Datawhale训练营AIGC方向 第二期

Datawhale训练营AIGC方向 第二期

AI生图模型

概念

AI生图模型属于多模态机器学习模型，通过海量的图库和文本描述的深度神经网络学习，最终的目标是可以根据输入的指示(不管是文本还是图片还是任何)生成符合语义的图片。

通俗来说，AI生图模型获得图片生成能力主要是通过 学习 图片描述 以及 图片特征，尝试将这两者进行一一对应，存储在自己的记忆里。

现有模型

Kolors（可图）模型(点击即可跳转魔搭模型介绍页) 是快手开源的文本到图像生成模型，该模型具有对英语和汉语的深刻理解，并能够生成高质量、逼真的图像。

代码开源链接：https://github.com/Kwai-Kolors/Kolors

模型开源链接：https://modelscope.cn/models/Kwai-Kolors/Kolors

技术报告链接：https://github.com/Kwai-Kolors/Kolors/blob/master/imgs/Kolors_paper.pdf

魔搭研习社最佳实践说明：https://www.modelscope.cn/learn/575?pid=543

魔搭社区还开源了专门的各种风格的可图优质咒语书(点击即可跳转)

Baseline代码精读

代码框架结构图

让我们交给AI，让AI分析baseline的代码框架

代码任务：

安装和卸载依赖包 使用 !pip 命令来安装或卸载 Python 包。包括： simple-aesthetics-predictor, data-juicer, peft, lightning, pandas, torchvision, 和 DiffSynth-Studio 的安装。 卸载 pytorch-lightning（使用 -y 自动确认卸载）。 数据集加载与预处理 使用 ModelScope 加载了一个名为 lowres_anime 的数据集。 将数据集中每条记录中的图像转换为 RGB 格式并保存至磁盘。 构建了一个 用于数据清理的JSONL 文件，该文件包含了每张图像的路径及其对应的文本描述。 数据过滤与处理 使用 Data-Juicer 库对数据集进行过滤，包括图像尺寸和长宽比的过滤。 过滤后的数据被保存在一个新的 JSONL 文件中。 数据整理与特征提取 读取 result.jsonl 文件中的数据，并将其转换为 Pandas DataFrame，然后保存为 CSV 文件，并且将图片保存到./data/lora_dataset_processed/train文件夹下。 读取过滤后的 JSONL 文件，并从中提取图像路径和对应的文本描述。 使用 CLIP 模型对图像和文本进行特征提取，并计算图像-文本相似度分数。 将整理后的数据保存为 CSV 文件。 PyTorch 数据集与数据加载器 创建了一个 PyTorch 的自定义数据集类 CustomDataset，用于加载图像和文本数据。 使用 DataLoader 对数据集进行批处理。 文本到图像生成 使用 StableDiffusionPipeline 生成基于提示（prompt）的图像。 通过调整不同的提示和参数，生成多幅图像。

接下来，我会根据这些主要任务将代码分为几个部分，并解释每个部分的作用。

代码主体框架分析

1. 数据集加载与预处理

这部分代码负责从 ModelScope 加载数据集，并将图像转换为 RGB 格式后保存到指定目录。同时，构建了一个 JSONL 文件，其中包含了每张图像的路径及其对应的文本描述。

