Datawhale AI夏令营-第四期(AIGC方向)-Task01-可图Kolors-LoRA风格故事挑战赛

从零入门AI生图原理&实践 是 Datawhale 2024 年 AI 夏令营第四期的学习活动（“AIGC”方向），基于魔搭社区“可图Kolors-LoRA风格故事挑战赛”开展的实践学习。

下面将分六部分介绍我的学习&实践情况。

一、文生图的历程与基石
首先，通过社区提供的学习资料和PPT，对文生图的历程与基石进行了快速的了解，以下为梗概：

• 引言与定义
  • 拟合数据分布、生成模型、传输方程
• 发展历程
  • VAE、GAN、Flow-based Models、Diffusion Models
• 扩散模型
  • 正向过程
  • 逆向过程
  • 最终学习目标
  • SDE形式表示方式
  • 条件扩散模型
    • Classifier-guidance
    • Classifier-free-guidance
  • Stable Diffusion: 在使用VAE压缩后的latent空间进行建模
  • 模型加速
    • DPM-Solver
    • Consistency Model
• Vision-Language Model(VLM)+文生图
  • 利用VLM进行更详细的标注，以提升生成准确性
  • 标注信息更细粒度
  • 包含位置布局信息

ps：这其实是一个非常概括的框架，其实每个知识点都有相应的论文，值得深入学习。

二、文生图基础知识

• prompts (提示词)
  提示词为模型生成图像提供引导，通常包含主体描述、细节描述、修饰词、艺术风格、艺术家等，在给出prompts的同时也可给出负向prompts。
• LoRA
  Low-Rank Adaptation (LoRA)，即低秩适应。在Stable Diffusion这一文本到图像合成模型的框架下，Lora被用于对预训练好的大模型进行针对性微调，以实现对特定主题、风格或任务的精细化控制。
  论文链接：https://arxiv.org/abs/2106.09685
• ComfyUI
  一个工作流工具。通过直观的界面和集成的功能，用户可以轻松地进行模型微调、数据预处理、图像生成等任务，从而提高工作效率和生成效果。
  链接：https://github.com/comfyanonymous/ComfyUI
• ControlNet
  一种可附加到预训练的扩散模型（如Stable Diffusion模型）上的可训练神经网络模块，通过引入额外的空间条件控制(例如边缘图、人体骨架、分割图、深度图等)，来实现更细粒度的空间控制。
  论文链接：https://arxiv.org/abs/2302.05543

三、零基础实践

• Step0：开通阿里云PAI-DSW试用
  • “阿里云”开通免费试用
    https://free.aliyun.com/?productCode=learn
    
    
    发现“活动条件不满足”，并且我已经完成个人认证了，应该是试用有效期已经过了。
  • 直接用魔搭的资源
    https://www.modelscope.cn/my/mynotebook/preset
    
    
    选好配置后，“启动”。
    
    点击进入Notebook。
    ps：因为直接使用了魔搭的资源，所以下面跳到Step3，直接来运行baseline。
• Step3: 体验一站式 baseline
  • 下载baseline文件

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

    打开终端Terminal。
    
    输入指令。
    
  • 进入文件夹，打开baseline.ipynb文件。
    
  • 点击执行第一个代码块，通过pip install安装相关环境包。

    # 安装 Data-Juicer 和 DiffSynth-Studio
    # Data-Juicer：数据处理和转换工具，旨在简化数据的提取、转换和加载过程
    # DiffSynth-Studio：高效微调训练大模型工具
    

    
  • 显示安装完成后，点击“Restart Kernel”重启核。
    
    
  • 首先保留原有prompt，点击一键执行，查看效果。
    
  • 其中最耗时的是模型微调部分，总耗时9分多。
    
  • 初次执行(未修改prompts)的效果如下，与赛题给出的效果基本一致：
    
• Step4: 调整prompts，查看效果：
  这里首先对小女孩的外观、环境做了一些调整，
  提示词改为：

  prompt="二次元，一个绿色长发小女孩，在海滩上坐着，双手托着腮，很无聊，全身，白色连衣裙",
  negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
  

