1.AI生图的能力&局限：
如果我说这是一张AI生成的图片，你能相信吗？
然而幸运又不幸的是它确实是AI生成的。
很难想象在短短几年内，AI生图的能力已经像指数爆炸一样增长。一年前，AI还因为拙劣的画“手”能力被看轻，也因为当时这个情况，产生了很多解决这个问题的相关技术，如：给图片里的人手打上标记，像把手掌、拇指、食指啥的，都给清楚地标出来；
正是这种发现问题——解决问题的精神，才让现在的AI生图能力飞速提高。
目前大部分的模型，已经具备了去除 “AI味” 的能力，且可能存在容易误导他人的情况，这时候我们想辨别可能需要非常仔细地——
观察图片的细节。仔细检查人物的面部特征，尤其是眼睛和嘴巴
检查光线和阴影。分析图片中的光源是否一致，阴影的方向是否与光源相符，是否存在不自然的光线或阴影
分析像素。放大图片，寻找是否有模糊或像素化的部分。
注意背景。检查背景中是否有不协调的元素，比如物体边缘是否平滑，背景中是否有不自然的重复模式。
而这些细节上的AI特性，也就是我们需要解决的问题！
2.精读baseline——从零入门AI生图：
本次的任务主要在于利用通义千问来解释之前的AI生图代码,不仅通义可以概括代码大致功能，也可以对每句进行细致的解释：
你是一个优秀的python开发工程师，现在我们需要你帮我们分析这个代码的主体框架，你需要把代码按照工作流分成几部分，用中文回答我的问题。{代码部分}
安装和卸载依赖包
使用!pip 命令来安装或卸载 Python 包。包括：simple-aesthetics-predictor, data-juicer, peft, lightning, pandas, torchvision, 和 DiffSynth-Studio 的安装。
卸载 pytorch-lightning（使用 -y 自动确认卸载）
加载数据集
使用 ModelScope 的MsDataset 类加载名为 AI-ModelScope/lowres_anime 的数据集，并指定子集名称为 default 和分割为 train，缓存目录设置为 /mnt/workspace/kolors/data。
数据预处理
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
使用 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。
数据整理与训练
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./data/lora_dataset_processed/train文件夹下。
下载模型download_models(["Kolors", "SDXL-vae-fp16-fix"])
在前面模型的基础上，执行Lora微调训练
加载微调后的模型
图像生成
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。
合并图像
最后，将生成的多个图像合并成一个大图像，并调整大小。整个流程涵盖了从数据加载、预处理、特征提取、模型预测到图像生成等多个方面。每一部分都有其特定的功能，共同构成了一个完整的二次元图像处理和生成的工作流。
值得注意的是，在向通义进行询问的时候，也像AI生图一样加入了Prompt，经过我多次尝试，在像诸如此类的gpt询问时，承诺给他咨询费，会给出更好的回答😀
3.实战演练一一基于话剧的连环画制作
这一部分在于运用通义来帮助我们生成上一次任务中繁琐的Prompt，引申到其他领域，利用已有的模型来帮助我们标注数据集，从而训练其他的模型，也是同样的道理。
下面是通义的回答：
可以看到通义不仅很好地完成了任务，并且给出的prompt加入了背景、神情等更详细的细节。
根据上一次任务的流程进行图片生成，如下，明显可以发现通义生成的提示词比我上一次的效果更好！
4.更多的选择一一浅尝scepter webui：
最后一步的任务核心在于利用scepter webui进行微调
魔搭体验网址：https://www.modelscope.cn/studios/iic/scepter_studio
目前只开放了模型管理与推理两个功能，也可以前往该项目的Github仓库本地部署体验完整功能。github地址：https://github.com/modelscope/scepter
