Datawhale X 魔搭 AI夏令营第四期-AIGC文生图方向Task1笔记

任务目标

Datawhale AI夏令营第四期学习活动（“AIGC”方向）的任务是学习从零入门AI生图原理&实践，学习方式是通过参与魔搭社区开展的“可图Kolors-LoRA风格故事挑战赛”进行实践。

基础知识

Stable Diffusion model

论文链接：Rombach, Robin, Andreas Blattmann, Dominik Lorenz, Patrick Esser, and Björn Ommer. “High-resolution image synthesis with latent diffusion models.” In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, pp. 10684-10695. 2022.

Stable Diffusion的原理

1.前向扩散和反向扩散

前向扩散的过程就是对一张图像逐步加上噪声。如图，对一张猫咪的图像从左至右逐步加上噪声，最后形成了一张完全看不出来的噪声图。

Stage1:Foward Diffusion

Stage2:Reverse Diffusion

反向扩散的过程简单来说就是去噪的过程。对刚刚获得的一张噪声图，逐步地进行去噪，最后得到目标图像。

2.训练一个噪声预测器的步骤

接上文，问题来了：如何去噪？
解决办法/目的：训练一个噪声预测器

论文中一个简单的步骤如下：
1.选择一张训练图像，比如一张猫咪的图像。
2.生成一张随机噪声图像。
3.在训练图像中加入一定数量的噪声图像，从而破坏训练图像。
4.让噪声预测器告诉我们添加了多少噪声。这可以通过调整权重并向其显示正确答案来实现。

3.Latent Space

在明确了我们的目的就是要训练一个噪声预测器之后，又出现了两个问题：

1.以上diffusion过程在Pixel Space图像域（维度高）中处理，计算极慢
2.无法控制diffusion到底是生成猫还是狗

对于第一个问题，引入了Latent Space（潜在空间）的概念。
和Latent Space对应的是Pixel Space（如下图所示），下图是一个512X512X3的图像域的说明，在图像域汇中计算是非常复杂的，所以我们要压缩维度，压缩到Latent Space中。

如何理解这里的“压缩维度”呢？
这里我们举个例子，假如你用一句话描述一群人，你可能会说：

A：一个穿着红衣服带着绿帽子黄头发的北京户口的职业是艺术家的…的女人
B：一个穿着白色衬衫棕色围裙黑头发大胡子的职业是咖啡师的…的男人
…

你会发现用一句话描述一个人实在是太冗杂了，于是你画了一个三维坐标（如下，可类比为人类潜在空间），你干脆这一群人一一对应坐标上的信息，放进去，这时候你就会发现描述一个人变得简单多了。这就是一个压缩维度的过程：

类比上述过程，我们来看Stable Diffusion的结构，这里面也回答了我们之前提到的第二个问题“如何控制生成的内容”：

Stable Diffusion框架流程：

1.编码器将图像从Pixel Space压缩到更小维度的Latent Space，捕捉图像本质信息;
2.对潜在空间中的图片添加噪声，进行Diffusion Process；
3.通过 CLIP 文本编码器将输入的描述语转换为去噪过程的条件（Conditioning）;
4.基于一些条件对图像进行去噪（Denoising）以获得生成图片的潜在表示，去噪步骤可以灵活地以文本、图像和其他形式为条件（以文本为条件即 text2img）
5.解码器通过将图像从Latent Space转换回Pixel Space来生成最终图像。

“可图Kolors-LoRA风格故事挑战赛”赛题内容

赛事链接: https://tianchi.aliyun.com/s/ce4dc8bf800db1e58d51263ff357d28f

赛事任务

1. 参赛者需在可图Kolors 模型的基础上训练LoRA 模型，生成无限风格，如水墨画风格、水彩风格、赛博朋克风格、日漫风格…
2. 基于LoRA模型生成 8 张图片组成连贯故事，故事内容可自定义；基于8图故事，评估LoRA风格的美感度及连贯性
   样例：偶像少女养成日记
   

