Datawhale X 魔搭 AI夏令营第四期AIGC方向笔记task3

part1：工具初探一ComfyUI应用场景探索

初识ComfyUI

什么是ComfyUI

GUI 是 "Graphical User Interface"（图形用户界面）的缩写。简单来说，GUI 就是你在电脑屏幕上看到的那种有图标、按钮和菜单的交互方式。

ComfyUI 是GUI的一种，是基于节点工作的用户界面，主要用于操作图像的生成技术，ComfyUI 的特别之处在于它采用了一种模块化的设计，把图像生成的过程分解成了许多小的步骤，每个步骤都是一个节点。这些节点可以连接起来形成一个工作流程，这样用户就可以根据需要定制自己的图像生成过程。

ComfyUI核心模块

核心模块由模型加载器、提示词管理器、采样器、解码器。

本小节内容来自魔搭社区，具体内容可点击查看：魔搭官方教程。

模型加载器：Load Checkpoint用于加载基础的模型文件，包含了Model、CLIP、VAE三部分

CLIP模块将文本类型的输入变为模型可以理解的latent space embedding作为模型的输入

解码器：VAE模块的作用是将Latent space中的embedding解码为像素级别的图像

采样器：用于控制模型生成图像，不同的采样取值会影响最终输出图像的质量和多样性。采样器可以调节生成过程的速度和质量之间的平衡。

Stable Diffusion的基本原理是通过降噪的方式（如完全的噪声图像），将一个原本的噪声信号变为无噪声的信号（如人可以理解的图像）。其中的降噪过程涉及到多次的采样。采样的系数在KSampler中配置：

seed：控制噪声产生的随机种子

control_after_generate：控制seed在每次生成后的变化

steps：降噪的迭代步数，越多则信号越精准，相对的生成时间也越长

cfg：classifier free guidance决定了prompt对于最终生成图像的影响有多大。更高的值代表更多地展现prompt中的描述。

denoise: 多少内容会被噪声覆盖 sampler_name、scheduler：降噪参数。

1.3 ComfyUI图片生成流程

1.4 ComfyUI的优势

模块化和灵活性：ComfyUI 提供了一个模块化的系统，用户可以通过拖放不同的模块来构建复杂的工作流程。这种灵活性允许用户根据自己的需求自由组合和调整模型、输入、输出、和其他处理步骤。

可视化界面：ComfyUI 提供了直观的图形界面，使得用户能够更清晰地理解和操作复杂的 AI 模型和数据流。这对没有编程背景的用户特别有帮助，使他们能够轻松构建和管理工作流程。

多模型支持：ComfyUI 支持多个不同的生成模型，用户可以在同一平台上集成和切换使用不同的模型，从而实现更广泛的应用场景。

调试和优化：通过其可视化界面，ComfyUI 使得调试生成过程变得更简单。用户可以轻松地追踪数据流，识别并解决问题，从而优化生成结果。

开放和可扩展：ComfyUI 是一个开源项目，具有高度的可扩展性。开发者可以根据需要编写新的模块或插件，扩展系统功能，并根据项目需求进行定制。

用户友好性：尽管其功能强大，但 ComfyUI 仍然保持了用户友好性，即使对于复杂任务，也能以相对简单的方式完成，使其成为生成式 AI 工作流程管理的有力工具。

2. 20分钟速通安装ComfyUI

在这里，我们依旧选择使用魔搭社区提供的Notebook和免费的GPU算力体验来体验ComfyUI。

2.1 下载脚本代码文件

下载安装ComfyUI的执行文件和task1中微调完成Lora文件

git lfs install
git clone https://www.modelscope.cn/datasets/maochase/kolors_test_comfyui.git
mv kolors_test_comfyui/* ./
rm -rf kolors_test_comfyui/
mkdir -p /mnt/workspace/models/lightning_logs/version_0/checkpoints/
mv epoch=0-step=500.ckpt /mnt/workspace/models/lightning_logs/version_0/checkpoints/   

在file中创建一个terminal

粘贴代码，下载文件

2.3 进入ComfyUI的安装文件

2.4 一键执行安装程序（大约10min）

2.4 进入预览界面

当执行到最后一个节点的内容输出了一个访问的链接的时候，复制链接到浏览器中访问

在实际操作中，卡在了最后一段代码中，显示程序还在运行，但是有报错超时，

通过检查，我发现自己少装了一个spandrel模块，可以通过下面的代码手动安装

pip install spandrel

更新依赖项:

cd ComfyUI
pip install -r requirements.txt

后面我又报了错，原因如下：

依赖冲突:

解决方法：

1.创建虚拟环境（推荐）: 使用虚拟环境可以避免全局环境中的依赖冲突。你可以按照以下步骤来创建和使用虚拟环境：

# 安装 virtualenv，如果没有安装的话
pip install virtualenv

# 创建虚拟环境
virtualenv venv

# 激活虚拟环境
source venv/bin/activate  # 在 Linux 或 macOS 上
# venv\Scripts\activate  # 在 Windows 上

# 在虚拟环境中安装依赖
pip install -r requirements.txt

2.解决依赖冲突: 如果你不想使用虚拟环境，可以尝试以下步骤来手动解决依赖冲突：

pip uninstall hydra-core omegaconf

安装与 fairseq 兼容的版本：

pip install hydra-core==1.0.7 omegaconf==2.0.6

之后再尝试重新安装 requirements.txt 中的其他依赖：

pip install -r requirements.txt

3.升级 pip: 你也可以考虑升级 pip，以确保你使用的是最新的版本，这有时也可以帮助解决依赖问题：

pip install --upgrade pip

通过如上方法，问题就完美解决了。

PS：如果链接访问白屏，或者报错，就等一会再访问重试，程序可能没有正常启动完

📢注意：到这里还不能生成图片哦，要完成接下来的操作才可以。

3. 浅尝ComfyUI工作流

3.1 不带Lora的工作流样例

Step1：下载工作流脚本

👇请下载工作流脚本👇

需加载到刚刚安装的comfyUI上

分享文件：kolors_example.json
链接：https://pan.xunlei.com/s/VO4OlqQtxHazX9u1VNQP7D9TA1?pwd=43xd#
复制这段内容后打开手机迅雷App，查看更方便

Step2：加载模型，并完成第一次生图

PS：首次点击生成图片会加载资源，时间较长，大家耐心等待

3.2 带Lora的工作流样例

工作流脚本（带Lora训练）

分享文件：kolors_with_lora_example.json
链接：https://pan.xunlei.com/s/VO4Om9wOVQuaHALi8zz_2l1mA1?pwd=epzq#
复制这段内容后打开手机迅雷App，查看更方便

执行操作

这里的Lora是我们Task1微调训练出来的文件

地址是：/mnt/workspace/models/lightning_logs/version_0/checkpoints/epoch=0-step=500.ckpt

大家如有有其他的Lora文件，可以在下面截图Lora文件地址区域更换成自己的地址

4. 自我学习，快速提升

4.1 资源网站

名称

链接地址

在魔搭使用ComfyUI，玩转AIGC！

https://modelscope.cn/headlines/article/429

ComfyUI的官方地址

https://github.com/comfyanonymous/ComfyUI

ComfyUI官方示范

https://comfyanonymous.github.io/ComfyUI_examples/

别人的基础工作流示范

https://github.com/cubiq/ComfyUI_Workflows

https://github.com/wyrde/wyrde-comfyui-workflows

工作流分享网站

https://comfyworkflows.com/

推荐一个比较好的comfyui的github仓库网站

https://github.com/ZHO-ZHO-ZHO/ComfyUI-Workflows-ZHO?tab=readme-ov-file

Part2：Lora微调

1. Lora简介

LoRA (Low-Rank Adaptation) 微调是一种用于在预训练模型上进行高效微调的技术。它可以通过高效且灵活的方式实现模型的个性化调整，使其能够适应特定的任务或领域，同时保持良好的泛化能力和较低的资源消耗。这对于推动大规模预训练模型的实际应用至关重要。

1.1 Lora微调的原理

LoRA通过在预训练模型的关键层中添加低秩矩阵来实现。这些低秩矩阵通常被设计成具有较低维度的参数空间，这样它们就可以在不改变模型整体结构的情况下进行微调。在训练过程中，只有这些新增的低秩矩阵被更新，而原始模型的大部分权重保持不变。