5.个人尝试——Stable Diffusion的使用：
在学习的过程中，我了解到Stable Diffusion（以下简称SD）是一种潜在扩散模型（Latent Diffusion Model），能够从文本描述中生成详细的图像。它还可以用于图像修复、图像绘制、文本到图像和图像到图像等任务，也是目前非常主流的开源AI绘画平台。
由于本人显卡算力不够😅，于是我利用autodl算力云进行云平台部署，可以理解是租用了别人的显卡！（当然租用肯定是要钱滴，但是价格很便宜，根据显卡算力而定）
租用实例，选择社区镜像中的stable-diffusion-webui：
租用成功后如下所示：
其实跟Task01中的阿里云和魔搭的实例差不多，打开JupyterLab， 按照说明依次进行：
启动和重启 webui 点上方工具栏中的「重启并运行所有单元格」。出现http://0.0.0.0:6006 这个字样就算成功了。可以去 autodl 控制台打开「自定义服务」了
首次启动需要下载基本的模型，请稍等几分钟
镜像在 A5000, 3090, 3080 上测试没问题
模型路径：/root/autodl-tmp/models 里的对应目录下
建议通过预置的「模型下载」插件直接下载 civitai 模型会比较快
也可以自己上传模型到上述目录
数据盘空间不够，可以考虑删除 /root/autodl-tmp/models/controlnet_annotator 目录，里面都是预处理器
插件只默认开启了部分，有需要可以自行去开启并重启即可
最后成功打开页面如下：
可以选择别人微调后的模型：
可以去Civitai Models | Discover Free Stable Diffusion Models下载更多的模型，可以得到很好的效果，比如下面这些：
可以在这里选择提示词，其他就跟在魔搭社区的操作一样啦：
总结
### 文章总结#### 1. AI生图的能力与局限
- **AI生图技术飞速进步**：AI在图像生成领域的能力呈指数级增长，从拙劣的画手能力到如今几乎能去除“AI味”。
- **技术挑战与解决方案**：针对AI生图的不足，如手部绘制等，已发展出多种技术来优化。
- **辨别AI生成图像的方法**：通过仔细观察面部特征、光线阴影、像素细节及背景协调性来辨别AI生成图像。
#### 2. 精读baseline——从零入门AI生图
- **任务概述**：利用通义千问解析AI生图代码，理解代码功能和工作流程。
- **工作流程**：
- **安装与卸载依赖**：使用`pip`命令管理Python包。
- **数据加载与预处理**：通过ModelScope加载数据集，转换图像模式，创建元数据文件和配置文件，使用Data-Juicer处理数据。
- **数据整理与训练**：读取处理后的数据，下载模型，进行Lora微调训练，并加载模型。
- **图像生成与合并**：设置提示词和参数生成图像，并合并多个图像。
- **提示技巧**：在GPT类模型询问时加入Prompt和咨询费承诺，可获得更优回答。
#### 3. 实战演练——基于话剧的连环画制作
- **任务目标**：利用通义生成连环画制作所需的详细Prompt，提高生成图像的质量。
- **实践效果**：通义生成的提示词更加详细，显著提升了图像生成效果。
#### 4. 更多的选择——浅尝Scepter WebUI
- **工具介绍**：Scepter WebUI是一个用于模型管理与推理的工具，可通过魔搭体验网址或GitHub仓库访问。
- **功能展望**：目前开放模型管理与推理功能，未来可本地部署体验完整功能。
#### 5. 个人尝试——Stable Diffusion的使用
- **技术背景**：Stable Diffusion是一种潜在扩散模型，能从文本描述中生成详细图像，支持图像修复、绘制等多种任务。
- **实践挑战**：由于个人显卡算力不足，通过autodl算力云进行云平台部署。
- **操作流程**：租用实例，选择stable-diffusion-webui镜像，启动并下载模型，进行图像生成。
- **模型与插件**：可通过Civitai Models下载更多模型，并开启所需插件以增强功能。
- **实践成果**：成功生成高质量图像，展示了Stable Diffusion的强大能力。