继续Stable-Diffusion WEBUI方方面面研究(内容索引)

（零）前言

关于Stable-Diffusion WEBUI，我发现网上各种教程真的很多。
写得很好很详细的也不少，读了感觉比我写的好多了，无论是原理和相关论文还是操作和细节。

所以准备记录下Stable-Diffusion WEB UI的方方面面，以及哪里去看相关的资料。
这篇应该需要不断的补充，某些插件可能导致界面有变化。

阅读提示：

• 我不会但想用：在：《浅谈Stable-Diffusion(AI绘图)的基础和使用》 里面我写了最基本的使用。
• 我想画更好看：提示——适合的模型，好的提示词，合理的参数。
• 我要更多风格：提示——（下载）更多的基础模型，LoRA模型。
• 我要画我自己：提示——训练自己的模型（训练自己的画风）。
• 我的模型好么：提示——可选附加网络(LoRA插件)，对比模型/权重参数等。
• 生成高分辨率：提示——附加功能，插件：缩放。
• 更好控制细节：提示——插件：ControlNet。

（一）绘图

（1.1）模型

（1.1.1）基础模型（Stable-diffusion模型）

根据你绘图的目标，需要选择一种基础模型，人物/风景/建筑/宇宙/动漫/仿真？
参考：xiaolxl的国风3@抱脸，请自行了解huggingface.co上的模型。比如但不局限于：

• 原始基础：SD v1.5
• 常见动漫：OpenJourney，Anything，NovalAI(就那整合包啊)，RedShift ……
• 仿真风格：Dreamlike-Photoreal，BasilMix(融合亚洲脸)，ChilloutMix(清凉组合/亚洲)，URPM(注意NSFW) ……

（1.1.2）人物模型（LoRA模型）

注意版权，比如各地girllikeness模型……

• 参考：https://openai.wiki/lora-model-part-1.html，以及part2,3。
• 参考：https://www.bilibili.com/read/cv20039815。
• 参考：https://aigallery.design/chinese-diffusion-models.html，呃，明星？

（1.2）绘图方式

（1.2.1）文生图（Text to Image）

（1.2.1.1）提示词/模板风格（Prompt / Styles）

• 正向提示词：描述希望图片生成为什么样子的词语（highres, beautiful, masterpiece）。

• 反向提示词：不希望图片出现的内容（lowres, ugly, blurry…）。

• 模板风格：比较完美的一组正反提示词，可以保存成一个“模板风格”，今后重复调用。
  用模板风格可以存储别人的提示词配置用来生成同样的效果。
  很多模型通常都来自网站，但是现在国内访问不了？：civitai 。
  也可以参考：Danbooru 标签超市 ，或提示词学徒库 。
  或小日子过得不错的另类寻找图像提示NSFW❗❗❗

• (强调) / [弱化]:权重：提示词中出现：(photorealistic:1.4)是强调photorealistic，并且权重是1.4（光标放单词上后，就可以Ctrl+上/下箭头快速调节呢）。圆括号越多越强调——而方括号则是弱化，越多方括号越弱。

• LoRA模型提示词：提示词中出现： 就是LoRA模型的提示词，后面1.0也是权重，调节同上。

（1.2.1.2）采样（Sampling）

• 采样方法(Sampler) ：通常：DPM++ SDE karras ，参考Stable diffusion webui如何工作以及采样方法的对比
• 采样迭代步数(Steps) ：迭代多少次，通常至少20起步。

（1.2.1.3）修复（Restore or Fix）

• 面部修复(Restore faces)：通常都勾选，由于神经网络无法完全捕捉人脸的微妙细节和变化，导致产生了不自然或扭曲的结果。实测似乎还带了美颜的效果（汗），总之人像的话选中它就对了。
  面部修复对比（左关,右开）例子：
  
