Bootstrap

Datawhale X 魔搭 AI夏令营第四期 AIGC方向 task02笔记

AI工具使用

1. baseline 代码

!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

from modelscope.msdatasets import MsDataset

ds = MsDataset.load(
    'AI-ModelScope/lowres_anime',
    subset_name='default',
    split='train',
    cache_dir="/mnt/workspace/kolors/data"
)

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")

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

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


texts, file_names = [], []
os.makedirs("./data/data-juicer/output/images", exist_ok=True)
with open("./data/data-juicer/output/result.jsonl", "r") as f:
    for line in tqdm(f):
        metadata = json.loads(line)
        texts.append(metadata["text"])
        file_names.append(metadata["image"][0])

df = pd.DataFrame({"text": texts, "file_name": file_names})
df.to_csv("./data/data-juicer/output/result.csv", index=False)

df

from transformers import CLIPProcessor, CLIPModel
import torch

model = CLIPModel.from_pretrained("openai/clip-vit-base-patch32")
processor = CLIPProcessor.from_pretrained("openai/clip-vit-base-patch32")

images = [Image.open(img_path) for img_path in df["file_name"]]
inputs = processor(text=df["text"].tolist(), images=images, return_tensors="pt", padding=True)

outputs = model(**inputs)
logits_per_image = outputs.logits_per_image  # this is the image-text similarity score
probs = logits_per_image.softmax(dim=1)  # we can take the softmax to get the probabilities

probs

from torch.utils.data import Dataset, DataLoader

class CustomDataset(Dataset):
    def __init__(self, df, processor):
        self.texts = df["text"].tolist()
        self.images = [Image.open(img_path) for img_path in df["file_name"]]
        self.processor = processor

    def __len__(self):
        return len(self.texts)

    def __getitem__(self, idx):
        inputs = self.processor(text=self.texts[idx], images=self.images[idx], return_tensors="pt", padding=True)
        return inputs

dataset = CustomDataset(df, processor)
dataloader = DataLoader(dataset, batch_size=8)

for batch in dataloader:
    outputs = model(**batch)
    logits_per_image = outputs.logits_per_image
    probs = logits_per_image.softmax(dim=1)
    print(probs)

import torch
from diffusers import StableDiffusionPipeline

torch.manual_seed(1)
pipe = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v-1-4", torch_dtype=torch.float16)
pipe = pipe.to("cuda")

prompt = "二次元，一个紫色长发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌，手持话筒"
negative_prompt = "丑陋、变形、嘈杂、模糊、低对比度"
guidance_scale = 4
num_inference_steps = 50

image = pipe(
    prompt=prompt,
    negative_prompt=negative_prompt,
    guidance_scale=guidance_scale,
    num_inference_steps=num_inference_steps,
    height=1024,
    width=1024,
).images[0]

image.save("example_image.png")
image

from PIL import Image

torch.manual_seed(1)
image = pipe(
    prompt="二次元，日系动漫，演唱会的观众席，人山人海，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席，舞台上衣着华丽的歌星们在唱歌",
    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")

torch.manual_seed(1)
image = pipe(
    prompt="二次元，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席，露出憧憬的神情",
    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("2.jpg")

torch.manual_seed(2)
image = pipe(
    prompt="二次元，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席，露出憧憬的神情",
    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")

torch.manual_seed(5)
image = pipe(
    prompt="二次元，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙，对着流星许愿，闭着眼睛，十指交叉，侧面",
    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")

torch.manual_seed(0)
image = pipe(
    prompt="二次元，一个紫色中等长度头发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌",
    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")

torch.manual_seed(1)
image = pipe(
    prompt="二次元，一个紫色长发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌，手持话筒",
    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")

torch.manual_seed(7)
image = pipe(
    prompt="二次元，紫色长发少女，穿着黑色连衣裙，试衣间，心情忐忑",
    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")

torch.manual_seed(0)
image = pipe(
    prompt="二次元，紫色长发少女，穿着黑色礼服，连衣裙，在台上唱歌",
    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")

import numpy as np
from PIL import Image


images = [np.array(Image.open(f"{i}.jpg")) for i in range(1, 9)]
image = np.concatenate([
    np.concatenate(images[0:2], axis=1),
    np.concatenate(images[2:4], axis=1),
    np.concatenate(images[4:6], axis=1),
    np.concatenate(images[6:8], axis=1),
], axis=0)
image = Image.fromarray(image).resize((1024, 2048))
image

