【AI折腾录】stable web ui基础【sd安装、lora vae embedding hyperwork等基础概念】

转载请注明出处： https://blog.csdn.net/weixin_44013533/article/details/130297373

sd玩了很久了，自去年国庆刚出来，引起一片lsp欢呼，我那段时间也沉迷抽卡。
后续一段时间的炼丹潮也就没跟进了，然后又陆续出来一些大模型像anything3啥的，11月份之后又偶尔玩玩。
今年之后各种技术前仆后继，像早先embedding，后来的lora，controlnet，deforum动画，实在有些跟不上，简直就是日新月异。
偶尔进入贤者时间也会想想，自己不想止步于基础抽卡自娱自乐，要形成生产力才行。
直接放图

上面涉及了三个重要元素：画风、模型、场景
这也是我以后开发游戏可能需要的东西，ai让我不学习绘画也能出图成为可能，所以必须精进。

因为之前安装也经常困扰，这里也简单记录下

一 sd安装

还是采用秋葉aaaki大佬的启动器，我这里不用他的整合包了，初次使用直接下载他的也行，目前已更新到4.0版本
下载地址：Stable Diffusion整合包v4发布

可以看秋叶的基础文档：【AI绘画】从零开始的AI绘画入门教程——魔法导论

整合包比较大，想快速尝试的话可以先去官网下载sd，然后用秋叶的启动器（启动器和文件直接解压到sd根目录，启动即可）
stable-diffusion-webui官网

注意事项：

1. 错误一
   

按照提示，下载git，使用git clone方式下载，而非下载压缩包（可能这样丢失sd版本信息）

2. 错误二
   
   这里应该事python环境变量没加（没下载python先下载python），安装时勾选add path这个选项

二 目标

界面使用呀，参数含义调整等网上很多，不赘述。

我打算集中于实现上面三个目标来进行学习

1. 稳定画风的人物、物品、场景（如人物，道具，环境）
2. 输出3d图片，3d图片转3d模型，输出blender等可识别文件
3. 大场景背景，过场动画

这些目标目前可能还无法涉及，但我学习ai最终目标就是这些，能带来生产力，有助于我日后的游戏开发。
实际的任务就很明确了，包括control net，lora分层控制，训练自己的lora，分步渲染，三视图，人物模型，道具模型，大场景制作，图片转动画等。

下面就一步步来。

参考：stable diffusion新手福音

三 sd基础

3.1 模型

• 存放大模型的位置：stable-diffusion-webui\models\Stable-diffusion
• 模型下载地方：
  • sd启动器
  • civitAI

3.2 vae（Variational autoencoder，变分自编码器）

作用：滤镜+微调

感觉某些会增加饱和度，有些模型画面比较灰蒙蒙的，可以利用这个加个滤镜。

大模型本身里面就自带 VAE 的，但是一些融合模型的 VAE 烂掉了 （典型：Anything-v3），需要外置 VAE 的覆盖来救救。有时画面发灰就是因为这个原因。 作者：秋葉aaaki https://www.bilibili.com/read/cv21362202?from=articleDetail 出处：bilibili

如果没有界面没有vae，去设置→用户界面→快捷设置列表

在框里输入sd_model_checkpoint,sd_vae应用后界面即可出现vae

3.3 embedding

embedding，又名 textual inversion，中文名嵌入or文本反转。简单理解就是提示词打包

up给了一个例子，如何在原版sd上生成dva，那就是给一系列promt让人物接近目标

还可以利用这个特性做到特定动作，特定场景等。（所以我理解与lora的分析素材信息进行学习再输出类似图片不同，embedding是一种提示词打包的方式）

3.3.1 安装方式

放入stable-diffusion-webui\embeddings

注意：
如出现如下报错，原因是版本不对，比如下载的embedding是2.1版本，sd是1.5

3.3.2 使用方式

2023年后版本直接点击主界面这个按钮，即可添加对应prompt

这里测试charturnerv2 embedding

masterpiece:1.6, best quality:1.4, real picture:1.2, intricate details:1.2, charturnerv2:1.2, a cute girl

我并没有输入multiple view这种prompt，但还是稳定出多人物图，这就是提示词打包的力量，感觉就是省去了我们反复测试目标提示词的麻烦，如果自己的提示词出图比较稳定，也可以考虑做成embedding，这样能更好理解embedding原理。

3.4 Lora

LoRA,英文全称LoW- Rank Adaptation of Large Language Models,直译为大语言模型的低阶适应,这是微软的研究人员为了解决大语言模型微调而开发的一项技术