实践步骤

其实Datawhale官方的实践手册已经特别详细了，这里会按照实践手册的流程用我自己的方法和经验过一遍流程，并且补充相关原理知识还有可能遇到的问题和解决方法。

注册并使用算力平台

这里我选择了魔塔社区的免费GPU环境（你也可以选择任何一个免费的算力平台，都是一样的）

1.注册好账号后，直接选择免费的GPU环境。

当然你也可以在右上角绑定阿里云账号使用阿里云提供的算力资源，但我觉得直接用魔塔是最方便的。

2.启动环境，等待几分钟后，打开notebook

代码文件下载

1.新建终端，在终端中下载baseline文件：

git lfs install
git clone https://www.modelscope.cn/datasets/maochase/kolors.git
1
2

如图，在终端输入Git代码，下载文件。

生成kolors文件夹，注意点开检查一下文件夹是否齐全。

2.打开下载的文件夹kolors下的baseline.ipynb文件，进行实践内容。

环境安装及代码解读

打开baseline.ipynb文件，看到每个cell的代码都分块列出。

1.安装实践所需环境

!pip install simple-aesthetics-predictor

!pip install -v -e data-juicer

!pip uninstall pytorch-lightning -y
!pip install peft lightning pandas torchvision

!pip install -e DiffSynth-Studio
1
2
3
4
5
6
7
8

2.下载并保存数据集

使用 MsDataset 类的 load 方法来加载指定的数据集，并将数据集存储在本地的缓存目录中。

‘AI-ModelScope/lowres_anime’: 这是要加载的数据集的名称。

subset_name=‘default’: 这是指定要加载的数据集子集的名称。

split=‘train’: 这个参数指定了要加载的数据集的部分，通常一个数据集会分为训练集（train）、验证集（validation）和测试集（test）。这里指定的是训练集。

cache_dir=“/mnt/workspace/kolors/data”: 这是本地缓存数据集的路径。数据集下载后会被保存到这个目录，以便后续使用时可以直接从本地加载，而不必再次从网络下载。

from modelscope.msdatasets import MsDataset

ds = MsDataset.load(
    'AI-ModelScope/lowres_anime',
    subset_name='default',
    split='train',
    cache_dir="/mnt/workspace/kolors/data"
)
1
2
3
4
5
6
7
8

保存数据集：从数据集中提取图像数据，并将其保存为新的JPEG格式文件，同时生成一个JSONL格式的元数据文件，描述这些图像的相关信息。

import json, os
from data_juicer.utils.mm_utils import SpecialTokens
from tqdm import tqdm


os.makedirs("./data/lora_dataset/train", exist_ok=True)
os.makedirs("./data/data-juicer/input", exist_ok=True)
with open("./data/data-juicer/input/metadata.jsonl", "w") as f:
    for data_id, data in enumerate(tqdm(ds)):
        image = data["image"].convert("RGB")
        image.save(f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg")
        metadata = {"text": "二次元", "image": [f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg"]}
        f.write(json.dumps(metadata))
        f.write("\n")
)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

3.数据处理
为数据处理任务创建一个配置文件，然后使用 Data-Juicer 工具根据该配置文件处理数据。

data_juicer_config = """
# global parameters
project_name: 'data-process'
dataset_path: './data/data-juicer/input/metadata.jsonl'  # path to your dataset directory or file
np: 4  # number of subprocess to process your dataset

text_keys: 'text'
image_key: 'image'
image_special_token: '<__dj__image>'

export_path: './data/data-juicer/output/result.jsonl'

# process schedule
# a list of several process operators with their arguments
process:
    - image_shape_filter:
        min_width: 1024
        min_height: 1024
        any_or_all: any
    - image_aspect_ratio_filter:
        min_ratio: 0.5
        max_ratio: 2.0
        any_or_all: any
"""
with open("data/data-juicer/data_juicer_config.yaml", "w") as file:
    file.write(data_juicer_config.strip())

!dj-process --config data/data-juicer/data_juicer_config.yaml
)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