# 导入所需的库 from modelscope.msdatasets import MsDataset # 从ModelScope导入MsDataset类，用于加载数据集 import json, os # 导入json模块用于处理JSON数据，os模块用于操作系统相关的功能 from data_juicer.utils.mm_utils import SpecialTokens # 从data-juicer库导入SpecialTokens类，这里未直接使用 from tqdm import tqdm # 导入tqdm库用于显示进度条 # 加载数据集 ds = MsDataset.load( # 使用MsDataset类加载数据集 'AI-ModelScope/lowres_anime', # 数据集的名字 subset_name='default', # 数据集的子集名称 split='train', # 数据集的分割，这里是训练集 cache_dir="/mnt/workspace/kolors/data" # 缓存数据集的位置 ) # 保存图像并构建 JSONL 文件 os.makedirs("./data/lora_dataset/train", exist_ok=True) # 创建存放图像的目录，如果已经存在则不创建 os.makedirs("./data/data-juicer/input", exist_ok=True) # 创建存放JSONL文件的目录，如果已经存在则不创建 with open("./data/data-juicer/input/metadata.jsonl", "w") as f: # 打开或创建JSONL文件用于写入 for data_id, data in enumerate(tqdm(ds)): # 遍历数据集中的每一项数据，并显示进度条 image = data["image"].convert("RGB") # 获取图像数据并将其转换为RGB模式 image.save(f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg") # 保存图像到指定路径 metadata = {"text": "二次元", "image": [f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg"]} # 构建包含文本标签和图像路径的元数据字典 f.write(json.dumps(metadata)) # 将元数据字典序列化为JSON字符串并写入文件 f.write("\n") # 写入换行符以便下一个数据条目 

2. 数据过滤与处理

这部分代码使用 Data-Juicer 库对数据集进行了过滤，包括图像尺寸和长宽比的过滤，并将过滤后的数据保存到一个新的 JSONL 文件中。

# 定义数据处理配置 data_juicer_config = """ # 全局参数 project_name: 'data-process' # 项目名 dataset_path: './data/data-juicer/input/metadata.jsonl' # 数据集目录或文件路径 np: 4 # 处理数据集的子进程数量 text_keys: 'text' # 文本键 image_key: 'image' # 图像键 image_special_token: '<__dj__image>' # 图像特殊标记 export_path: './data/data-juicer/output/result.jsonl' # 输出结果路径 # 处理流程 # 包含多个处理操作符及其参数列表 process: - image_shape_filter: # 图形形状过滤器 min_width: 1024 # 最小宽度 min_height: 1024 # 最小高度 any_or_all: any # # 符合前面条件的图片才会被保留 - image_aspect_ratio_filter: # 图片比例过滤器 min_ratio: 0.5 # 最小比例 max_ratio: 2.0 # 最大比例 any_or_all: any # # 符合前面条件的图片才会被保留 """ # 保存data-juicer配置到data/data-juicer/data_juicer_config.yaml with open("data/data-juicer/data_juicer_config.yaml", "w") as file: file.write(data_juicer_config.strip()) # data-juicer开始执行数据筛选 !dj-process --config data/data-juicer/data_juicer_config.yaml 

3. 数据整理与特征提取

这部分代码读取过滤后的 JSONL 文件，并从中提取图像路径和对应的文本描述。使用 CLIP 模型对图像和文本进行特征提取，并计算图像-文本相似度分数。最后，将整理后的数据保存为 CSV 文件。

import pandas as pd # 导入pandas库，用于数据处理 import os, json # 导入os和json库，用于文件操作和JSON处理 from PIL import Image # 导入PIL库中的Image模块，用于图像处理 from tqdm import tqdm # 导入tqdm库，用于显示进度条 # 读取过滤后的 JSONL 文件并整理数据 texts, file_names = [], [] # 初始化空列表用于存储文本和文件名 os.makedirs("./data/data-juicer/output/images", exist_ok=True) # 创建存放图像的目录，如果已经存在则不创建 with open("./data/data-juicer/output/result.jsonl", "r") as f: # 打开JSONL文件用于读取 for line in tqdm(f): # 遍历文件中的每一行，并显示进度条 metadata = json.loads(line) # 解析每一行的JSON数据 texts.append(metadata["text"]) # 将文本添加到texts列表 file_names.append(metadata["image"][0]) # 将图像路径添加到file_names列表 # 创建 DataFrame 并保存为 CSV 文件 df = pd.DataFrame({"text": texts, "file_name": file_names}) # 创建DataFrame df.to_csv("./data/data-juicer/output/result.csv", index=False) # 将DataFrame保存为CSV文件 # 特征提取 from transformers import CLIPProcessor, CLIPModel # 导入CLIPProcessor和CLIPModel类 import torch # 导入torch库 model = CLIPModel.from_pretrained("openai/clip-vit-base-patch32") # 加载预训练的CLIP模型 processor = CLIPProcessor.from_pretrained("openai/clip-vit-base-patch32") # 加载预训练的CLIP处理器 images = [Image.open(img_path) for img_path in df["file_name"]] # 从DataFrame中读取图像路径，并打开图像 inputs = processor(text=df["text"].tolist(), images=images, return_tensors="pt", padding=True) # 使用CLIP处理器处理文本和图像数据 outputs = model(**inputs) # 使用CLIP模型进行特征提取 logits_per_image = outputs.logits_per_image # 获取图像-文本相似度分数 probs = logits_per_image.softmax(dim=1) # 计算概率分布 