• 高清修复(Hires. fix)：由于Stable-Diffusion模型的原因（512x512）不适合直接生成高分辨率照片。
  所以可以设置低分辨率并选中这个选项。有人说慎选，其实可以自己尝试【生成低分辨率+高清修复】vs【直接高分辨率】哪个更好。
  工作原理可看WEBUI仓库的WIKI。
  高清修复对比（关,开,直接生成高分辨率）例子： 直接生成高分辨率就算随机种子一致结果也不同了……
  

（1.2.1.4）其它参数

• 分辨率(Width and Height)：长x宽。概念大家都知道。 在AI作图中并不是分辨率选得高图就仅仅变大（处理时间变长）而已。模型会适合一定范围内的分辨率（通常都不大），所以我们一般只选择384x512 -> 600x800 这种不太高的分辨率。如果要生成大图则需要配合前面的【高清修复】，或则使用【附加功能】的图片放大，或则两者配合。
• 生成批次/每批数量(Batch count / Batch size) ：重复生成多少次 x 每次生成几张 = 本次最后生成的图片数量，都设为1就是单张。注意【每批数量】是很考验显存的，如果显卡不是很强悍（显存不够大）那还是别设置高了（会OOM报错的）。
• 提示词相关性(CFG Scale)：图像与你的提示的匹配程度。参考Stable Diffusion 新手入门手册，通常5-8，设太高会偏执的要画提示词内容，结果可能很怪，可同时增加【采样迭代步数】来缓和。
• 随机种子(seed)：这怎么解释，后面的骰子图标是填入-1（随机），回收站图标是填入上次用过的值。

做到这里就可以生成图片了。

（1.2.1.5）插件：可选附加网络(LoRA插件)（Additional networks）

⭐需要在WEBUI中安装插件。
用于对比各种参数生成图的不同效果（测试模型）
正常使用时不用，参考：Stable diffusion打造自己专属的LORA模型

（1.2.1.6）插件：ControlNet

⭐需要在WEBUI中安装插件。
需要下载多个不同模型。

用模型进一步控制生成的图片内容，
可用多种算法检测已有图片的边缘，深度，身体手部姿态。或则来自涂鸦，生成新的图片。

需要精确控制图片输出时使用，参考：ControlNet｜使用教程
比如（很多控制，这里只放2个例子，简单看看吧）：

• OpenPose 姿态检测
  

• Canny 边缘检测
  

（1.2.1.7）脚本（Script）

• x/y/z图表
  我只用过【x/y/z图表】，可以配合上面的可选附加网络，生成对比矩阵图片，一般用来测试模型。
  但自己观察到的对比图，和实际输出的模型参数组合，似乎有偏差，目前仅作参考吧。
• Controlnet-M2M
  可以配合ControlNet把视频进行逐帧处理，最后形成一个GIF动图，参考：……制作跳舞小姐姐 m2m和mov2mov哪家强……
  有意思的是，连你选的ControlNet模型生成的中间图，也做成动画了。。。
  

（1.2.2）图生图（Image to Image）

和上面文生图一样，只是多了从某一张已有的图片出发。
也引入了 局部重绘 等功能（比如出了一张很满意的图，但是小部分画错了）。

（1.2.3）图片处理（附加功能:放大/抠图等）

（1.2.3.1）处理对象（Source）

• 单张/批量处理：相应的选项卡里，拖入单张或多张图片。
• 从目录批量处理：不打开图片，选择目录所在位置，处理目录下的全部图片。
  如果从目录批量处理，则可以在设置中选择保留原来的文件名，很方便（可惜文件Tag不能保留）。

