Stable Diffusion XL webui tagger 插件Linux安装（保姆级教程）_tagger插件安装

Stable Diffusion XL webui tagger 插件Linux安装

为什么要安装tagger插件

为了使SD能生成我们想要的图像效果，往往需要对SD模型进行微调，但其权重参数太多，如果是用更新全部参数的方法来微调，会耗费大量的计算资源。那么可不可以仅需少量计算资源，对模型进行微调，也有不错的效果呢？答案是肯定的，那就是：基于LoRA对其进行微调！

本文写作动机：想自己训练LoRA，需要对训练数据进行tag，但是自己手动tag，比较麻烦，于是考虑用tagger插件，来实现对每张训练图像进行tag，然后在其基础上进行修改，以减少工作量。

webui提供了插件扩展，方便我们安装tagger插件。

可以看到，tagger插件能直接生成对于训练图片的描述。

安装tagger插件

在安装前，敲黑板！！！这个插件对于webui版本有很强的依赖性，所以需要安装合适的版本，以下教程，全部基于webui v1.6.0-2版本，还没有安装的可以参考我之前的文章，传送门

有三种安装方式。分别是：

1. 在linux终端通过git 命令来安装
2. 在webui界面，直接输入tagger仓库的URL
   
3. 通过available界面直接选择

这里主要介绍第二种方式。

下载tagger仓库

输入https://github.com/toriato/stable-diffusion-webui-wd14-tagger，点击Install就行了。

如果出现以下报错：

在/stable-diffusion-webui/extensions/stable-diffusion-webui-wd14-tagger/tagger/ui.py第10行左右
修改

from webui import wrap_gradio_gpu_call
1

为

# from webui import wrap_gradio_gpu_call
from modules.call_queue import wrap_gradio_gpu_call
1
2

如果出现以下报错：

在/stable-diffusion-webui/extensions/stable-diffusion-webui-wd14-tagger/preload.py文件第4行左右，删掉

from modules.shared import models_path
default_ddp_path = Path(models_path, 'deepdanbooru')
1
2

改为

from modules import paths
default_ddp_path = Path(paths.models_path, 'deepdanbooru')
1
2

下载wd-v1-4-vit-tagger 模型权重

由于huggingface被墙了，需要手动下载，URL。下载这两项即可：

然后新建一个文件夹，将下载好的两个文件放在.cache下。

cd /.cache/huggingface/hub
mkdir models--SmilingWolf--wd-v1-4-vit-tagger-v2
1
2

然后修改/stable-diffusion-webui/extensions/stable-diffusion-webui-wd14-tagger/tagger/interrogator.py文件，在229行左右。

model_path = Path(hf_hub_download(
    **self.kwargs, filename=self.model_path))
tags_path = Path(hf_hub_download(
    **self.kwargs, filename=self.tags_path))
1
2
3
4

改为下载后两个文件的绝对路径

model_path = "/.cache/huggingface/hub/models--SmilingWolf--wd-v1-4-vit-tagger-v2/model.onnx"
tags_path = "/.cache/huggingface/hub/models--SmilingWolf--wd-v1-4-vit-tagger-v2/selected_tags.csv"
1
2

最后，运行./webui.sh，就可以正常使用tagger插件了！