1. 2 Lora微调的优势

快速适应新任务

在特定领域有少量标注数据的情况下，也可以有效地对模型进行个性化调整，可以迅速适应新的领域或特定任务。

保持泛化能力

LoRA通过微调模型的一部分，有助于保持模型在未见过的数据上的泛化能力，同时还能学习到特定任务的知识。

资源效率

LoRA旨在通过仅微调模型的部分权重，而不是整个模型，从而减少所需的计算资源和存储空间。

2.Lora详解

现在我们来针对可图比赛中的微调代码进行一个深入的了解。

2.1 Task2中的的微调代码

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    

参数详情表

参数名称

参数值

说明

pretrained_unet_path

models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors

指定预训练UNet模型的路径

pretrained_text_encoder_path

models/kolors/Kolors/text_encoder

指定预训练文本编码器的路径

pretrained_fp16_vae_path

models/sdxl-vae-fp16-fix/diffusion_pytorch_model.safetensors

指定预训练VAE模型的路径

lora_rank

16

设置LoRA的秩（rank），影响模型的复杂度和性能

lora_alpha

4

设置LoRA的alpha值，控制微调的强度

dataset_path

data/lora_dataset_processed

指定用于训练的数据集路径

output_path

./models

指定训练完成后保存模型的路径

max_epochs

1

设置最大训练轮数为1

center_crop

启用中心裁剪，用于图像预处理

use_gradient_checkpointing

启用梯度检查点，节省显存

precision

"16-mixed"

设置训练时的精度为混合16位精度（half precision）

2.3 UNet、VAE和文本编码器的协作关系

UNet：负责根据输入的噪声和文本条件生成图像。在Stable Diffusion模型中，UNet接收由VAE编码器产生的噪声和文本编码器转换的文本向量作为输入，并预测去噪后的噪声，从而生成与文本描述相符的图像

VAE：生成模型，用于将输入数据映射到潜在空间，并从中采样以生成新图像。在Stable Diffusion中，VAE编码器首先生成带有噪声的潜在表示，这些表示随后与文本条件一起输入到UNet中

文本编码器：将文本输入转换为模型可以理解的向量表示。在Stable Diffusion模型中，文本编码器使用CLIP模型将文本提示转换为向量，这些向量与VAE生成的噪声一起输入到UNet中，指导图像的生成过程

Part3 如何准备一个高质量的数据集

当我们进行图片生成相关的工作时，选择合适的数据集是非常重要的。如何找到适合自己的数据集呢，这里给大家整理了一些重要的参考维度，希望可以帮助你快速找到适合的数据集：

明确你的需求和目标

关注应用场景：确定你的模型将被应用到什么样的场景中（例如，艺术风格转换、产品图像生成、医疗影像合成等）。

关注数据类型：你需要什么样的图片？比如是真实世界的照片还是合成图像？是黑白的还是彩色的？是高分辨率还是低分辨率？

关注数据量：考虑你的任务应该需要多少图片来支持训练和验证。

数据集来源整理

以下渠道来源均需要考虑合规性问题，请大家在使用数据集过程中谨慎选择。

来源类型

推荐

公开的数据平台

魔搭社区内开放了近3000个数据集，涉及文本、图像、音频、视频和多模态等多种场景，左侧有标签栏帮助快速导览，大家可以看看有没有自己需要的数据集。

其他数据平台推荐：

ImageNet：包含数百万张图片，广泛用于分类任务，也可以用于生成任务。

Open Images：由Google维护，包含数千万张带有标签的图片。

Flickr：特别是Flickr30kK和Flickr8K数据集，常用于图像描述任务。

CelebA：专注于人脸图像的数据集。

LSUN (Large-scale Scene Understanding)：包含各种场景类别的大规模数据集。

使用API或爬虫获取

如果需要特定类型的内容，可以利用API从图库网站抓取图片，如Unsplash、Pexels等。

使用网络爬虫技术从互联网上抓取图片，但需要注意版权问题。

数据合成

利用现有的图形引擎（如Unity、Unreal Engine）或特定软件生成合成数据，这在训练某些类型的模型时非常有用。

最近Datawhale联合阿里云天池，做了一整套多模态大模型数据合成的学习，欢迎大家一起交流。从零入门多模态大模型数据合成

数据增强

对于较小的数据集，可以通过旋转、翻转、缩放、颜色变换等方式进行数据增强。

购买或定制

如果你的应用是特定领域的，比如医学影像、卫星图像等，建议从靠谱的渠道购买一些数据集。

总结