4. PyTorch 数据集与数据加载器 lora模型微调

这部分代码创建了一个 PyTorch 的自定义数据集类 CustomDataset，用于加载图像和文本数据，并使用 DataLoader 对数据集进行批处理。

# 执行可图Lora训练 import os cmd = """ python DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py \ # 选择使用可图的Lora训练脚本DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py --pretrained_unet_path models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors \ # 选择unet模型 --pretrained_text_encoder_path models/kolors/Kolors/text_encoder \ # 选择text_encoder --pretrained_fp16_vae_path models/sdxl-vae-fp16-fix/diffusion_pytorch_model.safetensors \ # 选择vae模型 --lora_rank 16 \ # lora_rank 16 表示在权衡模型表达能力和训练效率时，选择了使用 16 作为秩，适合在不显著降低模型性能的前提下，通过 LoRA 减少计算和内存的需求 --lora_alpha 4.0 \ # 设置 LoRA 的 alpha 值，影响调整的强度 --dataset_path data/lora_dataset_processed \ # 指定数据集路径，用于训练模型 --output_path ./models \ # 指定输出路径，用于保存模型 --max_epochs 1 \ # 设置最大训练轮数为 1 --center_crop \ # 启用中心裁剪，这通常用于图像预处理 --use_gradient_checkpointing \ # 启用梯度检查点技术，以节省内存 --precision "16-mixed" # 指定训练时的精度为混合 16 位精度（half precision），这可以加速训练并减少显存使用 """.strip() os.system(cmd) # 执行可图Lora训练 # 加载lora微调后的模型 from diffsynth import ModelManager, SDXLImagePipeline # 导入ModelManager和SDXLImagePipeline from peft import LoraConfig, inject_adapter_in_model # 导入LoraConfig和inject_adapter_in_model import torch # 导入torch # 加载LoRA配置并注入模型 def load_lora(model, lora_rank, lora_alpha, lora_path): lora_config = LoraConfig( r=lora_rank, # 设置LoRA的秩(rank) lora_alpha=lora_alpha, # 设置LoRA的alpha值，控制LoRA的影响权重 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"], # 指定要应用LoRA的模块 ) model = inject_adapter_in_model(lora_config, model) # 将LoRA配置注入到模型中 state_dict = torch.load(lora_path, map_location="cpu") # 加载LoRA微调后的权重 model.load_state_dict(state_dict, strict=False) # 将权重加载到模型中，允许部分权重不匹配 return model # 返回注入LoRA后的模型 # 加载预训练模型 model_manager = ModelManager( torch_dtype=torch.float16, # 设置模型的数据类型为float16，减少显存占用 device="cuda", # 指定使用GPU进行计算 file_path_list=[ "models/kolors/Kolors/text_encoder", # 文本编码器的路径 "models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors", # UNet模型的路径 "models/kolors/Kolors/vae/diffusion_pytorch_model.safetensors" # VAE模型的路径 ] ) # 初始化图像生成管道 pipe = SDXLImagePipeline.from_model_manager(model_manager) # 从模型管理器中加载模型并初始化管道 # 加载并应用LoRA权重到UNet模型 pipe.unet = load_lora( pipe.unet, lora_rank=16, # 设置LoRA的秩(rank)，与训练脚本中的参数保持一致 lora_alpha=2.0, # 设置LoRA的alpha值，控制LoRA对模型的影响权重 lora_path="models/lightning_logs/version_0/checkpoints/epoch=0-step=500.ckpt" # 指定LoRA权重的文件路径 ) 

