DataWhaleX魔搭夏令营第四期AIGC方向task01笔记

从零入门AI生图原理&实践是Datawhale AI 夏令营（第四期）“AIGC”方向的学习活动，基于魔搭社区“可图Kolors-LoRA风格故事挑战赛”开展的实践学习。

在task01中，我们主要在魔搭社区搭建PAI实例并体验一下baseline~

学习链接：https://linklearner.com/activity/14/10/24

赛题任务

参赛者需在可图Kolors 模型的基础上训练LoRA 模型，生成无限风格，如水墨画风格、水彩风格、赛博朋克风格、日漫风格......

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；基于8图故事，评估LoRA风格的美感度及连贯性 样例：偶像少女养成日记

速通指南

开通阿里云PAI-DSW试用

链接：https://free.aliyun.com/?productCode=learn

在魔搭社区进行授权

链接：https://www.modelscope.cn/my/mynotebook/authorization

（以上图例来自Datawhale AI 夏令营（第四期）“AIGC”方向的“从零入门AI生图原理&实践”）

报名赛事

赛事链接：https://tianchi.aliyun.com/competition/entrance/532254

在魔搭社区创建PAI实例

链接：https://www.modelscope.cn/my/mynotebook/authorization

（以上图例来自Datawhale AI 夏令营（第四期）“AIGC”方向的“从零入门AI生图原理&实践”）

体验Baseline！

打开实例

下载文件

在终端中运行以下代码

git lfs install
git clone https://www.modelscope.cn/datasets/maochase/kolors.git

进入得到的kolors文件夹，打开baseline文件

安装环境，然后重启kernel

如果想要不同的图片风格，可以依次调整8段prompt来修改图片的描述

依次运行剩余代码

生成的图像在这里

微调结果上传魔搭

移动结果文件

打开terminal（终端）并运行以下代码

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/1.jpg /mnt/workspace/kolors/output/

下载结果文件

进入output文件夹，分别下载两个文件到本地

创建并上传模型所需内容

链接：https://www.modelscope.cn/models/create

流程如下：

（以上图例来自Datawhale AI 夏令营（第四期）“AIGC”方向的“从零入门AI生图原理&实践”）

最后记得关闭PAI实例，不然会一直消耗试用额度的

链接：https://www.modelscope.cn/my/mynotebook/authorization

代码详情

以下是Baseline中的代码解释

环境安装

!pip install simple-aesthetics-predictor

!pip install -v -e data-juicer

!pip uninstall pytorch-lightning -y
!pip install peft lightning pandas torchvision

!pip install -e DiffSynth-Studio

代码导入了需要用到的库，包括 data-juicer 和微调的工具 DiffSynth-Studio

下载数据集

#下载数据集
from modelscope.msdatasets import MsDataset

ds = MsDataset.load(
    'AI-ModelScope/lowres_anime',
    subset_name='default',
    split='train',
    cache_dir="/mnt/workspace/kolors/data"
)

import json, os
from data_juicer.utils.mm_utils import SpecialTokens
from tqdm import tqdm

os.makedirs("./data/lora_dataset/train", exist_ok=True)
os.makedirs("./data/data-juicer/input", exist_ok=True)
with open("./data/data-juicer/input/metadata.jsonl", "w") as f:
    for data_id, data in enumerate(tqdm(ds)):
        image = data["image"].convert("RGB")
        image.save(f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg")
        metadata = {"text": "二次元", "image": [f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg"]}
        f.write(json.dumps(metadata))
        f.write("\n")

下载数据集kolors

处理数据集，保存数据处理结果

data_juicer_config = """
# global parameters
project_name: 'data-process'
dataset_path: './data/data-juicer/input/metadata.jsonl'  # path to your dataset directory or file
np: 4  # number of subprocess to process your dataset

text_keys: 'text'
image_key: 'image'
image_special_token: '<__dj__image>'

export_path: './data/data-juicer/output/result.jsonl'

# process schedule
# a list of several process operators with their arguments
process:
    - image_shape_filter:
        min_width: 1024
        min_height: 1024
        any_or_all: any
    - image_aspect_ratio_filter:
        min_ratio: 0.5
        max_ratio: 2.0
        any_or_all: any
"""
with open("data/data-juicer/data_juicer_config.yaml", "w") as file:
    file.write(data_juicer_config.strip())

!dj-process --config data/data-juicer/data_juicer_config.yaml


import pandas as pd
import os, json
from PIL import Image
from tqdm import tqdm


texts, file_names = [], []
os.makedirs("./data/lora_dataset_processed/train", exist_ok=True)
with open("./data/data-juicer/output/result.jsonl", "r") as file:
    for data_id, data in enumerate(tqdm(file.readlines())):
        data = json.loads(data)
        text = data["text"]
        texts.append(text)
        image = Image.open(data["image"][0])
        image_path = f"./data/lora_dataset_processed/train/{data_id}.jpg"
        image.save(image_path)
        file_names.append(f"{data_id}.jpg")
data_frame = pd.DataFrame()
data_frame["file_name"] = file_names
data_frame["text"] = texts
data_frame.to_csv("./data/lora_dataset_processed/train/metadata.csv", index=False, encoding="utf-8-sig")
data_frame

lora微调

# 下载模型
from diffsynth import download_models
download_models(["Kolors", "SDXL-vae-fp16-fix"])

#模型训练
import os

cmd = """
python DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py \
  --pretrained_unet_path models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors \
  --pretrained_text_encoder_path models/kolors/Kolors/text_encoder \
  --pretrained_fp16_vae_path models/sdxl-vae-fp16-fix/diffusion_pytorch_model.safetensors \
  --lora_rank 16 \
  --lora_alpha 4.0 \
  --dataset_path data/lora_dataset_processed \
  --output_path ./models \
  --max_epochs 1 \
  --center_crop \
  --use_gradient_checkpointing \
  --precision "16-mixed"
""".strip()

os.system(cmd)