（1.2.3.2）缩放（Scale）

等比/指定分辨率缩放，不需要解释。

前面提到过，生成图片分辨率需要在一定范围，否则非常容易乱。
而且生成大图开销太大，不如生成完了正常尺寸，再用算法放大。

放大效果如下（能点开看原图吧）：

（1.2.3.3）缩放模型和设置（Upscaler）

不同的模型（算法）有不同的效果。
上图大概是下面这样参数缩放的：

如果需要新的算法，比如上图的4x-UltraSharp则：
需要下载对应模型。（手动下载放入目录也行）

具体可以自己对比不同算法的效果，感觉上面这样比较真实。
可以选择首要算法(Upscaler 1)，和附加算法(Upscaler 2)和它的权重(当然也可不选2)。

（1.2.3.4）插件：抠图（Remove background）

作用是移除背景。

⭐需要在WEBUI中安装插件。
WEBUI中可以查找rembg安装，参考：stable-diffusion-webui-rembg

需要下载多个不同模型。（手动下载放入目录也行）
有好些个模型，比如：silueta.onnx，通用，人物，衣服，等等……

（二）训练

基础模型（大模型）没有条件，这里提到的仅是LoRA模型。

（2.1）数据准备

（2.1.1）筛选照片

这部分感觉比深度伪造（deep fake）要轻松多了。

• 假设训练的是人物，准备自己的人像图片，20 - 40 张就可以了，当然我看模型也有100多张的。
• 尽量简单背景，或进行人像抠图后填充简单颜色背景。
  似乎不是每台电脑都正常能用插件抠图⚠️？
  所以另外的选择可以在线抠图（你用PS自己弄不累嘛），比如：在线抠图，趣作图。抠图不好的话，那些原始素材中不是人物的东西可能也会被生成。
• 处理成同样的分辨率，避免后续自动处理。
• 最好是半身照片，少用大头照，最好不要全身带腿脚的照片（可以自行剪切）。

（2.1.2）预处理照片

用WEB UI的 训练 -> 预处理 标签页的功能，

• 将刚才准备好的照片目录作为输入目录。
• 将某个类似命名 .\xxxxx\100_xxxxx的目录作为输出目录。
• 调整到上一步用的同样的分辨率。
• 勾选使用 deepbooru 生成说明文字(tags)
• 点击【预处理】按钮后，等待图片预处理完成，检查图片和提示词文本。

（2.1.3）提示词(tags)处理

如果背景并不是很乱，发型配饰上没有个人特色，那么可以不处理：）哈哈。
算了‍，还是认真写两句：

• 如果背景很单纯，或已经比较好的抠图，确实可以不处理。
• 检查和图片同名的提示词文本内容，会发现生成了很多已经识别出来的关键词。
• 不在这些自动生成的关键词的图片内容，大概就是你的LoRA模型的特点。
• 如果某个物品是人物特诊的一部分，请删掉这个关键词。
• 可以加入人物名称到关键词第一位（无论是网上说法和实测似乎也没啥用，本条暂时保留）。

（2.1.4）目录命名

刚才提到预处理后的目录叫 .\xxxxx\100_xxxxx。

• xxxxx：是具体的人物简称。
• 100：是里面每张图片训练的次数，这里我看到两种说法，一种是设为6-8，一种是根据图片数量至少设置100。
  这个次数会乘以后面设置的训练参数的epoch数，最后会训练大概几千次吧。

（2.2）训练工具

（2.2.1）选你喜欢的

1. https://github.com/bmaltais/kohya_ss （WEB UI）
2. https://github.com/Akegarasu/lora-scripts （脚本）

实际上都是调用的kohya_ss的sd-scripts。
我比较倾向用脚本那个项目来训练。写配置文件反而比较简单，WEB UI在训练这块用处不大。

两个建议：

1. 用别人做好的整合包和教程，比如脚本训练用：https://www.bilibili.com/video/BV1fs4y1x7p2
2. Python下载依赖时一定要换国内源，比如清华大学的：-i https://pypi.tuna.tsinghua.edu.cn/simple 。当然整合包的话已经换好了，否则可以参考我吐槽下载速度这块，实在慢到吐血（习惯了，Linux，Go，Python哪个不换国内源呢）。