5. 文本到图像生成

这部分代码使用 StableDiffusionPipeline 生成基于提示（prompt）的图像。通过调整不同的提示和参数，生成多幅图像。

from diffusers import StableDiffusionPipeline import torch # 加载模型 torch.manual_seed(1) pipe = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v-1-4", torch_dtype=torch.float16) pipe = pipe.to("cuda") # 生成图像 torch.manual_seed(0) # 设置随机种子，确保生成的图像具有可重复性。如果想要每次生成不同的图像，可以将种子值改为随机值。 image = pipe( prompt="二次元，一个紫色短发小女孩，在家中沙发上坐着，双手托着腮，很无聊，全身，粉色连衣裙", # 设置正向提示词，用于指导模型生成图像的内容 negative_prompt="丑陋、变形、嘈杂、模糊、低对比度", # 设置负向提示词，模型会避免生成包含这些特征的图像 cfg_scale=4, # 设置分类自由度 (Classifier-Free Guidance) 的比例，数值越高，模型越严格地遵循提示词 num_inference_steps=50, # 设置推理步数，步数越多，生成的图像细节越丰富，但生成时间也更长 height=1024, width=1024, # 设置生成图像的高度和宽度，这里生成 1024x1024 像素的图像 ) image.save("1.jpg") # 将生成的图像保存为 "1.jpg" 文件 # 保存图像 image.save("example_image.png") # 更多图像生成 # ... 

以上就是整个代码的主体框架分析。

三、基于话剧的连环画制作

先确定适合的prompt

场景1: 女主正在上课

风格: 西幻风，3D立体 人物描述: 一位穿着学院制服的黑发少女 场景描述: 中世纪风格的教室，木制长桌和椅子 动作: 坐在桌前，专注地看着书本 提示词:

西幻风, 3D立体, 黑发少女, 学院制服, 中世纪风格教室, 木制长桌和椅子, 坐在桌前, 专注看书, 上半身 

场景2: 开始睡着了

风格: 西幻风，3D立体 人物描述: 同上 场景描述: 同上 动作: 头伏在书本上，轻柔地打着盹 提示词:

西幻风, 3D立体, 黑发少女, 学院制服, 中世纪风格教室, 木制长桌和椅子, 头伏在书本上, 打着盹, 上半身 

场景3: 进入梦乡，梦到自己站在路旁

风格: 西幻风，3D立体 人物描述: 同上 场景描述: 幻境中的森林小径旁，周围是古老的树木 动作: 站立在路旁，望着前方的迷雾 提示词:

西幻风, 3D立体, 黑发少女, 学院制服, 幻境中的森林小径, 古老树木环绕, 站立在路旁, 望着前方迷雾, 全身 

场景4: 王子骑马而来

风格: 西幻风，3D立体 人物描述: 一位身穿铠甲的英俊王子 场景描述: 同上 动作: 骑着一匹白马，缓缓驶过森林小径 提示词:

西幻风, 3D立体, 英俊王子, 穿着铠甲, 幻境中的森林小径, 古老树木环绕, 骑着白马缓缓驶过, 全身 

场景5: 两人相谈甚欢

风格: 西幻风，3D立体 人物描述: 黑发少女和王子 场景描述: 幻境中的森林小径旁，有一块平坦的草地 动作: 坐在草地上，面对面交谈 提示词:

西幻风, 3D立体, 黑发少女, 学院制服, 英俊王子, 穿着铠甲, 幻境中的森林小径旁, 平坦草地, 坐在草地上, 面对面交谈, 上半身 

场景6: 一起坐在马背上

风格: 西幻风，3D立体 人物描述: 同上 场景描述: 幻境中的森林小径 动作: 两人并肩坐在马背上，王子握着缰绳 提示词:

西幻风, 3D立体, 黑发少女, 学院制服, 英俊王子, 穿着铠甲, 幻境中的森林小径, 两人并肩坐在马背上, 王子握着缰绳, 全身 

场景7: 下课了，梦醒了

风格: 西幻风，3D立体 人物描述: 同场景1 场景描述: 中世纪风格的教室 动作: 惊醒，看着空荡荡的教室 提示词:

西幻风, 3D立体, 黑发少女, 学院制服, 中世纪风格教室, 惊醒, 看着空荡荡的教室, 上半身 

场景8: 又回到了学习生活中

风格: 西幻风，3D立体 人物描述: 同上 场景描述: 中世纪风格的教室，书桌上堆满了书籍 动作: 坐在桌前，手执羽毛笔，埋头写作 提示词:

西幻风, 3D立体, 黑发少女, 学院制服, 中世纪风格教室, 书桌上堆满书籍, 坐在桌前, 手执羽毛笔, 埋头写作, 上半身 

然后我们再跑通一遍baseline

最后生成的图如下：

总效果图概览

``还是很有意思的~

总结

### Datawhale训练营AIGC方向 第二期：AI生图模型总结
#### AI生图模型概念
AI生图模型作为多模态机器学习模型，通过深度学习技术，利用图库和文本描述生成符合语义的图片。其核心在于通过大量图片及其描述进行学习，将图片特征和描述一一对应，从而实现根据指令（文本、图片等）生成图片的能力。
#### 现有模型：Kolors
- **来源**：快手开源的文本到图像生成模型
- **特点**：支持中英双语，能生成高质量、逼真的图像
- **资源链接**：
- 代码开源：https://github.com/Kwai-Kolors/Kolors
- 模型开源：https://modelscope.cn/models/Kwai-Kolors/Kolors
- 技术报告：https://github.com/Kwai-Kolors/Kolors/blob/master/imgs/Kolors_paper.pdf
- 最佳实践：https://www.modelscope.cn/learn/575?pid=543

#### Baseline代码精读
##### 主体任务
1. **安装和卸载依赖包**：使用`!pip`命令安装或卸载必要的Python包（如`simple-aesthetics-predictor`, `data-juicer`, `lightning`等）。

2. **数据集加载与预处理**：
- 使用ModelScope加载`lowres_anime`数据集，并将其转换为RGB格式保存。
- 创建一个JSONL文件，包含每张图像的路径及其文本描述。
3. **数据过滤与处理**：
- 使用Data-Juicer库对图像尺寸和长宽比进行过滤，并将过滤后的数据保存在新的JSONL文件中。
4. **数据整理与特征提取**：
- 从过滤后的数据中提取文本描述和图像文件路径。
- 使用CLIP模型对图像和文本进行特征提取，并计算相似度分数。
- 将处理后的数据存储为CSV格式文件。
5. **PyTorch 数据集与数据加载器（lora模型微调）**：
- 创建自定义PyTorch数据集类`CustomDataset`，使用DataLoader进行批处理。
- 解释如何利用可图（Kolors）的Lora模块进行微调训练。
6. **文本到图像生成**：
- 使用`StableDiffusionPipeline`基于输入的提示生成图像。
- 调整提示词和参数生成不同的图像。
#### 基于话剧的连环画制作
通过详细设计不同场景的提示词，每个场景围绕一位黑发少女在中世纪风格教室和幻境森林中的学习、梦境及与王子的互动展开。各场景通过详细的提示词来引导AI生成符合场景描述的图片，如“西幻风, 3D立体, 黑发少女...”。
#### 实践结果
经过上述步骤的实现，最终生成了一系列有趣且具备一定连贯性的场景图片，这些图片在各个细节上较好地满足了给定的提示词要求，展示了AI生图模型的强大能力。 kol数据集jsonclipcli提示词pytorchdiffusioncsvtpu图像生成git文本到图像stablediffusion文本到图像生成promptcodesdxlpandas数据保存