本地训练controlnet网络详解——以官方fill50k数据集为例
- 写在前
- controlnet是什么？
- 环境说明
- 相关资源
- stable-diffusion-v1-5下载
- controlnet代码下载
- Pycharm运行和调试远程服务器代码
- pycharm加载源码
- 服务器配置
- 解析器配置
- fill50k数据集加载
- fill50k数据集简单介绍
- 数据集下载
- 数据集加载
- 本地加载数据集的注意事项
- 参数配置和参数说明
- parser简单说明
- 参数说明
- 代码运行
- 运行配置
- 官方参数设置
- 启动效果
- 测试过程
- 查看验证效果的两种方法（本地和远程查看）
- 测试代码
- 测试结果
写在前
本文基于diffusers官方开源的代码训练自己的controlnet模型，数据集例子也是官方的fill50k。如果想要训练自己的例子，只需要根据fill50k的数据集内容组织自己的数据即可。
controlnet是什么？
controlnet相当于一种插件，是用来微调现有的stable diffusion。这是因为stable diffusion本身训练比较耗费资源，为了某些目的而重新训练stable diffusion是不理想的。controlnet通过增加额外的训练参数来控制生成的效果。如下是多种开源controlnet的一种。也就是用户给定一张草图以及一个提示（bird）作为controlnet的输入，通过controlnet就可以得到你想要的图像。
环境说明
本文主要是在本地Ubuntu服务器进行训练的，代码在显存8G、16G、20G以及38G都可以进行训练自己的
- 系统版本：
Ubuntu 22.04.2 LTS python版本：python3.9torch相关包版本如下
相关资源
controlnet相关论文
stable-diffusion-v1-5基础模型权重
diffusers官方整理的controlnet源码
fill50k数据集
stable-diffusion-v1-5下载
controlnet是相当于一种用来微调预训练stable-diffusion的一种插件，所以首先需要下载stable-diffusion的相关权重。本文主要基于v1.5，相对于而言v1.5目前较为稳定且泛化性较好
1、打开网址stable-diffusion-v1-5基础模型权重（网址有可能失效，自行搜索例如stable-diffusion-v1-5关键词也可以找到模型的）（需要科学上网）
2、切换到Files选项卡
3、有很多文件，其中有一些权重文件很大，但是并不需要全部下载（省事也可以全部下载，但是因为科学上网可能比较慢，看个人需求）
以下是我的下载的的内容，所有文件夹都要有，除了文件夹内容，以外的就只需要下载model_index.json即可
（全部下载的话就不用看这里了）
每个文件夹的内容都点进去下载内容，对于每个文件夹中有些文件夹里边有带safetensors后缀的文件，还很大,**这些都不需要下载，其他（.bin、.txt、.json）都需要下载
整体文件组织不要改变，最终是下边这样的
controlnet代码下载
本文主要是基于
diffuser的开源代码进行测试
1、打开链接diffusers官方整理的controlnet源码（需要科学上网）
2、然后下载目录的代码，这里下载的话可以用git下载，我就选择省事点直接下载。因为github对于这种子目录没有直接下载压缩包的方式。这里可以使用第三方网站：DownGit。把仓库地址放里边，然后点击Download就会自动下载了。然后另存到自己找得到的地方
解压以后就是跟github上是一样的
Pycharm运行和调试远程服务器代码
pycharm加载源码
我是使用本地的
Liunx服务器进行训练代码的，通过pycharm可以方便调试
1、直接通过pycharm打开下载的代码目录，一般安装pycharm后右键下载的代码文件夹目录就可以打开了
或者直接通过pycharm打开项目，选中目录即可（名为controlnet目录，这个名称跟刚才的压缩包名称有关，也就是存放刚才解压出来的代码的父目录）
2、打开后整体项目如下（controlnet_diffusers这个是我代码的父目录，名称我修改过，正常解压出来的文件夹应该是controlnet）
这里关键的文件是train_controlnet.py
服务器配置
主要是配置运行代码的远程服务器，因为我运行代码主机跟训练代码的服务器并不是同一个，所以需要配置，但是主机跟训练代码的服务器是同一个也是类似的配置方式。我都是在本地的，也就是我运行代码的主机跟服务器都是在同一个局域网的，同理如果是互联网上的服务器也是一样操作
1、点击Tools——Deloyments——Configuration