加载微调好的模型

from diffsynth import ModelManager, SDXLImagePipeline
from peft import LoraConfig, inject_adapter_in_model
import torch


def load_lora(model, lora_rank, lora_alpha, lora_path):
    lora_config = LoraConfig(
        r=lora_rank,
        lora_alpha=lora_alpha,
        init_lora_weights="gaussian",
        target_modules=["to_q", "to_k", "to_v", "to_out"],
    )
    model = inject_adapter_in_model(lora_config, model)
    state_dict = torch.load(lora_path, map_location="cpu")
    model.load_state_dict(state_dict, strict=False)
    return model


# Load models
model_manager = ModelManager(torch_dtype=torch.float16, device="cuda",
                             file_path_list=[
                                 "models/kolors/Kolors/text_encoder",
                                 "models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors",
                                 "models/kolors/Kolors/vae/diffusion_pytorch_model.safetensors"
                             ])
pipe = SDXLImagePipeline.from_model_manager(model_manager)

# Load LoRA
pipe.unet = load_lora(
    pipe.unet,
    lora_rank=16, # This parameter should be consistent with that in your training script.
    lora_alpha=2.0, # lora_alpha can control the weight of LoRA.
    lora_path="models/lightning_logs/version_0/checkpoints/epoch=0-step=500.ckpt"
)

图片生成

torch.manual_seed(0)
image = pipe(
    prompt="二次元，一个紫色短发小女孩，在家中沙发上坐着，双手托着腮，很无聊，全身，粉色连衣裙",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("1.jpg")

调用训练好的模型生成图片

文生图基础知识介绍

文生图主要以SD系列基础模型为主，以及在其基础上微调的lora模型和人物基础模型等。

提示词（Prompt）

提示词可以分为正向提示词（Positive Prompt）和反向提示词（Negative Prompt），它们分别用于确定生成内容和排除不希望出现的元素。其中，正向提示词用于表明用户希望生成的内容类型、风格、质量等要求，而反向提示词则用于排除用户不希望出现的元素或特征，从而确保生成的内容符合用户的期望。

Lora

Lora（Low-Rank Adaptation，即低秩自适应）模型是一种轻量级的微调方法，它不是指单一的具体模型，而是指一类通过特定微调技术应用于基础模型的扩展应用。在处理图像和文本等复杂数据时，Lora模型通过学习和调整神经网络中特定层的权重，以较小的参数代价实现模型对特定任务的适应，从而在不显著影响原始模型性能的前提下，提高模型在特定任务上的表现。在Stable Diffusion这一文本到图像合成模型的框架下，Lora被用来对预训练好的大模型进行针对性优化，以实现对特定主题、风格或任务的精细化控制。

Lora的特点

低秩自适应：Lora模型通过引入低秩矩阵来近似原始模型中的权重变化，从而减少了需要学习的参数数量。这种方法可以在微调过程中更加高效。

灵活性：Lora模型可以应用在多种预训练模型上，例如GPT、BERT等。此外，Lora模型还可以与其他微调技术结合使用，从而进一步提高效率。

高效性：因为Lora模型只调整部分层的权重，所以它的训练速度通常比完全微调整个模型要快得多。因此Lora模型在需要快速适应新任务或数据集的场景中非常有效。

ComfyUI

ComfyUI 是一个工作流工具，主要用于简化和优化 AI 模型的配置和训练过程。通过直观的界面和集成的功能，用户可以轻松地进行模型微调、数据预处理、图像生成等任务，从而提高工作效率和生成效果。

ComfyUI的特点

节点式工作流程：ComfyUI通过拖拽和连接不同的节点来构建图像生成流程，每个节点代表一个特定的功能或模型，比如加载模型、文本编码、采样器、VAE解码等。

高度定制性：用户可以根据自己的需求自定义工作流程，通过连接不同的节点，可以实现更精准、更复杂的图像生成效果。

优化生成流程：ComfyUI的内部生成流程经过优化，生成图片的速度相较于传统的Web UI有明显提升，而且对显存的要求更低。

可复现性：由于工作流程是基于节点构建的，因此可以轻松地导出或分享工作流程，并确保生成效果的可复现性。

参考图控制

ControlNet是一种用于精确控制图像生成过程的技术组件。它是一个附加到预训练的扩散模型（如Stable Diffusion模型）上的可训练神经网络模块。扩散模型通常用于从随机噪声逐渐生成图像的过程，而ControlNet的作用在于引入额外的控制信号，使得用户能够更具体地指导图像生成的各个方面（如姿势关键点、分割图、深度图、颜色等）。

总结