模型微调
模型微调 文生图的工作流平台工具ComfyUI 什么是ComfyUI ComfyUI核心模块 魔搭安装ComfyUI LoRA微调 Lora详解 UNet、VAE和文本编码器的协作关系 如何准备一个高质量的数据集 明确需求 数据来源推荐Task03: 使用文生图的工作流平台工具ComfyUI，微调模型，来实现一个更加高度定制的文生图。
模型微调
模型在某一各方面能力不够，通过训练更新模型提升能力。
模型的改动本质上是对模型参数的改动。
W_old + W（改动量） = W_new
- 全部参数：全量微调
- 部分参数：PEFT-LoRA微调
期望使用尽量少的改动量，更大幅度地提高模型能力。
可使用低秩矩陣分解的方式
W
=
A
⋅
B
W = A \cdot B
W=A⋅B
100
∗
100
=
100
∗
k
⋅
k
∗
100
100*100 = 100*k \cdot k*100
100∗100=100∗k⋅k∗100
k: 选8,16,32 ，称为rank，可调节，k越小学习参数越少。
矩阵A、B的参数数量远小于W，降低显存空间和学习成本。
文生图的工作流平台工具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
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 提示词管理器:
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 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。 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
魔搭安装ComfyUI
魔搭打开Notebook 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/
3. 执行ComfyUI的安装文件
4. 预览
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
Load加载模型，更改提示词，执行生成图片
流程可视化
生成图片
带Lora的工作流样例
LoRA微调
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。
Lora详解
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
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如何准备一个高质量的数据集
明确需求
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。数据来源推荐
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。 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
### 文章总结：使用ComfyUI进行模型微调以实现高度定制的文生图#### 模型微调概述
- **定义**：当模型在某一方面能力不足时，通过训练更新模型参数以提升其能力。
- **方法**：
- **全量微调**：修改模型所有参数。
- **PEFT-LoRA微调**：仅修改部分参数，通过低秩矩阵分解（如A⋅B）减少改动量，同时提高模型能力。
#### ComfyUI介绍
- **定义**：基于节点的图形用户界面（GUI），用于操作图像生成技术，采用模块化设计，将图像生成过程分解为多个节点。
- **核心模块**：
- **模型加载器**：加载基础模型文件（Model、CLIP、VAE）。
- **提示词管理器**：将文本输入转换为模型可理解的latent space embedding。
- **采样器**：控制模型生成图像，调节生成速度与质量平衡。
- **解码器**：将latent space中的embedding解码为像素级图像。
#### 安装与使用ComfyUI
- **安装步骤**：
1. 在魔搭打开Notebook。
2. 下载并安装ComfyUI执行文件和Lora文件。
3. 执行安装文件并预览结果。
4. 加载模型，更改提示词，执行生成图片。
#### LoRA微调详解
- **原理**：在预训练模型的关键层中添加低秩矩阵，仅更新这些矩阵，保持原始模型大部分权重不变。
- **实现**：
- 使用训练脚本（如`train_kolors_lora.py`）。
- 指定UNet、文本编码器和VAE的路径。
- 设置LoRA参数（如秩、alpha值）。
- 指定数据集路径和输出路径，设置训练轮数和其他选项。
#### UNet、VAE和文本编码器的协作关系
- **UNet**：根据噪声和文本条件生成图像。
- **VAE**：将输入数据映射到潜在空间，生成带有噪声的潜在表示，与文本条件一起输入UNet。
- **文本编码器**：将文本输入转换为向量表示，与VAE生成的噪声一起指导UNet的图像生成过程。
#### 准备高质量数据集
- **明确需求**：确定应用场景、数据类型和数据量。
- **数据来源**：
- **公开数据平台**：如魔搭社区、ImageNet、Open Images、Flickr、CelebA、LSUN等。
- **API或爬虫获取**：从Unsplash、Pexels等图库网站抓取图片，注意版权问题。
- **数据合成**：利用图形引擎或软件生成合成数据。
- **数据增强**：通过旋转、翻转、缩放、颜色变换等方式增强小数据集。
- **购买或定制**：针对特定领域（如医学影像、卫星图像）购买数据集。
通过ComfyUI和LoRA微调技术，可以实现对文生图模型的定制和优化，以满足不同应用场景的需求。