2. 使用通义千问理解代码

2.1 工作流程

这段代码主要涉及了以下几个部分的工作流程：

  1. 环境设置与依赖安装
  • 使用!pip install命令安装一系列Python包，包括simple-aesthetics-predictor, data-juicer, peft, lightning, pandas, torchvision, 和 DiffSynth-Studio。
  • 卸载并重新安装pytorch-lightning。
  1. 数据集加载与预处理
  • 加载名为AI-ModelScope/lowres_anime的数据集，并指定子集和拆分类型为训练集。
  • 创建必要的目录结构用于存储图像和元数据。
  • 遍历数据集，将图像转换为RGB格式并保存到指定目录，同时构建包含文本描述和图像路径的元数据JSONL文件。
  1. 数据过滤与处理配置
  • 编写YAML配置文件，定义数据处理流程，包括过滤图像大小和长宽比，以及输出路径等参数。
  • 使用data_juicer工具根据配置文件处理数据集，生成处理后的结果文件。
  1. 数据整理与模型预测
  • 将处理后的数据整理成DataFrame，并将其保存为CSV文件。
  • 加载CLIP模型和处理器，对图像和文本进行编码，计算图像与文本之间的相似性分数。
  • 创建自定义PyTorch数据集和数据加载器，使用CLIP模型进行批量预测。
  1. 图像生成
  • 利用StableDiffusionPipeline生成基于给定提示（prompt）的二次元图像。
  • 指定不同的种子以生成不同的图像实例，同时设定负面提示（negative prompt）来避免某些不希望出现的特征。
  • 保存生成的图像，并组合多个图像成一个大图以便展示。

整个流程从数据集的加载开始，经过数据预处理、数据过滤、特征提取和相似性计算，最后通过文本到图像的生成模型产生新的图像。每一部分都紧密相连，共同完成了从数据到生成图像的完整工作流。

2.2 逐行释意

以下是逐行代码及对应的中文注释：

# 安装simple-aesthetics-predictor库
!pip install simple-aesthetics-predictor

# 以可编辑模式安装data-juicer库，-v参数表示详细模式
!pip install -v -e data-juicer

# 卸载pytorch-lightning库，-y参数表示自动确认卸载
!pip uninstall pytorch-lightning -y

# 安装peft, lightning, pandas 和 torchvision库
!pip install peft lightning pandas torchvision

# 以可编辑模式安装DiffSynth-Studio库
!pip install -e DiffSynth-Studio

# 从modelscope导入MsDataset类
from modelscope.msdatasets import MsDataset

# 加载ModelScope上的lowres_anime数据集，subset_name指定子集，split指定数据集划分，cache_dir指定缓存目录
ds = MsDataset.load(
    'AI-ModelScope/lowres_anime',
    subset_name='default',
    split='train',
    cache_dir="/mnt/workspace/kolors/data"
)

# 导入json和os模块
import json, os

# 导入SpecialTokens类（未在后续代码中使用）
from data_juicer.utils.mm_utils import SpecialTokens

# 导入tqdm模块，用于显示进度条
from tqdm import tqdm

# 创建目录用于存放训练图像，exist_ok参数设为True表示如果目录已存在则不抛出异常
os.makedirs("./data/lora_dataset/train", exist_ok=True)

# 创建目录用于存放data-juicer的输入文件
os.makedirs("./data/data-juicer/input", exist_ok=True)

# 打开metadata.jsonl文件用于写入，"w"表示写模式
with open("./data/data-juicer/input/metadata.jsonl", "w") as f:
    # 遍历数据集ds中的每一项，使用tqdm显示进度
    for data_id, data in enumerate(tqdm(ds)):
        # 将图像转换为RGB模式
        image = data["image"].convert("RGB")
        
        # 保存图像到指定目录
        image.save(f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg")
        
        # 创建元数据字典，包含文本描述和图像路径
        metadata = {"text": "二次元", "image": [f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg"]}
        
        # 将元数据写入文件，每条数据后跟一个换行符
        f.write(json.dumps(metadata))
        f.write("\n")

# 定义data_juicer的配置字符串，包含了数据处理的参数
data_juicer_config = """
# 全局参数
project_name: 'data-process'
dataset_path: './data/data-juicer/input/metadata.jsonl'  # 数据集目录或文件的路径
np: 4  # 处理数据集时使用的子进程数量

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

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

# 处理计划，一系列的数据处理操作及其参数
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
"""

# 写入data_juicer配置到文件
with open("data/data-juicer/data_juicer_config.yaml", "w") as file:
    file.write(data_juicer_config.strip())

# 调用dj-process命令，--config参数指定配置文件路径
!dj-process --config data/data-juicer/data_juicer_config.yaml

# 导入pandas库
import pandas as pd

# 再次导入os和json模块（已经导入过，此处重复）
import os, json

# 导入Image模块，用于图像处理
from PIL import Image

# 创建目录用于存放处理后的图像
os.makedirs("./data/data-juicer/output/images", exist_ok=True)

# 打开result.jsonl文件，读取处理后的数据
with open("./data/data-juicer/output/result.jsonl", "r") as f:
    # 初始化两个空列表，用于存储文本和图像文件名
    texts, file_names = [], []
    
