私人定制图画（私人定制AI绘画——快速finetune stable diffusion教程）

最近AI绘图非常火    
    
    
    
，只需要输入文本就能得到令人惊艳的图    
    
    
    
。

举个例子    


     


     


     


 ，输入 “photo of a gorgeous young woman in the style of stefan kostic and david la chapelle, coy, shy, alluring, evocative, stunning, award winning, realistic, sharp focus, 8 k high definition, 3 5 mm film photography, photo realistic, insanely detailed, intricate, elegant, art by stanley lau and artgerm    
    
    
    
”  得到:

输入“temple in ruines, forest, stairs, columns, cinematic, detailed, atmospheric, epic, concept art, Matte painting, background, mist, photo-realistic, concept art, volumetric light, cinematic epic + rule of thirds octane render, 8k, corona render, movie concept art, octane render, cinematic, trending on artstation, movie concept art, cinematic composition , ultra-detailed, realistic , hyper-realistic , volumetric lighting, 8k –ar 2:3 –test –uplight    


     


     


     


 ”  得到：

以上效果出自最近开源的效果非常好的模型——stable diffusion    


     


     


     


 。那可能会有很多人和我一样




 




 




 




 ，想得到自己的定制化的模型   

   

   

   

，专门用来生成人脸   
    
    
    
 、动漫或者其他




 




 




 




 。

github上有个小哥还真就做了这件事了     

     

     

     

，他专门finetune了一个神奇宝贝版stable diffusion




  




  




  




  ，以下是他模型的效果：     输入“robotic cat with wings




 




 




 




 ”   得到：

是不是很有趣
  


  


  


  

，今天这篇文章就介绍一下如何快速finetune stable diffusion   

   

   

   

。

小哥写的详细介绍可以移步：https://github.com/LambdaLabsML/examples/tree/main/stable-diffusion-finetuning

1


     


     


     


     、准备数据

深度学习的训练     
     
     
     
，首先就是要解决数据问题     

     

     

     

。由于stable diffusion的训练数据是 文本-图像 匹配的pairs 




   




   




   




  ，因此我们要按照它的要求准备数据




  




  




  




  。

准备好你的所有图片

 



 



 



 

，当然对于大部分人来说                    ，要得到图片容易  




    




    




    




  ，但是手里的图片数据都是没有文本标注的



















，但是我们可以用BLIP算法来自动生成标注
  


  


  


  

。

BLIP项目地址:https://github.com/salesforce/BLIP

效果见下图：

 BLIP自动给妙蛙种子生成了一段描述                    ，当然算法的效果很难达到完美   



     



     



     



  ，但是足够用了     
     
     
     
。如果觉得不够好



















，那完全也可以自己标注 




   




   




   




  。

将得到的text    
    
    
    
，与图片名使用json格式存起来：

{ "0001.jpg": "This is a young woman with a broad forehead.", "0002.jpg": "The young lady has a melon seed face and her chin is relatively narrow.", "0003.jpg": "This is a melon seed face woman who has a broad chin.There is a young lady with a broad forehead." }

2 




 




 




 




、下载代码模型

这里我们使用小哥魔改的stable diffusion代码    


     


     


     


 ，更加方便finetune

 



 



 



 

。

finetune代码地址：https://github.com/justinpinkney/stable-diffusion

按照这个代码readme里的要求装好环境                    。同时下载好stable diffusion预训练好的模型 sd-v1-4-full-ema.ckpt 




 




 




 




 ，放到目录里  




    




    




    




  。

模型下载地址：CompVis/stable-diffusion-v-1-4-original · Hugging Face

3   

   

   

   

、配置与运行

stable diffusion使用yaml文件来配置训练   

   

   

   

，由于小哥给的yaml需要配置特定的数据格式     

     

     

     

，太麻烦了




  




  




  




  ，我这边直接给出一个更简单方便的



















。只需要修改放图片的文件夹路径
  


  


