AI工具使用
- 1. baseline 代码
- 2. 使用通义千问理解代码
- 2.1 工作流程
- 2.2 逐行释意
- 3. 使用通义千问生成 Prompt
- 3.1 生成的 Prompt
- 3.1 根据 Prompt 生成的图片
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：
- 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。
- 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。
- 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。
- 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。
- 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：
-
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。
-
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。
-
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。
-
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。
-
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。
-
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。
-
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。
-
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
 |  |
 |  |
 |  |
 |  |
相关链接
- Datawhale活动页面
- 通义千问
- 魔搭体验网址
- Scepter与WebUI，一站式生成编辑工具箱
- 《AIGC未来已来》
- AI绘画的发展历史（GAN、diffusion、VAE…)