    # 遍历文件中的每一行
    for line in tqdm(f):
        # 解析每一行的JSON数据
        metadata = json.loads(line)
        
        # 提取文本和图像路径，添加到列表中
        texts.append(metadata["text"])
        file_names.append(metadata["image"][0])

# 创建一个DataFrame，列名为"text"和"file_name"
df = pd.DataFrame({"text": texts, "file_name": file_names})

# 将DataFrame保存为CSV文件，index=False表示不保存索引
df.to_csv("./data/data-juicer/output/result.csv", index=False)

# 显示DataFrame的内容
df

# 从transformers导入CLIPProcessor和CLIPModel类
from transformers import CLIPProcessor, CLIPModel

# 导入torch库
import torch

# 从预训练模型加载CLIP模型
model = CLIPModel.from_pretrained("openai/clip-vit-base-patch32")

# 从预训练模型加载CLIP处理器
processor = CLIPProcessor.from_pretrained("openai/clip-vit-base-patch32")

# 加载图像并使用processor预处理图像和文本
images = [Image.open(img_path) for img_path in df["file_name"]]
inputs = processor(text=df["text"].tolist(), images=images, return_tensors="pt", padding=True)

# 使用模型进行前向传播，获取图像-文本相似度分数
outputs = model(**inputs)

# 获取图像-文本相似度分数
logits_per_image = outputs.logits_per_image

# 计算概率分布
probs = logits_per_image.softmax(dim=1)

# 查看概率分布
probs

# 从torch.utils.data导入Dataset和DataLoader类
from torch.utils.data import Dataset, DataLoader

# 定义一个自定义数据集类CustomDataset
class CustomDataset(Dataset):
    def __init__(self, df, processor):
        self.texts = df["text"].tolist()  # 文本列表
        self.images = [Image.open(img_path) for img_path in df["file_name"]]  # 图像列表
        self.processor = processor  # 预处理器实例

    def __len__(self):
        return len(self.texts)  # 返回数据集大小

    def __getitem__(self, idx):
        # 对单个样本进行预处理并返回
        inputs = self.processor(text=self.texts[idx], images=self.images[idx], return_tensors="pt", padding=True)
        return inputs

# 使用CustomDataset和DataLoader创建数据集和数据加载器
dataset = CustomDataset(df, processor)
dataloader = DataLoader(dataset, batch_size=8)

# 遍历数据加载器中的每个批次，使用模型进行前向传播并查看概率分布
for batch in dataloader:
    outputs = model(**batch)
    logits_per_image = outputs.logits_per_image
    probs = logits_per_image.softmax(dim=1)
    print(probs)

# 导入torch库（已经导入过，此处重复）
import torch

# 从diffusers导入StableDiffusionPipeline类
from diffusers import StableDiffusionPipeline

# 设置随机种子，确保生成过程的一致性
torch.manual_seed(1)

# 从预训练模型加载StableDiffusionPipeline模型
pipe = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v-1-4", torch_dtype=torch.float16)

# 将模型移动到CUDA设备上
pipe = pipe.to("cuda")

# 设置提示语
prompt = "二次元，一个紫色长发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌，手持话筒"

# 设置负向提示语
negative_prompt = "丑陋、变形、嘈杂、模糊、低对比度"

# 设置指导比例
guidance_scale = 4

# 设置推理步数
num_inference_steps = 50

# 使用管道生成图像
image = pipe(
    prompt=prompt,
    negative_prompt=negative_prompt,
    guidance_scale=guidance_scale,
    num_inference_steps=num_inference_steps,
    height=1024,
    width=1024,
).images[0]

# 保存生成的图像
image.save("example_image.png")

# 显示图像
image

# 导入numpy和Image模块（numpy已经导入过，此处重复）
import numpy as np
from PIL import Image

# 设置随机种子，确保生成过程的一致性
torch.manual_seed(1)

# 使用管道生成图像并保存
image = pipe(
    prompt="二次元，日系动漫，演唱会的观众席，人山人海，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席，舞台上衣着华丽的歌星们在唱歌",
    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")

# 设置随机种子，确保生成过程的一致性
torch.manual_seed(1)

# 使用管道生成图像并保存
image = pipe(
    prompt="二次元，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席，露出憧憬的神情",
    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("2.jpg")

# 设置随机种子，确保生成过程的一致性
torch.manual_seed(2)

# 使用管道生成图像并保存
image = pipe(
    prompt="二次元，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席，露出憧憬的神情",
    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")

