男子笑容可掬，手捧布匹，前来与女子交易，实则为了接近她，商讨婚事。
相恋
女子翘首以盼，等待男子归来，见到他时喜极而泣，两人重逢后欢声笑语不断。
婚姻
占卜显示吉祥，没有不利的预兆，男子驾车迎接，女子带着嫁妆，两人步入婚姻殿堂。
辛劳
女子三年来辛勤操持家务，从早忙到晚，没有一刻停歇，展现了她的勤劳和牺牲。
变化
男子性格反复无常，对待女子的态度时好时坏，不再如从前般专一和温柔。
哀怨
女子静下心来反思这段关系，内心充满悲痛和自我怜悯，意识到自己的处境。
决绝
女子下定决心，不再回头，面对男子的背叛，她选择了放弃和决裂。
新生
女子告诫后来者不要沉溺于爱情，因为男子可以轻易抽身，而女子一旦深陷其中，便难以自拔，暗示了她正迈向新的生活阶段，学会了独立和自我保护。
Task3：实战优化
Part1.安装ComfyUI 插件
ComfyUI 是ComfyUI是一个功能强大、模块化程度高的AIGC图形和视频生成的用户界面和后台。在ComfyUI平台的前端页面上，用户可以基于节点/流程图的界面设计并执行AIGC文生图或者文生视频的pipeline。
他的核心模块由模型加载器、提示词管理器、采样器、解码器。
Part2：Lora微调
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 总结与心得
ComfyUI是一款功能强大的AIGC（AI生成内容）平台，它通过直观的节点/流程图界面让非专业人员也能轻松构建复杂的AI生成工作流程。ComfyUI的核心优势在于其模块化设计，用户可以自由组合模型和处理步骤，如模型加载器、提示词管理器、采样器和解码器，以适应各种应用场景。此外，它的可视化界面简化了AI模型的理解和操作，多模型支持增强了应用范围，开放性和可扩展性则促进了社区创新。
在实际应用中，ComfyUI可以用来微调模型，如使用LoRA技术对特定任务进行优化。例如，上述命令行展示了如何使用ComfyUI训练LoRA模型，通过指定预训练的UNet、文本编码器和VAE组件以及设置训练参数来实现。具体来说，UNet根据输入的噪声和文本条件生成图像；VAE将输入数据映射到潜在空间并从中采样生成新图像；文本编码器将文本转换为向量表示，与VAE生成的噪声一起输入到UNet中，指导图像生成过程。
通过ComfyUI的学习和使用，我深刻体会到其在简化复杂AI生成任务方面的价值。即使是初学者，也能通过其直观的设计和丰富的文档快速上手，创造出高质量的内容。
总结
这篇文章全面介绍了AIGC（AI生成内容）和Deepfake技术的背景，以及一场基于这些技术的图像生成挑战赛的核心内容、操作步骤和实战经验分享。文章主要分为以下几个部分：### 背景介绍
- **AIGC技术**：利用生成对抗网络、预训练模型等技术，从输入数据（如关键词、描述或样本）中生成文章、图像、音频等内容的技术。
- **Deepfake技术**：深度学习驱动的伪造媒体（尤其是视频和音频），通过模拟真实数据的特征来创建逼真的虚假内容。
### 工具箱合集
比赛要求参赛者使用Kolors和LoRA模型，生成8张图片组成连贯故事，并检测图像是否为Deepfake图像。同时，提供了一系列工具和资源链接，如Datawhale教程、AI云开发平台、AI助教和比赛讨论区等，以帮助参赛者完成任务。
### Task2：Baseline精读
详细阐述了从安装依赖包、数据集下载与预处理、Data-Juicer数据处理、模型训练与图像生成、到合并图像并保存的完整流程。这一步骤作为参赛的基本参考，确保参赛者能够按照要求生成图像。
### Baseline改进
参赛者分享了通过修改提示词来改进图像风格和内容的具体案例，讲述了一个从初遇到新生的完整故事，展示了AIGC在创意和艺术领域的潜力。
### Task3：实战优化
介绍了ComfyUI插件的安装和其在AIGC图像生成中的应用。通过LoRA微调技术，展示了如何利用ComfyUI平台对模型进行优化和训练，以及如何通过配置文件和命令行参数实现具体的训练过程。
### 总结与心得
强调了ComfyUI作为AIGC平台的强大功能，特别是其模块化设计、可视化界面和开放性。此外，还表达了ComfyUI在简化复杂AI生成任务和提升学习效率方面的积极影响，使初学者也能轻松上手并进行高质量的内容创作。
### 总体总结
该文不仅提供了丰富的技术背景知识，还详细展示了从基础到进阶的实际操作步骤，结合实际应用案例和心得，为参赛者和对AIGC感兴趣的读者提供了一份全面的指南。通过此次比赛和挑战，读者可以深入了解AIGC技术的发展现状和未来潜力。