  


  

，以及第一步生成的配对数据的json文件路径                    。具体改哪儿直接看下面:

model: base_learning_rate: 1.0e-04 target: ldm.models.diffusion.ddpm.LatentDiffusion params: linear_start: 0.00085 linear_end: 0.0120 num_timesteps_cond: 1 log_every_t: 200 timesteps: 1000 first_stage_key: "image" cond_stage_key: "txt" image_size: 64 channels: 4 cond_stage_trainable: false # Note: different from the one we trained before conditioning_key: crossattn scale_factor: 0.18215 scheduler_config: # 10000 warmup steps target: ldm.lr_scheduler.LambdaLinearScheduler params: warm_up_steps: [ 1 ] # NOTE for resuming. use 10000 if starting from scratch cycle_lengths: [ 10000000000000 ] # incredibly large number to prevent corner cases f_start: [ 1.e-6 ] f_max: [ 1. ] f_min: [ 1. ] unet_config: target: ldm.modules.diffusionmodules.openaimodel.UNetModel params: image_size: 32 # unused in_channels: 4 out_channels: 4 model_channels: 320 attention_resolutions: [ 4, 2, 1 ] num_res_blocks: 2 channel_mult: [ 1, 2, 4, 4 ] num_heads: 8 use_spatial_transformer: True transformer_depth: 1 context_dim: 768 use_checkpoint: True legacy: False first_stage_config: target: ldm.models.autoencoder.AutoencoderKL ckpt_path: "models/first_stage_models/kl-f8/model.ckpt" params: embed_dim: 4 monitor: val/rec_loss ddconfig: double_z: true z_channels: 4 resolution: 256 in_channels: 3 out_ch: 3 ch: 128 ch_mult: - 1 - 2 - 4 - 4 num_res_blocks: 2 attn_resolutions: [] dropout: 0.0 lossconfig: target: torch.nn.Identity cond_stage_config: target: ldm.modules.encoders.modules.FrozenCLIPEmbedder data: target: main.DataModuleFromConfig params: batch_size: 1 num_workers: 4 num_val_workers: 0 # Avoid a weird val dataloader issue train: target: ldm.data.simple.FolderData params: root_dir: 你存图片的文件夹路径/ caption_file: 图片对应的标注文件.json image_transforms: - target: torchvision.transforms.Resize params: size: 512 interpolation: 3 - target: torchvision.transforms.RandomCrop params: size: 512 - target: torchvision.transforms.RandomHorizontalFlip validation: target: ldm.data.simple.TextOnly params: captions: - "测试时候用的prompt" - "A frontal selfie of handsome caucasian guy with blond hair and blue eyes, with face in the center" output_size: 512 n_gpus: 2 # small hack to sure we see all our samples lightning: find_unused_parameters: False modelcheckpoint: params: every_n_train_steps: 30000 save_top_k: -1 monitor: null callbacks: image_logger: target: main.ImageLogger params: batch_frequency: 30000 max_images: 1 increase_log_steps: False log_first_step: True log_all_val: True log_images_kwargs: use_ema_scope: True inpaint: False plot_progressive_rows: False plot_diffusion_rows: False N: 4 unconditional_guidance_scale: 3.0 unconditional_guidance_label: [""] trainer: benchmark: True num_sanity_val_steps: 0 accumulate_grad_batches: 1

最后一步     
     
     
     
，运行命令：

python main.py --base yaml文件路径.yaml --gpus 0,1 --scale_lr False --num_nodes 1 --check_val_every_n_epoch 2 --finetune_from 上面下载的模型路径.ckpt

大功告成 




   




   




   




  ，等待模型训练就行了   



     



     



     



  。需要注意的是

 



 



 



 

，我这边启用了两个GPU                    ，并且stable diffusion是比较吃显存的  




    




    




    




  ，我在V100上进行训练batchsize也只能设为1



















。