打开界面如下
点击左上角的加号并选择SFTP
然后输入一个名字，随便都行，不冲突即可
2、配置SSH，这里就是配置服务器，我是需要登录远程服务器的，这里就需要进行配置。如果之前配置过，可以通过下拉的箭头来选择之前的
如果没有就需要添加，主要是点击箭头右边的三个点
然后点击左上角的加号添加一个远程服务。点击以后会出现右边的配置框。按照要求填写即可。Host就是填入服务器的IP地址，Port就是服务器配置的ssh服务的端口。username就是填入自己登录服务器的用户名。Local port一般不需要管，默认即可。Password就是的密码，这里建议勾选save password，不需要每次都输入
搞定以后可以点击Test connection来测试连接情况
解析器配置
上边就是配置好了服务器，就是用来运行代码的机器配置好了，并且代码也准备好，接下来就是配置
python解释器，也就是实际运行代码的工具
1、点击File——setting
然后找到如下选项，右边初始是没有选择的（下图是我已经配置好的）
python interpreter就是解析器配置的地方，如果之前配置了，点击下拉箭头就可以选择之前的
如果没有就点击右边的齿轮，然后Add进行添加
然后选择SSH Interpreiter，然后右边选择Existing server configuration，直接箭头下拉选择刚才配置的远程服务器的地址即可
然后点击next
在Interpreter中填入一个python解释器。我这里是直接通过miniconda3在远程服务器创建了环境，并且指定了环境使用的是python3.9的，箭头选中的就是我创建的环境里边的python解析器。这里可以自行搜索minidaconda3安装教程，基本一键安装
Sync folders则是填入远程服务器的目录的地址（也可以暂时不处理），这里就是需要在远程服务器创建文件夹了。这里工作原理简单来说就是，本地我们有一套代码，也就是我们pycharm打开的那个目录，然后远程也需要有一套代码，在远程服务器运行的时候，实际上运行的是远程服务器的代码，而不是本地的代码，这里就需要我们本地更改完文件后上传更改的文件到远程的服务器。这里pycharm就提供了自动上传还有手动修改上传的功能
在远程服务器上随便创建一个的文件夹，自己能够找得到就行了，然后把完整的地址填入Sync folders即可（以下是我已经同步完毕的目录）
点击确认后是以下的状态，其中Path Mappings表示路径映射，也就是把本地的代码的文件夹关联到远程的文件夹
上述是直接在配置解释器的时候就配置了远程工作文件夹的，如果是第二次直接选择解析器的时候，首次打开项目是没有目录映射的，如下图，那就需要我们自己添加了
点击Path Mappings右边的文件夹图标，然后再点击加号添加映射
左边就选择当前本地的代码目录，就是pycharm打开的那个代码的父目录，右边就是选择远程的代码即可，然后确认
然后就需要将本地代码同步到远程的目录，勾选以下配置一般会自动上传
首次整个是不会自动上传，或者后续出现不会上传的情况，那么可以手动上传。通过右键项目，然后点击如下选项来上传项目。对于单个文件也是一样，直接右键，然后点击Deployment,紧接着选择upload to，其中upload to后边接的名称就是刚才创建ssh连接的时候自己起的名字
一般来说是可能有多个选项的，也就是点击upload to会出现多个，选择你要运行的代码服务器即可。或者将运行代码的服务器设置为当前环境的服务器，如下就是选中相应的服务然后再点击那个√就可以了，选中状态是加粗的。
到了这里，应该是远程服务器也存在跟本地一模一样的代码
fill50k数据集加载
代码准备好了，环境也准备好了，服务器上代码也有了，接下来就差数据集了，本文主要基于官方的
fill50k数据集进行测试
fill50k数据集简单介绍
fill50k数据集就是包含三个部分，一是作为条件的图像（如下conditioning_image），二是关于条件图像的描述（如下text），三是根据条件图像以及相应的描述生成的最终效果图（如下image）。最终实现效果就是给定我们自己的条件图像以及描述，然后生成相应的效果图，其中描述的是根据轮廓生成一个带颜色的圆，并且这个圆的背景颜色也是我们通过提示指定的，如第二个例子light coral circle with white background，指定了生成圆的颜色是light coral，然后背景颜色是white
数据集下载
1、打开链接fill50k数据集，如下图，切换到Files and versions就是相应的文件了，把里边的下载完就行（.git...是git相关的属性文件，可以不下载）。下载完毕后把压缩包的都解压出来
处理完毕后，如下，其中conditoning_images是参考图像，images是目标文件，就是通过参考图像以及相应描述生成的目标