将经过处理的图像数据集和对应的文本标签存储为一个结构化的CSV文件，方便后续使用。

import pandas as pd
import os, json
from PIL import Image
from tqdm import tqdm


texts, file_names = [], []
os.makedirs("./data/lora_dataset_processed/train", exist_ok=True)
with open("./data/data-juicer/output/result.jsonl", "r") as file:
    for data_id, data in enumerate(tqdm(file.readlines())):
        data = json.loads(data)
        text = data["text"]
        texts.append(text)
        image = Image.open(data["image"][0])
        image_path = f"./data/lora_dataset_processed/train/{data_id}.jpg"
        image.save(image_path)
        file_names.append(f"{data_id}.jpg")
data_frame = pd.DataFrame()
data_frame["file_name"] = file_names
data_frame["text"] = texts
data_frame.to_csv("./data/lora_dataset_processed/train/metadata.csv", index=False, encoding="utf-8-sig")
data_frame
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

4.训练模型
下载模型

from diffsynth import download_models

download_models(["Kolors", "SDXL-vae-fp16-fix"])
1
2
3

通过命令行调用 train_kolors_lora.py 脚本来训练一个基于LoRA（Low-Rank Adaptation）的图像生成模型。整个过程涉及到设置训练所需的参数和路径，然后通过 os.system(cmd) 执行训练命令。

import os

cmd = """
python DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py \
  --pretrained_unet_path models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors \
  --pretrained_text_encoder_path models/kolors/Kolors/text_encoder \
  --pretrained_fp16_vae_path models/sdxl-vae-fp16-fix/diffusion_pytorch_model.safetensors \
  --lora_rank 16 \
  --lora_alpha 4.0 \
  --dataset_path data/lora_dataset_processed \
  --output_path ./models \
  --max_epochs 1 \
  --center_crop \
  --use_gradient_checkpointing \
  --precision "16-mixed"
""".strip()

os.system(cmd)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

以下是该命令的具体参数解释：

python DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py:
运行的Python脚本路径，该脚本是用于训练LoRA模型的。

–pretrained_unet_path:
指定了预训练的UNet模型路径，模型文件是 diffusion_pytorch_model.safetensors。

–pretrained_text_encoder_path:
指定了预训练的文本编码器路径，该路径是一个目录，里面包含了文本编码器的权重文件。

–pretrained_fp16_vae_path:
指定了预训练的VAE（Variational Autoencoder）模型路径，该模型支持FP16（16-bit浮点数），用于提升训练效率。

–lora_rank 16:
LoRA的秩（rank），控制了LoRA模块的参数量，秩越高，模型越复杂。

–lora_alpha 4.0:
LoRA的 alpha 值，用于调整LoRA模块的学习率或缩放因子。

–dataset_path data/lora_dataset_processed:
数据集路径，指向之前处理过的LoRA数据集。

–output_path ./models:
输出路径，训练好的模型将会保存到该目录中。

–max_epochs 1:
最大训练轮数，设置为1，表示训练只进行一轮。

–center_crop:
开启中心裁剪，图像会在训练前被裁剪到中心部分。

–use_gradient_checkpointing:
使用梯度检查点，减少内存占用，有助于在较小的GPU上训练大型模型。

–precision “16-mixed”:
设置训练精度为16位浮点数和32位浮点数的混合模式，以节省显存。

加载经过LoRA（Low-Rank Adaptation）微调的扩散模型，并将其整合到一个用于图像生成的管道中。

import os

cmd = """
python DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py \
  --pretrained_unet_path models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors \
  --pretrained_text_encoder_path models/kolors/Kolors/text_encoder \
  --pretrained_fp16_vae_path models/sdxl-vae-fp16-fix/diffusion_pytorch_model.safetensors \
  --lora_rank 16 \
  --lora_alpha 4.0 \
  --dataset_path data/lora_dataset_processed \
  --output_path ./models \
  --max_epochs 1 \
  --center_crop \
  --use_gradient_checkpointing \
  --precision "16-mixed"
""".strip()

os.system(cmd)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

其中load_lora是一个加载LoRA微调模型的函数，以下是具体步骤：

（1）创建 LoraConfig 对象:

r=lora_rank: 设置LoRA的秩（rank），控制微调的参数量。
lora_alpha=lora_alpha: 控制LoRA的缩放因子，影响微调的权重。
init_lora_weights=“gaussian”: 初始化LoRA权重为高斯分布。
target_modules=[“to_q”, “to_k”, “to_v”, “to_out”]: 指定LoRA微调的目标模块，这些通常是Transformer中的关键层。

