Multi-Concept Customization of Text-to-Image Diffusion——【代码复现】_stable diffusion 复现

本文是发表于CVPR 2023上的一篇论文：[2212.04488] Multi-Concept Customization of Text-to-Image Diffusion (arxiv.org)

一、引言

本文主要做的工作是对stable-diffusion的预训练模型进行微调，需要的显存相对较多，论文中测试时是在两块GPU上微调，需要30GB的显存，不过他调的batchsize=8，因为我自己的算力有限，我把复现的时候把batchsize调成了2，然后在两块3090上跑的，至于最低要求多少还没测试，不过个人认为最低也要有一张3090。

在复现前，请自行安装好Python的环境，本文就不叙述了哈哈。

二、下载相关文件及搭建环境

1.下载项目及环境搭建

adobe-research/custom-diffusion: Custom Diffusion: Multi-Concept Customization of Text-to-Image Diffusion (CVPR 2023) (github.com)

上述链接是本文代码的链接，这篇文章的代码实际上是基于Stable-diffusion构建的，所以我的建议是可以先去复现一下stable-diffusion的代码，再来学习这篇文章以及代码。stable-diffusion的复现可以看我另外一篇文章：stable-diffusion复现笔记，当然如果你想直接上手，可以按照项目中readme来构建，这里我默认已经有装过stable-diffusion了哈，因为很多文件都是相同的，如果你是直接上手，有些文件比如sd-v1-4.ckpt的下载等问题，都可以去看我这篇stable-diffusion复现笔记。

git clone https://github.com/adobe-research/custom-diffusion.git
cd custom-diffusion
git clone https://github.com/CompVis/stable-diffusion.git
cd stable-diffusion
conda env create -f environment.yaml
conda activate ldm
pip install clip-retrieval tqdm 

上述是论文给出的环境搭建代码，如果你跟我一样已经做过stable-diffusion的安装，可以直接执行最后一行 pip install clip-retrieval tqdm 。

2.下载数据集

复现的时候我用的是官方给的数据集，下载地址：https://www.cs.cmu.edu/~custom-diffusion/assets/data.zip

 下载速度太慢的话可以从我给的网盘链接里下载：
链接：https://pan.quark.cn/s/b585a4302047
提取码：d48w

三、运行

复现的过程我主要采用以生成的图像作为正则化来实现，方便起见，主要还是按照官方给的示例来复现。

1.单一概念微调——生成的图像作为正则化

第一步：这里我们可以直接执行命令文件，<pretrained-model-path>是预训练模型的路径，如：/data/disk1/sxtang/models/sd-v1-4.ckpt

bash scripts/finetune_gen.sh "cat" data/cat gen_reg/samples_cat  cat finetune_addtoken.yaml <pretrained-model-path>

这个sh文件会执行两个脚本文件：sample.py、train.py。

先执行sample.py生成用于正则化的图像，一共是200张，然后再执行train.py文件对预训练的模型进行微调，如果一切顺利，命令行最后的输入应该如下：

生成的正则化图像的目录：

微调所得模型目录：

复现过程中我所遇到的问题：

（1）.我是在RTX3090上进行采样生成图片的，但是如果按照代码中默认的参数去执行，我的显存是不够的（论文毕竟是在两块A100做的），然后我的解决方法是把参数调了一下，改成：

--n_samples 5  --n_iter 40 

这里主要还是根据自己的情况去调整，如果还是爆显存的话，可以把数值都调小点，然后多执行几次sample脚本也是可以的。

（2）.之前也说了，代码默认的batchsize=4，我跑不了哈哈，所以调整一下batchsize的大小。

具体的，在configs/custom-diffusion/finetune_addtoken.yaml文件中更改：

（3）.TypeError: CUDACallback.on_train_epoch_end() missing 1 required positional argument: 'outputs'问题。

这里主要是pytorch-lighting的版本问题，需要把这个outputs参数删掉，具体的，在train.py文件下的on_train_epoch_end函数中：

（4）.pytorch_lightning.utilities.exceptions.MisconfigurationException: No `test_dataloader()` method defined to run `Trainer.test`.