（2.2.2）训练参数

我用的是lora-scripts，训练脚本train.ps1必须得改的几个参数：

• $pretrained_model ：基础模型路径（最好填入WEB UI下的绝对路径，避免拷贝几个GB的数据）
• $train_data_dir ：训练数据集路径（预处理完成的图片和提示词存放目录）
• $resolution ：分辨率（需要多少预处理成多少，填写一致）
• $max_train_epoches ：最大训练 epoch （1个epoch是一个完整的数据集通过神经网络一次并且返回一次的过程）
• $save_every_n_epochs ：每几个 epoch 保存一次
• $output_name ：模型保存名称

完整如下（参数可能改动和变化，和项目版本有关）：

# LoRA train script by @Akegarasu

# Train data path | 设置训练用模型、图片
$pretrained_model = "./sd-models/model.ckpt" # base model path | 底模路径
$is_v2_model = 0 # SD2.0 model | SD2.0模型 2.0模型下 clip_skip 默认无效
$parameterization = 0 # parameterization | 参数化 本参数需要和 V2 参数同步使用 实验性功能
$train_data_dir = "./train/aki" # train dataset path | 训练数据集路径
$reg_data_dir = "" # directory for regularization images | 正则化数据集路径，默认不使用正则化图像。

# Network settings | 网络设置
$network_module = "networks.lora" # 在这里将会设置训练的网络种类，默认为 networks.lora 也就是 LoRA 训练。如果你想训练 LyCORIS（LoCon、LoHa） 等，则修改这个值为 lycoris.kohya
$network_weights = "" # pretrained weights for LoRA network | 若需要从已有的 LoRA 模型上继续训练，请填写 LoRA 模型路径。
$network_dim = 32 # network dim | 常用 4~128，不是越大越好
$network_alpha = 32 # network alpha | 常用与 network_dim 相同的值或者采用较小的值，如 network_dim的一半 防止下溢。默认值为 1，使用较小的 alpha 需要提升学习率。

# Train related params | 训练相关参数
$resolution = "512,512" # image resolution w,h. 图片分辨率，宽,高。支持非正方形，但必须是 64 倍数。
$batch_size = 1 # batch size
$max_train_epoches = 10 # max train epoches | 最大训练 epoch
$save_every_n_epochs = 2 # save every n epochs | 每 N 个 epoch 保存一次

$train_unet_only = 0 # train U-Net only | 仅训练 U-Net，开启这个会牺牲效果大幅减少显存使用。6G显存可以开启
$train_text_encoder_only = 0 # train Text Encoder only | 仅训练 文本编码器
$stop_text_encoder_training = 0 # stop text encoder training | 在第N步时停止训练文本编码器

$noise_offset = 0 # noise offset | 在训练中添加噪声偏移来改良生成非常暗或者非常亮的图像，如果启用，推荐参数为 0.1
$keep_tokens = 0 # keep heading N tokens when shuffling caption tokens | 在随机打乱 tokens 时，保留前 N 个不变。
$min_snr_gamma = 0 # minimum signal-to-noise ratio (SNR) value for gamma-ray | 伽马射线事件的最小信噪比（SNR）值  默认为 0

# Learning rate | 学习率
$lr = "1e-4"
$unet_lr = "1e-4"
$text_encoder_lr = "1e-5"
$lr_scheduler = "cosine_with_restarts" # "linear", "cosine", "cosine_with_restarts", "polynomial", "constant", "constant_with_warmup"
$lr_warmup_steps = 0 # warmup steps | 学习率预热步数，lr_scheduler 为 constant 或 adafactor 时该值需要设为0。
$lr_restart_cycles = 1 # cosine_with_restarts restart cycles | 余弦退火重启次数，仅在 lr_scheduler 为 cosine_with_restarts 时起效。

# Output settings | 输出设置
$output_name = "aki" # output model name | 模型保存名称
$save_model_as = "safetensors" # model save ext | 模型保存格式 ckpt, pt, safetensors