  文生图的生成效果如下：
  
  再尝试一下生成男生，提示词为：

  prompt="二次元，一个棕色短发帅气男孩，在草地上站着，双手叉着腰，全身是汗，全身，足球服",
  negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
  

  文生图的生成效果如下：
  

四、部分代码解读

• 数据处理
  在下载数据、处理数据的过程中，我们会发现：
  运行到[2]代码块后，下载并保存的原始数据集路径下(/mnt/workspace/kolors/data/lora_dataset/train/)，包含1400+张的训练图片；
  
  而运行到[4]代码块后，处理后保存的数据集路径下(./data/lora_dataset_processed/train/)，包含的训练图片只剩120+张；
  
  这是因为在数据处理过程中，筛去了大部分图片。这一筛选过程是通过data-juicer工具实现的。具体见[3]代码块中的代码。

  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
  

  可以看到，筛选过滤的条件写在image_shape_filter和image_aspect_ratio_filter中：对于图像尺寸，筛选长或宽大于1024的图像；对于图像长宽比，筛选长宽比处于[0.5, 2.0]的图像。
  ps：因为没时间仔细查阅data-juicer工具的文档，所以只能大致解读代码实现的功能。但这已经很能说明data-juicer这个工具在数据处理上的便捷性。

五、8图故事生成

• 一

  prompt="二次元，动漫电影效果，一个棕色短发小女孩魔法师，身穿黑紫色魔法师长袍，在家中的魔法实验室里，四周摆满了药瓶和魔法书，她正专心地翻阅一本古老的魔法书籍",
  negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
  

  

• 二

    prompt="二次元，动漫电影效果，人物侧面，一个棕色短发的魔法师小女孩，穿着黑紫色魔法师长袍，背着背包，戴着黑色魔法帽，走在通往森林的小径上，背景是茂盛的树木和飘动的蝴蝶，她脸上带着期待的微笑表情",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
  

  

• 三

    prompt="二次元，动漫电影效果，一个棕色短发的可爱小女孩魔法师，身着紫黑色的魔法长袍，手持木质魔杖，坐在森林中一个草地上，周围是光彩照人的魔法植物，她正专心地向一只坐在石头上的老魔法狐狸学习如何施展光明魔法",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度，色情擦边，手指尖锐",
  

  

• 四

    prompt="二次元，动漫电影效果，人物侧面，一个充满神秘雾气的森林湖泊边，棕色短发的小女孩魔法师站在岸边，穿着紫黑色的魔法长袍，望向湖面，她正向一群水元素学习控水魔法，湖面波光粼粼，她嘴巴微张、表情略带惊奇",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度，扭曲的手指，多余的手指",
  

  

• 五

    prompt="二次元，动漫电影效果，森林中的一个幽暗洞穴，棕色短发的小女孩魔法师穿着紫色星星点缀的黑色长袍，正蹲下身来向一条巨大的红龙学习火焰魔法，小女孩的眼中反射着火焰的光芒，小女孩张开手掌，她的手中升起一小团火焰",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
  

  

• 六

    prompt="二次元，动漫电影效果，棕色短发小女孩魔法师，她身穿黑紫色魔法师长袍，挥手与森林中的魔法小动物们告别，在森林中的一群魔法小动物围在小女孩身边，抬头望向小女孩",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
  

  

• 七

    prompt="二次元，动漫电影效果，棕色短发的魔法师小女孩在一片热闹的市集中，身穿黑紫色长袍，准备参加魔法师大会，她四周是各路魔法师和炫目的魔法商品",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
  

  

• 八

    prompt="二次元，动漫电影效果，棕色短发的小女孩魔法师在魔法师大会的舞台上展示她的最强魔法，她面带微笑，正用木质魔杖引导着一场壮观的魔法元素风暴，她的黑紫色长袍在魔法光芒中闪耀，观众席上的其他魔法师们露出赞叹的表情",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度、手指模糊",
  

  

六、改进方向

1. Prompt工程：通过更细粒度的prompts，进一步提升模型生成效果；
2. 高质量训练数据：通过质量更高、数量更多、风格种类更多的训练数据对模型进行微调，使得模型生成效果更为丰富多样；
3. 模型微调：通过微调技巧，提高模型微调效果（目前暂不明确，需要进一步研读Lora论文）。