 这里说什么没定义这个方法，解决的方法就是在运行的时候直接加上参数--no-test即可。

第二步：更新权重

执行下面的命令即可实现，这里<folder-name> 就是你微调后的那个模型的文件夹，比如：2024-01-13T14-11-49_cat-sdv4，这一步我在执行过程中没有遇到什么问题。

## save updated model weights
python src/get_deltas.py --path logs/<folder-name> --newtoken 1

第三步：运行

## sample
python sample.py --prompt "<new1> cat playing with a ball" --delta_ckpt logs/<folder-name>/checkpoints/delta_epoch\=000004.ckpt --ckpt <pretrained-model-path>

这个new1就是个占位符，无需更改；<folder-name>和上述的含义一样，最后这个“000004.ckpt”是你想要用的权重文件名称。 最后--ckpt <pretrained-model-path> 就是预训练的模型路径。

如果一切顺利的话，就会出图啦！

图片存放的位置以及我生成的图片如下：

 

2.多概念微调——生成的图像作为正则化

官方的readme中只给出了基于真实图像的代码，所以自己实现了一下生成图像正则化。

第一步：生成正则化图像。

上面我们已经生成的cat的正则化图像，这里还需要wooden_pot的正则化图像，所以我们需要先采样生成图像，我这里用的命令如下：

python -u sample.py \
        --n_samples 5 \
        --n_iter 40 \
        --scale 6 \
        --ddim_steps 50  \
        --ckpt  /data/disk1/sxtang/models/sd-v1-4.ckpt  \  #预训练模型的路径
        --ddim_eta 1. \
        --outdir "gen_reg/samples_wooden_pot" \   # 输出图像的路径
        --prompt "photo of a wooden_pot" 

 第二步：微调，这里我稍微改了一下那个项目中给出的基于真实图像实现的.sh文件

#!/usr/bin/env bash
#### command to run with retrieved images as regularization
# 1st arg: target caption1
# 2nd arg: path to target images1
# 3rd arg: path where retrieved images1 are saved
# 4rth arg: target caption2
# 5th arg: path to target images2
# 6th arg: path where retrieved images2 are saved
# 7th arg: name of the experiment
# 8th arg: config name
# 9th arg: pretrained model path
 
ARRAY=()
 
for i in "$@"
do
    echo $i
    ARRAY+=("${i}")
done
 
 
python -u  train.py \
        --base configs/custom-diffusion/${ARRAY[7]}  \
        -t --gpus 6,7 \
        --resume-from-checkpoint-custom  ${ARRAY[8]} \
        --caption "<new1> ${ARRAY[0]}" \
        --datapath ${ARRAY[1]} \
        --reg_datapath "${ARRAY[2]}/samples" \
        --reg_caption "${ARRAY[0]}" \
        --caption2 "<new2> ${ARRAY[3]}" \
        --datapath2 ${ARRAY[4]} \
        --reg_datapath2 "${ARRAY[5]}/samples" \
        --reg_caption2 "${ARRAY[3]}" \
        --modifier_token "<new1>+<new2>" \
        --name "${ARRAY[6]}-sdv4"
 

 执行命令：

bash scripts/finetune_joint_gen.sh "wooden pot" data/wooden_pot gen_reg/samples_wooden_pot \
                                    "cat" data/cat gen_reg/samples_cat  \
                                    wooden_pot+cat finetune_joint.yaml /data/disk1/sxtang/models/sd-v1-4.ckpt

注：如果需要调整如batchsize等参数，这里是在finetune_joint.yaml文件中更改。

如果一切顺利，出现如下界面，就代表着微调成功啦：

后面两步和单个概念那边一样，这里不过多叙述。

第二步：更新权重

## save updated model weights
python src/get_deltas.py --path logs/<folder-name> --newtoken 2

 第三步：运行

## sample
python sample.py --prompt "the <new2> cat sculpture in the style of a <new1> wooden pot" --delta_ckpt logs/<folder-name>/checkpoints/delta_epoch\=000004.ckpt --ckpt <pretrained-model-path>

下面是我测试所生成的图像：

四、最后

这篇文章和Dreambooth等有着异曲同工之妙，都是为了实现个性化的图像生成，当然论文中还有比如通过diffusers实现等功能，如果感兴趣可以自己去试试。