# Resume training state | 恢复训练设置  
$save_state = 0 # save training state | 保存训练状态 名称类似于 -??????-state ?????? 表示 epoch 数
$resume = "" # resume from state | 从某个状态文件夹中恢复训练 需配合上方参数同时使用 由于规范文件限制 epoch 数和全局步数不会保存 即使恢复时它们也从 1 开始 与 network_weights 的具体实现操作并不一致

# 其他设置
$min_bucket_reso = 256 # arb min resolution | arb 最小分辨率
$max_bucket_reso = 1024 # arb max resolution | arb 最大分辨率
$persistent_data_loader_workers = 0 # persistent dataloader workers | 容易爆内存，保留加载训练集的worker，减少每个 epoch 之间的停顿
$clip_skip = 2 # clip skip | 玄学 一般用 2
$multi_gpu = 0 # multi gpu | 多显卡训练 该参数仅限在显卡数 >= 2 使用
$lowram = 0 # lowram mode | 低内存模式 该模式下会将 U-net 文本编码器 VAE 转移到 GPU 显存中 启用该模式可能会对显存有一定影响

# 优化器设置
$optimizer_type = "AdamW8bit" # Optimizer type | 优化器类型 默认为 8bitadam，可选：AdamW AdamW8bit Lion SGDNesterov SGDNesterov8bit DAdaptation AdaFactor

# LyCORIS 训练设置
$algo = "lora" # LyCORIS network algo | LyCORIS 网络算法 可选 lora、loha、lokr、ia3、dylora。lora即为locon
$conv_dim = 4 # conv dim | 类似于 network_dim，推荐为 4
$conv_alpha = 4 # conv alpha | 类似于 network_alpha，可以采用与 conv_dim 一致或者更小的值
$dropout = "0"  # dropout | dropout 概率, 0 为不使用 dropout, 越大则 dropout 越多，推荐 0~0.5， LoHa/LoKr/(IA)^3暂时不支持

（2.2.3）训练过程（例）

相比深度伪造(训练N天)来说，这个训练(N分钟)简直太轻松了。
当然功劳是LoRA模型，之前训练过嵌入式模型也很痛苦的。

prepare tokenizer
update token length: 225
Use DreamBooth method.
prepare images.
found directory train\xxxxx\10_xxxxx contains 40 image files
400 train images with repeating.
0 reg images.
no regularization images / 正則化画像が見つかりませんでした
[Dataset 0]
  batch_size: 1
  resolution: (576, 768)
  enable_bucket: True
  min_bucket_reso: 256
  max_bucket_reso: 1024
  bucket_reso_steps: 64
  bucket_no_upscale: False

  [Subset 0 of Dataset 0]
    image_dir: "train\xxxxx\10_xxxxx"
    image_count: 40
    num_repeats: 10
    shuffle_caption: True
    keep_tokens: 0
    caption_dropout_rate: 0.0
    caption_dropout_every_n_epoches: 0
    caption_tag_dropout_rate: 0.0
    color_aug: False
    flip_aug: False
    face_crop_aug_range: None
    random_crop: False
    token_warmup_min: 1,
    token_warmup_step: 0,
    is_reg: False
    class_tokens: xxxxx
    caption_extension: .txt

[Dataset 0]
loading image sizes.
100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 40/40 [00:00<00:00, 5000.66it/s]
make buckets
number of images (including repeats) / 各bucketの画像枚数（繰り返し回数を含む）
bucket 0: resolution (576, 768), count: 400
mean ar error (without repeats): 0.0
prepare accelerator
Using accelerator 0.15.0 or above.
loading model for process 0/1
load StableDiffusion checkpoint
loading u-net: <All keys matched successfully>
loading vae: <All keys matched successfully>
loading text encoder: <All keys matched successfully>
Replace CrossAttention.forward to use xformers
[Dataset 0]
caching latents.
100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 40/40 [00:13<00:00,  2.99it/s]
import network module: networks.lora
create LoRA network. base dim (rank): 32, alpha: 32.0
create LoRA for Text Encoder: 72 modules.
create LoRA for U-Net: 192 modules.
enable LoRA for text encoder
enable LoRA for U-Net
prepare optimizer, data loader etc.