（2）注入LoRA配置到模型中: inject_adapter_in_model 函数将LoRA配置注入到给定的模型中。

（3）加载LoRA权重: 使用 torch.load 从指定路径加载LoRA微调后的模型权重。

（4）更新模型状态: 使用 load_state_dict 函数，将加载的权重应用到模型中，并返回更新后的模型。

5.生成图像

输入prompt生成图像，这里我想讲一个很火的网络重生文的故事(我是土狗爱看土文)，简单想了一个故事的提纲：

故事剧情

背叛与死亡：她曾是家族的骄傲，却在家族争权中被至亲背叛，最终含恨而死。
重生之夜：她在神秘的夜晚重生，决心逆袭人生。
崛起的开始：她隐忍蓄力，默默在黑暗中积蓄力量。
夺回权力：她开始一步步收回曾属于她的权力。
复仇的盛宴：她设计了一场宴会，将曾背叛她的人一网打尽。
失而复得的盟友：她与挚友重新联合，共同对抗敌人。
最终决战：她与最大的敌人在古老的宫殿里展开最后的决斗。
荣耀加身：她登上王座，成为万民敬仰的女王。

图片一：

torch.manual_seed(0)
image = pipe(
    prompt="二次元，一个白色头发红色瞳孔、眼睛下方有一颗泪痣的少女躺在地上，身着破碎的华丽长裙，长发散乱，她的脸色苍白，双眼微闭，脸上带着一丝不甘的泪痕。周围是冷灰色的阴影和破碎的家族徽章。",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("1.jpg")

1
2
3
4
5
6
7
8
9

生成结果：

图片二：

torch.manual_seed(1)
image = pipe(
    prompt="二次元，一个白色长发红色瞳孔、眼睛下方有一颗泪痣的少女，在一个神秘的夜晚重生。她站在古老的石台上，四周是蓝紫色的神秘光芒，长发随风飘动，双眼闪烁着坚定的光芒。她身着白色轻纱裙，背后隐隐浮现出光辉的翅膀。",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("2.jpg")

1
2
3
4
5
6
7
8
9

图片三：

torch.manual_seed(2)
image = pipe(
    prompt="二次元，一个白色长发红色瞳孔、眼睛下方有一颗痣的少女，站在一座高塔上，侧脸俯瞰着被夜幕笼罩的城市，身穿黑色斗篷。她的眼神坚定，背景是一轮银白色的满月，城市的灯火点点在远处闪烁，预示着她的力量正在慢慢苏醒。",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度，色情擦边",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("3.jpg")

1
2
3
4
5
6
7
8
9

图片四：

torch.manual_seed(5)
image = pipe(
    prompt="二次元，一个白色长发红色瞳孔、眼睛下方有一颗泪痣的少女，站在华丽的宫殿大厅中央，身着金色的华服，手握一把闪亮的权杖。她的目光冷峻，面前跪倒着惊恐的敌人。背景是金色的灯火和闪耀的王座，象征着她重新掌控的权力。",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度，扭曲的手指，多余的手指",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("4.jpg")

1
2
3
4
5
6
7
8
9

图片五：

torch.manual_seed(0)
image = pipe(
    prompt="二次元，在一座辉煌的大厅中，一个白色长发红色瞳孔、眼睛下方有一颗泪痣的少女，坐在长桌的主位，身穿深红色的晚礼服，双手优雅地握着酒杯。她的表情冷酷，眼神犀利，周围是燃烧的火焰和面露惊恐的宾客。背景是一座燃烧的古老城堡。",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("5.jpg")
1
2
3
4
5
6
7
8

