目录
ComfyUI
简介
ComfyUI核心模块
ComfyUI图片生成流程
优势
速通安装ComfyUI
使用ComfyUI
Lora微调
简介
原理
参数详情
高质量的数据集的准备
明确需求和目标
数据集来源
task02，我们使用通义千问来大致了解一下了baseline。
在task03中，我们将要了解文生图的工作流平台工具ComfyUI，来实现一个更加高度定制的文生图。并且，我们要了解一下微调的基本原理及其各种参数，从而达到一个更好的效果。
学习链接：https://linklearner.com/activity/14/10/37
ComfyUI
简介
ComfyUI 是GUI（图形用户界面）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。详情可以阅读学习链接。
ComfyUI图片生成流程
（来自Datawhale AI 夏令营（第四期）“AIGC”方向的“Task3：进阶上分-实战优化”）
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。
速通安装ComfyUI
如图，使用魔搭社区提供的Notebook和免费的GPU算力体验来体验ComfyUI。
启动后，新建一个terminal，运行以下代码（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/ 运行ComfyUI.ipynb
点击最后出现的链接
到这里ComfyUI可以算安装好了~
使用ComfyUI
加载工作流
执行生成图片
图：
更多有关的学习内容可以阅读学习链接。
Lora微调
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。
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。
参数详情
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 解释：
（来自Datawhale AI 夏令营（第四期）“AIGC”方向的“Task3：进阶上分-实战优化”）
其中，
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
高质量的数据集的准备
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。
数据集来源
公开的数据平台、使用API或爬虫获取、数据合成、数据增强、购买或定制等。
总结
**总结文章：《ComfyUI与LoRA微调详解》**本文详细介绍了图像生成工作流平台工具ComfyUI以及其配套技术LoRA微调的相关知识。以下是对文章内容的总结：
### ComfyUI
**简介**：
ComfyUI是一种基于节点工作的GUI界面，专为图像生成技术设计。其特点在于模块化设计，将图像生成分解为多个节点，用户可以通过节点连接自定义工作流程。
**核心模块**：
- **模型加载器**：用于加载不同的图像生成模型。
- **提示词管理器**：管理用户输入的文本提示，用于指导图像生成。
- **采样器**：负责根据模型和需求生成图像样本。
- **解码器**：将模型的输出解码成可识别的图像文件。
**图片生成流程**：
ComfyUI通过模块间的数据流和工作流程，实现了高度定制化的图像生成过程。具体流程可通过其可视化界面进行操作和管理。
**优势**：
- **模块化和灵活性**：允许用户自由组合和调整模型及操作步骤。
- **可视化界面**：降低了使用门槛，使非编程人员也能轻松操作。
- **多模型支持**：集成多种生成模型，适用多种应用场景。
- **调试和优化**：通过直观界面简化生成过程的调试和优化。
- **开放和可扩展**：开源项目，支持自定义开发新模块和插件。
- **用户友好性**：即使复杂任务也能通过简单操作完成。
**安装与使用：**
- 通过魔搭社区提供的Notebook和免费GPU资源来安装和体验ComfyUI。
- 加载工作流并执行生成图片的操作，具体流程可参考ComfyUI界面和文档。
### LoRA微调
**简介：**
LoRA（Low-Rank Adaptation）是一种在预训练模型上进行高效微调的技术，通过添加低秩矩阵实现个性化调整，保持模型泛化能力并降低资源消耗。
**原理：**
LoRA通过在预训练模型的关键层中添加低秩矩阵进行参数微调，这些矩阵在训练时更新，而不影响模型整体权重。这种方法既高效又灵活，适合特定任务或领域的需求。
**参数详情：**
- 使用LoRA训练脚本时，需指定预训练的UNet、文本编码器和VAE模型路径。
- 设置LoRA的秩（rank）、alpha值、数据集路径等参数以控制训练效果。
- 训练过程中，可采用中心裁剪、梯度检查点技术和混合精度等方式提升效率。
**高质量数据集的准备：**
- 明确应用场景、数据类型和数据量需求。
- 可通过公开平台、API、爬虫、数据合成、增强或购买等手段获取数据集。
**综上所述**，ComfyUI和LoRA微调为图像生成提供了强大的工具和灵活的微调方法。通过结合使用这两者，用户可以更加高效地定制和优化图像生成过程，适应不同的应用场景和需求。