===================================BUG REPORT===================================
Welcome to bitsandbytes. For bug reports, please submit your error trace to: https://github.com/TimDettmers/bitsandbytes/issues
For effortless bug reporting copy-paste your error into this form: https://docs.google.com/forms/d/e/1FAIpQLScPB8emS3Thkp66nvqwmjTEgxp8Y9ufuWTzFyr9kJ5AoI47dQ/viewform?usp=sf_link
================================================================================
CUDA SETUP: Loading binary D:\xxxx\lora-scripts\venv\lib\site-packages\bitsandbytes\libbitsandbytes_cuda116.dll...
use 8-bit AdamW optimizer | {}
override steps. steps for 10 epochs is / 指定エポックまでのステップ数: 4000
running training / 学習開始
  num train images * repeats / 学習画像の数×繰り返し回数: 400
  num reg images / 正則化画像の数: 0
  num batches per epoch / 1epochのバッチ数: 400
  num epochs / epoch数: 10
  batch size per device / バッチサイズ: 1
  gradient accumulation steps / 勾配を合計するステップ数 = 1
  total optimization steps / 学習ステップ数: 4000
steps:   0%|                                                                                                                                                      | 0/4000 [00:00<?, ?it/s]epoch 1/10
steps:  10%|███████████████                                                                                                                                        | 400/4000 [05:33<50:00,  1.20it/s, loss=0.126]epoch 2/10
steps:  20%|██████████████████████████████▏                                                                                                                        | 800/4000 [11:11<44:47,  1.19it/s, loss=0.105]saving checkpoint: ./output\xxxxx-000002.safetensors
epoch 3/10
steps:  30%|█████████████████████████████████████████████                                                                                                         | 1200/4000 [16:51<39:19,  1.19it/s, loss=0.123]epoch 4/10
steps:  40%|████████████████████████████████████████████████████████████                                                                                          | 1600/4000 [22:20<33:30,  1.19it/s, loss=0.128]saving checkpoint: ./output\xxxxx-000004.safetensors
epoch 5/10
steps:  50%|███████████████████████████████████████████████████████████████████████████                                                                           | 2000/4000 [27:48<27:48,  1.20it/s, loss=0.117]epoch 6/10
steps:  60%|██████████████████████████████████████████████████████████████████████████████████████████▌                                                            | 2400/4000 [33:17<22:11,  1.20it/s, loss=0.11]saving checkpoint: ./output\xxxxx-000006.safetensors
epoch 7/10
steps:  70%|█████████████████████████████████████████████████████████████████████████████████████████████████████████                                             | 2800/4000 [38:52<16:39,  1.20it/s, loss=0.112]epoch 8/10
steps:  80%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████                              | 3200/4000 [44:30<11:07,  1.20it/s, loss=0.124]saving checkpoint: ./output\xxxxx-000008.safetensors
epoch 9/10
steps:  90%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████               | 3600/4000 [50:08<05:34,  1.20it/s, loss=0.117]epoch 10/10
steps:  92%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋            | 3673/4000 [51:48<04:36,  1.18it/s, loss=0.112]

（2.2.4）训练结果

只看loss是不行的，需要避免欠拟合和过拟合，但我们又看不出来。
最好用这个章节的方法，对比一下不同阶段输出的模型效果：

（1.2.1.5）插件：可选附加网络(LoRA插件)

但是我感觉和实际生成不太一样，并不是很靠谱。
目前来看，我还不太懂如何训练出比较好的模型，如果人站得远通常五官就很奇怪。