前言：书接上回，前面说了AIGC的了解和精读baseline，那么我们可以再次的抽丝拔茧，开始了解GUI部分和微调部分。
一、ComfyUI应用部分
1、什么是GUI？
2、什么是ComfyUI？
3、ComfyUI核心模块
4、ComfyUI图片生成流程与优势
5、基于项目安装ComfyUI
6、ComfyUI工作流
二、Lora微调部分
1、什么是Lora？
2、Lora微调的原理
3、Lora详解
三、数据集资源
1、数据集的理解
2、数据集来源整理
话不多说开始正文。
一、ComfyUI应用部分
前面我们用开发工具执行了代码，但我们有没有想过这个问题，我们不想写在代码里可以嘛，或者说我们可不可以做一个页面出来，然后操作这个界面来完成我们的目的。嘿，就引出了下面的内容
1、什么是GUI？
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。
2、什么是ComfyUI？
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。画重点ComfyUI是图形界面，由节点组成。
题外扩展话：不知道大家有没有用过Blender软件，这个很像Blender中的几何节点系统，而且Blender也是用Python开发的所以还是有很多类似的地方。不了解也没关系，简单来说，就是各个模块连连看，最后结果的输出就是这些模块组合的结果，贴一张Blender的几何图形树吧
3、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。如图所示
4、ComfyUI图片生成流程与优势
ComfyUI图片生成流程
ComfyUI的优势
它的优势都是基于节点模块，可以作为后端、本体甚至是插件。
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。
5、基于项目安装ComfyUI
接前面的操作流程。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。
5.1 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/ 5.2 进入ComfyUI的安装文件
5.3 一键执行安装并重启
重启
这里执行了4个步骤，下载并安装 ComfyUI，下载模型，安装 LoRA 节点，启动 ComfyUI
5.4 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
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
6、浅尝ComfyUI工作流
很多人不了解工作流是什么，如果用过Blender的几何节点差不多能理解一些，简单来说，就是这个模块分为数据流和任务流，在执行的过程中会合并分解等各种操作。在直白一点就是炒菜的时候添加各种调料，最后输出成品。主菜就是数据，调料就是各个模块的执行，最后的输出结果就是成品，而整个流程下来就是工作流。
6.1 不带Lora的工作流样例
Step1：下载工作流脚本（资源上传了不知道可以不可以用）
Step2：加载模型，并完成第一次生图
导入工作流
执行工作流
PS：首次点击生成图片会加载资源，时间较长，大家耐心等待
6.2 带Lora的工作流样例
下载工作流脚本（资源上传了不知道可以不可以用）
同步骤6.1执行
注意：
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
到这里我们看到了使用界面了吧，是不是不用直接在代码里编写了呢？只需要加载不同的工作流脚本就可以实现我们的文生图功能了，还是很简单的吧，那我们继续深入了解Lora微调部分
二、Lora微调部分
1、什么是Lora？
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。
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、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。
3.1 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 3.2 参数详情表
3.3 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
lora微调部分说实话理解的不是很到位，笔者也是在不断摸索中，后面有更深入的理解后会回来更新补充。
三、数据集资源
1、数据集的理解
什么是数据集？我理解的数据集就是成品的来源，就是炒菜的主菜。那么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
1》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。
2》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。
3》Open Images：由Google维护，包含数千万张带有标签的图片。
4》Flickr：特别是Flickr30kK和Flickr8K数据集，常用于图像描述任务。
5》CelebA：专注于人脸图像的数据集。
6》LSUN (Large-scale Scene Understanding)：包含各种场景类别的大规模数据集。
总结
本文总结如下：**前言**：本文继续前文对AIGC的理解和基线模型的精读，深入探讨GUI部分（特别是ComfyUI应用）及微调部分（主要围绕Lora）。
**一、ComfyUI应用部分**
- **GUI（图形用户界面）**：电脑屏幕上的交互方式，包括图标、按钮和菜单等。
- **ComfyUI**：一种基于节点工作的GUI，专门用于操作图像的生成技术，特点在于其模块化设计，可自由定制图像生成过程。
- **核心模块**：模型加载器、提示词管理器、采样器、解码器。
- **生成流程与优势**：流程涉及模块化系统连接和数据流处理；优势在于模块化和灵活性、可视化界面、多模型支持、调试与优化便利性、高度开放与可扩展性及用户友好性。
- **安装与使用**：通过脚本代码在特定环境中下载、安装、重启，最终进入ComfyUI预览界面；进一步通过加载不同的工作流脚本来实现图片生成功能，包含带或不带Lora文件的工作流。
**二、Lora微调部分**
- **Lora（Low-Rank Adaptation）**：一种高效的预训练模型微调技术，通过在关键层中添加低秩矩阵来调整模型，适合在不大幅影响原始模型的前提下，实现个性化调整。
- **微调原理**：利用低秩矩阵在低维空间中的灵活性进行训练，保留大部分原始权重，减少资源消耗。
- **任务详解**：具体微调代码示例包括选择模型（如UNet、文本编码器、VAE等）、设定LoRA秩、alpha值、指定数据集及输出路径、优化技术等；重点强调了各模块在生成图像时的协同工作机制。
**三、数据集资源**
- **数据集的理解**：选择合适的数据集对于图像生成工作至关重要，需要考虑需求与目标、数据类型（如彩色或黑白、高分或低分等）、数据量等。
- **来源整理**：推荐多种数据来源渠道，包括公开的数据平台如魔搭社区（涵盖文本、图像等多类数据）、ImageNet、Open Images、Flickr（特定图像描述任务数据集）、CelebA（人脸数据集）以及LSUN（大规模场景理解数据集），但需关注数据的合规性使用问题。