目录
概要 ComfyUI介绍 ComfyUI实践 ComfyUI学习资源推荐 Lora微调 Lora数据库推荐 问题解决 说在最后
概要
今天的任务是了解微调的基本原理，然后会对微调的各种参数有一个更加清楚的阐释，来实现更好的效果，并且在这个Task中会给大家介绍一下文生图的工作流平台工具ComfyUI，来实现更加高度定制的文生图。
ComfyUI介绍
part1：工具初探一ComfyUI应用场景探索
1. 初识ComfyUI
1.1 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。
1.2 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。
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。
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。
ComfyUI实践
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/
2.2 进入ComfyUI的安装文件
2.3 一键执行安装程序（大约10min）
📢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。
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
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毕
2.5 浅尝ComfyUI工作流
2.7 带Lora的工作流样例
工作流脚本（带Lora训练）
1. 这里的Lora是我们Task1微调训练出来的文件
2. 地址是：/mnt/workspace/models/lightning_logs/version_0/checkpoints/epoch=0-step=500.ckpt
3. 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
ComfyUI学习资源推荐
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
Lora微调
3.1 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。
3.2 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。
3.3 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。
4. Lora详解
4.1 参数详情
第一行：参数名称
第二行：参数值
第三行：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
无
启用中心裁剪，用于图像预处理
use_gradient_checkpointing
无
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）
Lora数据集推荐
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：
1. 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。
2. 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。
公开的数据平台:
-魔搭社区：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。
- 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
1. 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。
2. 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。
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。
问题解决
在训练的过程中，遇到以下问题：
ComfyUI训练过程中频繁报错：
1 可能与task1环境重叠，需要按以上教程新建实例；
2 我重复下载，重复运行，直到不报错；
3 我更换了多个浏览器，推荐edge；
图片存在缺陷，如缺少胳膊，图案穿插：
我反复调整了提示词，使其更加细致，细节清晰，缺陷有所改正，但仍需精细化调整。
如姿态表情上的微调：
伤口细节的调整：
说在最后
本次训练遇到了比之前更多的问题，但经过反复调整，AI查询，与助教帮助，都顺利解决了，收获良多，希望继续学习ComfyUI的相关知识与实用技巧，很喜欢这个强大的平台。
让我们一起加油！！
总结
### 文章总结**标题：ComfyUI与Lora微调探索：实现高度定制的文生图**
**概要**：
本文旨在介绍微调的基本原理及参数详解，并重点推广了文生图工作流平台工具ComfyUI，旨在帮助读者通过该平台实现高度定制化的图像生成。同时，文章还介绍了Lora微调技术及其优势，为模型个性化调整提供了技术支持。
**ComfyUI介绍**：
- **定义与特点**：ComfyUI是一种基于节点工作的GUI工具，主要用于图像生成技术。它采用模块化设计，将图像生成过程分解为多个节点，用户可按需定制生成流程。
- **核心模块**：包括模型加载器、提示词管理器、采样器、解码器。这些模块协同工作，实现从文本输入到图像输出的全过程。
- **优势**：模块化和灵活性、可视化界面、多模型支持、调试和优化、开放和可扩展、用户友好性。
**ComfyUI实践**：
- **安装与配置**：通过魔搭社区提供的Notebook和免费GPU算力，详细步骤指导用户安装ComfyUI，并配置相关环境。
- **工作流程**：通过ComfyUI的图形界面，用户可以轻松构建和管理图像生成的工作流程，包括加载模型、输入提示词、调整采样参数等。
- **Lora集成**：展示了如何在ComfyUI中集成Lora微调模型，以进一步优化图像生成效果。
**学习资源推荐**：
提供了多个学习资源和网站链接，帮助用户深入了解ComfyUI的使用方法和案例，包括官方文档、示范工作流、工作流分享网站等。
**Lora微调**：
- **简介与原理**：LoRA是一种高效微调技术，通过在预训练模型的关键层中添加低秩矩阵，实现模型的个性化调整，同时保持良好的泛化能力和资源效率。
- **优势**：快速适应新任务、保持泛化能力、资源效率高。
- **参数详解**：详细介绍了Lora微调过程中涉及的各项参数及其作用，帮助用户更好地理解和调整模型。
**Lora数据集推荐**：
- **数据集选择**：强调了选择合适数据集的重要性，并提供了多个数据集来源的参考，包括公开数据平台、API或爬虫获取、数据合成、数据增强以及购买或定制等渠道。
**问题解决**：
分享了在ComfyUI和Lora微调过程中可能遇到的问题及解决方法，如环境配置错误、图片缺陷调整等，为用户提供了实用的解决方案。
**总结与展望**：
文章最后回顾了本次学习的收获，并对未来继续学习ComfyUI和Lora微调技术表示期待，鼓励读者共同加油，不断提升自己的技术能力。