图片六：

torch.manual_seed(1)
image = pipe(
    prompt="二次元，一个白色长发红色瞳孔、眼睛下方有一颗泪痣的少女，与她的黑色头发黄色瞳孔的扎马尾的挚友背靠背站立，身处一片战后的废墟中。她们都穿着战斗服，挚友手持银色长剑，目光锐利，少女手握红色的权杖，目光坚定。背景是倒下的敌人和阴暗的天空，预示着新的联盟力量。",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("6.jpg")

1
2
3
4
5
6
7
8
9

图片七：

torch.manual_seed(7)
image = pipe(
    prompt="二次元，一个白色长发红色瞳孔、眼睛下方有一颗泪痣的少女，与敌人在一座古老的宫殿中对峙，四周闪耀着红色的电光。少女身着银白色的战甲，长发飞扬，手中长剑直指对方的咽喉。背景是一座破败的王座和倒塌的石柱，象征着激烈的战斗。",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("7.jpg")

1
2
3
4
5
6
7
8
9

图片八：

torch.manual_seed(0)
image = pipe(
    prompt="二次元，一个白色长发红色瞳孔、眼睛下方有一颗痣的少女，身披金色华丽长袍，头戴王冠，站在高高的王座前，俯瞰着万民朝拜的景象。她的表情庄严，眼中闪耀着掌控一切的光芒。背景是辉煌的宫殿和洒满阳光的蓝天，象征着她的最终胜利与荣耀。",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("8.jpg")

1
2
3
4
5
6
7
8
9

最终效果呈现

上传结果

1.创建terminal，粘贴如下命令，回车执行

mkdir /mnt/workspace/kolors/output & cd 
cp /mnt/workspace/kolors/models/lightning_logs/version_0/checkpoints/epoch\=0-step\=500.ckpt /mnt/workspace/kolors/output/
cp /mnt/workspace/kolors/1.jpg /mnt/workspace/kolors/output/

1
2
3
4

2.下载结果文件

找到output文件夹里的ckpt文件，下载到本地

3.创建并上传模型所需内容
点击魔搭链接，创建模型:

4. 来到创空间，查看自己的模型是否发布:

成功发布！大功告成！

遇到的问题：

在整个过程中还算顺利，但也遇到了一些小问题，因为看到群里也有朋友在问同样的问题，所以来记录一下：

1.no NVIDIA:

原因及解决：选错了环境，一开始选择的是魔塔的CPU环境，正确应该选取GPU环境。

2.ModuleNotFoundError: No module named ‘data_juicer’

原因：因为卡顿重启了平台，平台重启只会留下ipynb文件，导致data_juicer文件全部丢失。
解决：在终端中重新下载文件。

git lfs install
git clone https://www.modelscope.cn/datasets/maochase/kolors.git
1
2

其他待思考的问题：
1.模型无法细致化地生成主人公：
比如我想生成的女主是带着泪痣的女主，但是模型似乎不能理解“泪痣”的含义，多数图片没有生成泪痣，或者直接生成了眼泪（我在测试中发现的，没有放图进来），如何解决这个问题？

2.模型生成的图像人物动作不够丰富：
比如我在第六张图片中的prompt是“一个白色长发红色瞳孔、眼睛下方有一颗泪痣的少女，与她的黑色头发黄色瞳孔的扎马尾的挚友背靠背站立，身处一片战后的废墟中。她们都穿着战斗服，挚友手持银色长剑，目光锐利，少女手握红色的权杖，目光坚定。背景是倒下的敌人和阴暗的天空，预示着新的联盟力量。”其中“手持”“手握”生成得不是很好，甚至有些信息错误和缺失，比如应该是挚友拿着银色的长剑，少女拿着红色的权杖，但变成了挚友拿着红色手柄的银色长剑，少女就只是站着，比较奇怪。如何解决这个问题？