Datawhale X 魔塔 AI夏令营第四期-AIGC文生图方向 Task3笔记

一、工具初探——ComfyUI应用场景探索

1、什么是ComfyUI

在介绍ComfyUI之前，我们先来回顾一下我们熟悉的GUI。

GUI 是 "Graphical User Interface"（图形用户界面）的缩写。简单来说，GUI 就是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。

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、解码器石膏部分组成。

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。

3、ComfyUI图片生成流程

4、ComfyUI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。

5、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

二、Lora微调

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、Lora微调原理

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。

2、Lora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参数

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

设置LoRA的秩（rank），影响模型的复杂度和性能

lora_alpha

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

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）

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

三、数据集准备

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。

1、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

来源类型

四、ComfyUI工作流

1、不带Lora的工作流样例

2、带Lora的工作流样例

五、总结

本次的学习已接近尾声，虽然只有短短几天，但是通过这次学习，我也学习到了很多，现对此做一个总结。本次学习共分为三个阶段，第一阶段熟悉魔搭平台调用模型并体验AI生图，第二阶段对生图代码进行解读并学会利用AI学习AI，第三阶段了解模型结果以及生图原理，一步步诱导深入学习。

总结

### 文章总结
本文详细介绍了ComfyUI工具及其在图片生成领域的应用，以及与之相关的LoRA微调技术和数据集准备方法，最后展示了工作流样例，并进行了总结。以下是详细内容：
#### 一、ComfyUI初探
1. **什么是ComfyUI**：
- ComfyUI是一种基于节点的用户界面（GUI），特别地，它分解了图像生成过程为多个小步骤（节点），允许用户自定义图像生成流程。
2. **核心模块**：
- 包括模型加载器、提示词管理器、采样器、解码器（VAE）。每个模块分别负责加载模型、处理文本输入、控制图像生成、以及将结果解码为图像。
- 采样器中的参数如seed、step、cfg、denoise等控制了生成速度和质量的平衡。
3. **图片生成流程**：
- 用户通过拖放不同的节点（模块）构建一个自定义的工作流程，从而实现图像生成。
4. **优势**：
- 模块化和灵活性、可视化界面、多模型支持、容易调试和优化、开源和可扩展、用户友好。
5. **资源网站**：
- 提供了多个网站链接，包括ComfyUI的官方、示例、工作流分享以及GitHub资源等，方便用户学习和交流。
#### 二、Lora微调
1. **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模型的微调。这种方法在保持模型大部分权重不变的前提下，仅更新少量参数，从而实现高效微调。
2. **优势**：
- 能够快速适应新任务、保持泛化能力、减少资源消耗。
3. **参数和相关组件**：
- 展示了一个LoRA微调训练命令，并解释了各个参数（如`lova_rank`、`lova_alpha`等）的作用。
- 并介绍了UNet、VAE和文本编码器在Stable Diffusion模型中的协作关系。
#### 三、数据集准备
1. **明确需求和目标**：
- 确定应用场景、数据类型和数据量。
2. **来源整理**：
- 包括公开数据集（如ImageNet、Open Images等）、通过API或爬虫获取、数据合成、数据增强等。
- 强调数据来源的版权问题。
#### 四、ComfyUI工作流
1. **不带Lora的工作流样例**：
- 未展开具体描述，但总体上是通过拖放模块构建自定义的生成流程。
2. **带Lora的工作流样例**：
- 同样，未详细描述，但强调了在生成流程中可能会利用LoRA微调技术对特定部分进行优化和调整。
#### 五、总结
- 回顾了学习过程，包括熟悉平台、代码解读、模型及原理深入等阶段，以及对ComfyUI和LoRA技术的综合应用进行了肯定和总结。

comfyui 数据集工作流 kol diffusion 预训练 git 图像生成 github gui 文本编码工作流程 code stable diffusion pytorch 数据合成预训练模型 workflow 模块化图片生成