stable diffusion打造自己专属的LORA模型

通过Lora小模型可以控制很多特定场景的内容生成。

但是那些模型是别人训练好的，你肯定很好奇，我也想训练一个自己的专属模型（也叫炼丹～_～）。

甚至可以训练一个专属家庭版的模型（family model），非常有意思。

将自己的训练好的Lora模型放到stableDiffusion lora 目录中，同时配上美丽的封面图。

（plen_me、plen_vivi，这两个是我训练的和家里人的模型～_～）

这样就可以将你的Lora模型和其他Lora模型融合使用了。

再配上Controlnet基本可以，将自己的pose+特征融入到其他任何lora模型中。

【1】
下面我们看下如何训练自己的模型。

（我的炼丹炉配置，win10+i7F+4080 ）

首先，Lora模型可以通过lora-scripts 脚本进行训练。

仓库地址：https://github.com/Akegarasu/lora-scripts

找个目录拉下来，先安装sd-scripts子项目，然后安装lora-scripts项目。

（敲黑板）重点看下sd-scripts 子项目：
https://github.com/kohya-ss/sd-scripts/tree/b5c60d7d62d6bb4a174ac09327dc517fc4446523

要严格按照作者给的步骤安装。（要不然会有很多奇怪的问题）

如果顺利的话大概安装需要30min左右。（需要kexue上网应该就不用多介绍了）

【2】
接下来准备需要训练的图片。

根据最后的生成效果，要找头像清晰的，脸部轮廓清楚的，背景最好是白色的。

然后就需要我们将图片进行预处理。

先将图片放在一个文件夹里，然后定一个预处理之后的文件夹名字。

然后在stablediffusion中找到【训练】【图像预处理】模块

按照说明，填入预处理图片路径和目标目录，然后选择【Deepbooru生成标签】。然后点击【Preprocess】，等处理完成。

到目标目录下，看下生成的标签信息。

这些标签就是训练模型的图片特征了，基本上生成出来的标签还是要check下。

如果某个重要的标签丢失，或者识别错误（girl识别成boy ～_～）会直接影响炼丹质量。

【3】
将预处理目标文件夹复制到lora-scripts脚本的主目录的train目录中。（如果没有就创建一个）

如果你有多个训练集合可以在train中创建一个目录，然后放到这个目录中。

训练自己的专属模型，需要依赖一个主模型。真人特征的模型貌似用 chilloutmix_NiPrunedFp32Fix 比较流行（这个模型很强大，你懂的！）。

模型地址：
https://huggingface.co/naonovn/chilloutmix_NiPrunedFp32Fix/tree/main

将下好的模型文件复制到lora-scripts->sd-models文件夹中。

准备工作差不多了，我们编辑下训练脚本。

lora-scripts目录中的train.ps1 脚本文件。

# Train data path | 设置训练用模型、图片
$pretrained_model = "./sd-models/chilloutmix_NiPrunedFp32Fix.safetensors" # base model path | 底模路径
$train_data_dir = "./train/test" # train dataset path | 训练数据集路径

$pretrained_model：就是我们下载的训练模型的基础模型，把名字换掉。
$train_data_dir：训练数据目录。

    # 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 = 2 # batch size
    $max_train_epoches = 20 # 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

$resolution：如果你的图片预处理的时候没有调整过，这里就保持默认。
$batch_size、$max_train_epoches：如果你的卡不是很强，这里的参数可以小一点。（这两个参数主要控制训练的次数和显存加载的张量数据集）。

    # Output settings | 输出设置
    $output_name = "meoutput" # output model name | 模型保存名称

$output_name：用默认的也行，最好自定义一个名字，避免重复生成覆盖原来模型。

保存，然后右键 【使用PowerShell运行】。

（这里还是要祈祷下，不一定能一次成功。～_～）

脚本在运行过程中会出现一些'triton'加载失败的错误。

但是其实不影响模型的训练（我查了下好像是windows电脑就不支持这个模块）。

这里的错误如果不能正常执行，大概率是前面敲黑板的地方你没有仔细看。

等模型训练完。（我15张图，大概跑了10min左右。）

我们看下output目录输出的模型文件。

这里的模型文件保存的个数，是train.ps1脚本文件里设置的。

最后我们要通过验证这些模型准确度，选用哪一个。

将这些模型文件全部复制到

E:\stable-diffusion-webui\extensions\sd-webui-additional-networks\models\lora

对应的扩展忙碌下。
如果还没有安装 sd-webui-additional-networks 扩展，记得先到扩展中安装。

也可以直接用git地址安装（有时候这个扩展查询有点问题）
https://github.com/kohya-ss/sd-webui-additional-networks.git

然后我们测试下这几个模型哪一个不错。

顺利安装插件之后，就可以在界面上看到 【Additional Networks】功能菜单。

要测试自己的模型，基础模型还是要选用我们训练的 chilloutmix_NiPrunedFp32Fix 模型。

prompt可以用自己提取的标签作为测试。

批次可以适当多点，到时候可以选择。

这个过程大概需要个20min左右。（可以喝点茶等待创作了～_～）。

来一起见证AI的创作吧 ～～！

图片的上方是每一个模型名称，左边是特征权重，组成的一个二维表格。

有点那个意思 hhh。

下面这些就有点辣眼睛了 。

根据自己的眼光，我们挑选一个相对比较不错的模型。

整体觉得这个模型不错，我们记下模型的名字。

将这个模型复制到 E:\stable-diffusion-webui\models\Lora 目录中。

可以给你的模型配上一个封面，只要文件名和模型名一样就可以了。

有了自己的专属模型，就可以结合其他lora模型一起使用了。
我们试下水墨风格。

下载lora模型：Moxin_10
下载基础模型：dalcefoPainting_3rd.safetensors

（有些基础模型在C站没有，可以到huggingface上找找，再不行github上肯定有）

点开这个红色的收缩面板。

刷新一下，让lora模型文件重新加载下。

然后选择我们保存的lora文件，此时这个模型的prompt设置会在文本框里。

然后再选择水墨风模型 Moxin。

调整下每一个模型的权重，此时可以将我们自己的模型特征调大些。

如果没啥问题，我们就去C站找这个lora比较好的prompt拿过来用。

这张虽然有点辣眼睛，但是特征是有了。

这一张比较像我女儿 ～_～。

最后，stablediffusion+lora等AIGC属于开挂技术，我们还是要遵纪守法做一个好同志！！！