作用：对人物和物品复刻（复刻图像特征），训练画风（如水墨画），固定人物动作特征

lora文件一般几兆~一百兆，远比embedding大，所以存储的信息也会多，还原图像特征效果也会更好。

up作了个比喻：老板让手下做个购物网站，有购物车、付款、排序、浏览等功能，程序员一个一个功能添加，这就是embedding；什么叫lora呢，手下直接跟老板说，你就说抄谁的吧，然后老板直接丢给他淘宝源码，程序员基于源码进行改动。这就是embedding与lora的区别。

3.4.1 lora组成

1. lora promt：:lora:lora文件名:权重
2. triggle prompt：如下墨心lora，有很多种风格
   
   我反正没看出来这几个画家风格差异，但对其他lora可能差异就很大了，比如不同时期汉服等。
   

3.4.2 使用：

1. 将lora文件下载到stable-diffusion-webui\models\Lora文件夹下，以墨心lora为例
2. 选择lora作者推荐的大模型，然后点击插件选择lora标签，选择对应的lora添加lora标签并设置权重，按照lora作者提示添加触发词

shukezouma, negative space, <lora:Moxin_Shukezouma11:1>, shuimobysim , <lora:Moxin_10:1> , portrait of a woman standing , willow branches, (masterpiece, best quality:1.2), traditional chinese ink painting,, modelshoot style, peaceful, (smile), looking at viewer, wearing long hanfu, hanfu, song, willow tree in background, wuchangshuo, 

3. 生成图片:

3.4.3 效果

无lora:

shukezouma, negative space, , shuimobysim , portrait of a woman standing , willow branches, (masterpiece, best quality:1.2), traditional chinese ink painting,, modelshoot style, peaceful, (smile), looking at viewer, wearing long hanfu, hanfu, song, willow tree in background, wuchangshuo, 

单墨心lora：

shukezouma, negative space, shuimobysim , <lora:Moxin_10:1> , portrait of a woman standing , willow branches, (masterpiece, best quality:1.2), traditional chinese ink painting,, modelshoot style, peaceful, (smile), looking at viewer, wearing long hanfu, hanfu, song, willow tree in background, wuchangshuo, 

墨心+疏可走马lora:

shukezouma, negative space, <lora:Moxin_Shukezouma11:1>, shuimobysim , <lora:Moxin_10:1> , portrait of a woman standing , willow branches, (masterpiece, best quality:1.2), traditional chinese ink painting,, modelshoot style, peaceful, (smile), looking at viewer, wearing long hanfu, hanfu, song, willow tree in background, wuchangshuo, 

测试无触发词:

<lora:Moxin_Shukezouma11:1>, <lora:Moxin_10:1> , portrait of a woman standing , willow branches, (masterpiece, best quality:1.2), traditional chinese ink painting,modelshoot style, peaceful, (smile), looking at viewer, wearing long hanfu, hanfu, song, willow tree in background, 

3.4.4 测试不同CFG效果

原作者提到
“CFG范围将会改变风格，1-3 : 大小写意，3-7 : 逐渐工笔”
根据自己的喜好选择

negative space, shuimobysim, girl, woman,bare shoulders, (ecchi0.5), lips, water splash, (trees:0.5), (flowers:0.6) ,(birds:0.2), (bamboo0.1), lakes, Hangzhou, bonian, bonian in background ,shukezouma, <lora:Moxin_10:0.7> ,<lora:Moxin_Shukezouma11:0.8>,(ultra high res,16k UHD,1920x1080, best quality, masterpiece),

我只想说，老祖宗牛逼。看到这我突然想哭又想笑，老祖宗留给我们的东西竟用了新的方式去继承了。

3.5 hypernetworks 超网络

低配版lora

以Pixel art为例，下载到stable-diffusion-webui\models\hypernetworks文件夹下

类似使用，添加prompt，看原作者是否需要触发词（像素超网络不需要）

不同权重效果，感觉取1比较像古早像素画风，越小越清晰，看个人喜好

3.6 补充

如果不知道自己下载的一堆东西属于哪个，可以进这个网站[Stable Diffusion 法术解析]，即可判断(https://spell.novelai.dev/)

注：从文件尾缀不能判断它是什么类型。

模型发展历程：

checkpoint大概分为CHECKPOINT TRAINED以及CHECKPOINT MERGE，分别是别人训练好的和融合好的，它是大型模型，里面集合了模型参数、权重等，因此出图的的风格、画风已经相对固定。
好处就是可以直接拿来用，缺点就是想要再去微调十分麻烦，于是有了后面的lora、embedding等模型。这些属于附加模型，应用在checkpoint模型上，可以轻易对其进行微调，而且容易训练，十分方便。 作者：没啥用的芝士 https://www.bilibili.com/read/cv22559071 出处：bilibili

四 总结

简单过了下不同文件类型和使用方法，着重尝试了Lora，毕竟是当前阶段最火的东西。
接下来会逐步深入学习其他技术。