# 设置随机种子，确保生成过程的一致性
torch.manual_seed(5)

# 使用管道生成图像并保存
image = pipe(
    prompt="二次元，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙，对着流星许愿，闭着眼睛，十指交叉，侧面",
    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")

# 设置随机种子，确保生成过程的一致性
torch.manual_seed(0)

# 使用管道生成图像并保存
image = pipe(
    prompt="二次元，一个紫色中等长度头发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌",
    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")

# 设置随机种子，确保生成过程的一致性
torch.manual_seed(1)

# 使用管道生成图像并保存
image = pipe(
    prompt="二次元，一个紫色长发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌，手持话筒",
    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")

# 设置随机种子，确保生成过程的一致性
torch.manual_seed(7)

# 使用管道生成图像并保存
image = pipe(
    prompt="二次元，紫色长发少女，穿着黑色连衣裙，试衣间，心情忐忑",
    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")

# 设置随机种子，确保生成过程的一致性
torch.manual_seed(0)

# 使用管道生成图像并保存
image = pipe(
    prompt="二次元，紫色长发少女，穿着黑色礼服，连衣裙，在台上唱歌",
    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")

# 加载多个图像，使用numpy转换为数组
images = [np.array(Image.open(f"{i}.jpg")) for i in range(1, 9)]

# 拼接图像
image = np.concatenate([
    np.concatenate(images[0:2], axis=1),
    np.concatenate(images[2:4], axis=1),
    np.concatenate(images[4:6], axis=1),
    np.concatenate(images[6:8], axis=1),
], axis=0)

# 使用PIL从数组创建图像，并调整尺寸
image = Image.fromarray(image).resize((1024, 2048))

# 显示最终拼接的图像
image

这段代码涵盖了从数据集的加载、图像预处理、模型预测、数据集封装、图像生成到图像拼接的整个工作流程。

3. 使用通义千问生成 Prompt

3.1 生成的 Prompt

基于你的要求，这里是每张图片的生图提示词：

  1. 仙侠，水墨画，一个黑发飘逸的少女，全身着装白色仙门弟子服，手持长剑，在清晨的山巅，朝阳映照下，正对着东方初升的太阳练习剑法，全身，背景是雾气缭绕的山峰和松柏。

  2. 仙侠，动态描绘，少女脚踏飞剑，衣袂飘飘，凌空飞翔于云海之上，全身，背景是辽阔的天空和下方连绵起伏的山脉。

  3. 仙侠，细腻描绘，少女站在山门之前，背着行囊，准备下山，目光坚定，上半身特写，背景是宏伟的山门和远方的村落。

  4. 仙侠，紧张氛围，一群狰狞的妖怪在村庄中肆虐，房屋倒塌，火光冲天，全身，背景是混乱的村庄和村民们四散奔逃的景象。

  5. 仙侠，英勇战斗，少女挥舞长剑，与妖怪激战，剑光闪烁，全身，背景是被破坏的村庄一角，妖怪的尸体散落周围。

  6. 仙侠，温馨场景，少女被一群感激的村民围绕，接受他们的鲜花和食物，上半身，背景是重建中的村庄和欢乐的村民。

  7. 仙侠，归来时刻，少女身着尘土飞扬的旅装，重新踏上通往山门的道路，全身，背景是夕阳下的山路和逐渐消失在视线中的村庄。

  8. 仙侠，循环不息，少女回到山顶，再次拿起长剑，对着同一棵木桩，开始新的一轮剑术练习，全身，背景是熟悉的院子和远处的山峦。

这些描述结合了仙侠元素、动作、人物和环境，可以作为生成图像的依据。如果需要调整任何细节，请随时告知！

3.1 根据 Prompt 生成的图片

12
34
56
78

相关链接

  1. Datawhale活动页面
  2. 通义千问
  3. 魔搭体验网址
  4. Scepter与WebUI，一站式生成编辑工具箱
  5. 《AIGC未来已来》
  6. AI绘画的发展历史（GAN、diffusion、VAE…)

悦读

道可道，非常道；名可名，非常名。 无名，天地之始，有名，万物之母。 故常无欲，以观其妙，常有欲，以观其徼。 此两者，同出而异名，同谓之玄，玄之又玄，众妙之门。

最新收录
征途新开私服发布网-www.sf1223.cn海量优质私服发布平台189
个人定制化形象生成，FaceChain最新模型部署
java打印代码执行耗时
oracle里的事务
SpringCloud 源码系列（1）—— 注册中心 Eureka（上）
Bluetooth--001
C++ primer Plus 第十二章：类和动态内存分配
Qt事件机制
apollo自动驾驶进阶学习之：如何实现慢速车绕行超车及其参数调试
使 Mybatis-Plus 支持 GBase8s 的分页查询
;