微调Stable Diffusion生成你专属的毛利兰🤖️

最近在研究AIGC🤖️技术，看了很多微调方法、论文层。但搞技术这么能纸上谈兵呢？今天本柯南迷就想来实践生成美少女小兰👸

在这篇文章里，我选用了 textual inversion和dreambooth📷来做比较，这两种方法都是通过扩大词字典的嵌入，来插入新的概念。

训练图片处理

在网上找到了11张高清的小兰🌸特写图，尽量找人物主体比较鲜明的图片，这样才能让模型更好地学习到人物特征~ 为了图片不因为resize而变形，这里使用letterbox方法将图片先处理为512×512大小的尺寸：

js 复制代码

def letterbox_image(image, size=(512, 512), color=(0, 0, 0), scale=False):
    iw, ih = image.size
    w, h = size

    scale = min(w / iw, h / ih)
    nw = int(iw * scale)
    nh = int(ih * scale)

    image = image.resize((nw, nh), Image.BICUBIC)
    new_image = Image.new('RGB', size, color)
    new_image.paste(image, ((w - nw) // 2, (h - nh) // 2))
    return new_image

到这一步，我们需要训练的人物主体数据就处理好啦~

dreambooth微调

dreambooth的效果类似于照相摄影棚------一旦拍摄了几张某个对象的照片，摄影棚就会生成包含该对象在不同条件和场景下的照片。 dreambooth的目标是扩展模型的语言视觉词典，一旦新词典嵌入模型，模型就可以在不同的背景场景下生成新词主题，同时保留其关键识别特征。

这个新词可以用标识符（identifier）来表示，为了防止语言漂移，需要在标识符的后面加入这个新词的大类，比如："A [V] dog"，[V]为标识符，dog为大类。

为了防止语言漂移，研究者提出了 Class-specific Prior Preservation Loss

dreambooth微调代码

github.com/CrazyBoyM/d...

转换ckpt检查点文件为diffusers官方权重

这里我选用了huggingface.co/runwayml/st... 上的模型，如果只有.ckpt文件，就需要按照readme的指示转换权重

js 复制代码

!python tools/ckpt2diffusers.py \
    --checkpoint_path=./ckpt_models/v1-5-pruned_emaonly.ckpt \
    --dump_path=./model \
    --original_config_file=./ckpt_models/model.yaml \
    --scheduler_type="ddim"

若出现加载的checkpoint和模型的不一致，需要修改statedict中的key和value。

训练object脚本的输入

下一步进入到train_object.sh脚本，我们看到在训练之前需要准备的输入：

INSTANCE_DIR: 一开始处理完的小兰的数据集的路径 CLASS_DIR: 我们还需要准备一个class的数据集，这里我把这个class设为girl，并在网上找了11张动漫少女的图片：

同样使用上面letterbox的方法对图片进行处理，最后放在CLASS_DIR下

TEST_PROMPTS_FILE：用于测试的prompt，可以使用deepdanbooru对预期的图片生成对应的标签。

最后生成的效果

prompt🌹 A photo of a doctor as Mouriran girl, in the hospital, black_hair, looking_at_viewer, smiling, open mouth, white clothes.

prompt🌹 A photo of a professor as Mouriran girl, black_hair, looking_at_viewer, smiling, blue blouse.

可以看出来dreambooth模型学习得比较好，仅仅1000个steps就能捕捉到小兰的特征（特别是头发那个角角），15-20分钟即可训练好。

textual inversion微调

虽然dreambooth能够较好地拟合要学习的主体的特征，但是微调了整个模型，参数量较大，而且每次学习一个新的概念都要重新训练，所以这里我们再探究一下使用textual inversion，这种更轻量级方法的效果。

比起dreambooth需要微调整个模型，textual inversion仅仅只需要微调要插入的词对应的embeddings

loss跟stable diffusion的类似：

代码仓库

这里直接使用diffusers库里examples的训练代码： github.com/huggingface...

根据readme跑代码

修改相关参数设置

js 复制代码

--pretrained_model_name_or_path: 跟微调dreambooth用到的基础模型一样sdv1-5
--train_data_dir: 一开始处理好的小兰数据路径
--placeholder_token: <mouriran>
--initializer_token: girl
--learnable_property: object
--train_batch_size: 4
--learning_rate: 5e-3

5000个steps大概要花50分钟。。。

最后生成的效果 (5000个steps)

这个生成效果还是比较诡异的。。。。🤢感觉模型应该没有学好对应的embedding，仅仅是生成了漫画风的图片。

根据平时的经验来看，感觉textual inversion还是比较难训的，一是所需要的图片不止3-5张，二是很难学习到主体的细节。如果看到这篇文章的小伙伴有关于使用textual inversion的经验，欢迎评论一起讨论鸭~😃