二者并不一定是需要名字相同来关联的，二者管理是通过test.jsonl文件关联的
这里单独拿一行出来，如下是一系列键值对，也就是字典，其中text表示的是描述，conditioning_image和image相应的图片目录。可以看到这两个目录都是只有一部分的，例如conditioning_images/15.png，并且conditioning_images就是下载的文件夹名称。说明后续是需要手动设置一个根数据目录的路径，而这个目录就是放刚才下载的数据的，所以组织数据的时候，为了能够直接用上它的代码，那么也应该类似组织，同时在test.jsonl添加一些列映射
{"text": "light golden rod yellow circle with rosy brown background", "image": "images/15.png", "conditioning_image": "conditioning_images/15.png"}
2、把除了fill50k.py文件以外的文件都上传到服务器上，这里就可以自行选择一个找得到的位置存放即可
数据集加载
现在数据集已经有了，就要处理一下数据集，这里主要是处理数据集加载，因为数据预处理等等操作，官方源码都写好了
1、打开train_contrlnet.py，搜索load_dataset，这是diffusers封装的加载数据集的方法（这里注意的是，它是依赖datasets库的，运行报错缺少模块的时候自行安装即可），它可以通过多种格式进行加载数据的。如csv格式。但是我们这里是需要自定义的，这个就是fill50k.py文件的作用
2、使用pycharm打开fill50k.py，里边定义了配合load_dataset方法的加载器，就是用来自定义数据加载方式的。这里只需要关注以下方法，metadata_path填入train.jsonl的完整路径，images_dir填入目标图像目录的上级目录（就是images目录的父目录），同理conditioning_images_dir也填入参考图像目录的上级目录就是conditioning_images目录的父目录）
为什么是这样的呢，主要跟fill50k.py加载数据的代码有关，如下row["image"]，这里其实就是获取的就是train.jsonl的一行数据，也就是那个字典。如下拿到的就是images/15.png，那要拿到图片，就需要知道完整路径，如下图第二个箭头就是拼接的路径，其中images_dir就是刚才拼接的放图片的目录的路径，那么我这里完整路径就变成了/media/data_7T/cxj/datasets/fill50k/train/images/15.png。如果想要自定义键值还有路径的规则，就可以改这几个地方
{"text": "light golden rod yellow circle with rosy brown background", "image": "images/15.png", "conditioning_image": "conditioning_images/15.png"}
3、改好以后就可以上传到服务器了，这里补充一下是它原本是有路径的，但是这个路径是Hugging Face上的，也就是刚才下载数据集的网站的。如果你的服务器有网络并且也能够连接外网，那么会自动下载的。如果不行的话就是像现在这样自己下载然后改路径
上传完毕如下，注意这里其实并不一定放数据集一起，随便放一个能找到的地方即可
本地加载数据集的注意事项
上述fill50k.py是配合load_dataset方法使用的，但是本地使用会有个报错，就是数据信任的问题，这里需要在load_dataset里边加上 trust_remote_code=True
参数配置和参数说明
上边基本是完整了，现在存在一个问题是
fill50k.py相当于load_dataset的加载器，那么怎么关联呢？这里就是需要通过参数来配置了。这个部分就是说明整个训练的参数配置
parser简单说明
1、相关参数在代码中，如下图，在add_arguments里边的就是一个配置参数
简单说明下，以下是键名为--pretrained_model_name_or_path的参数配置，type指定了它的类型，default指定了它的默认值，required=True表示这个参数是必须的，help就是对这个参数的说明。
一般使用的时候就是--pretrained_model_name_or_path="/media/data_7T/cxj/pkg/diffusion"，这就是相当于一个键值对了，键是pretrained_model_name_or_path，值是/media/data_7T/cxj/pkg/diffusion"。用的时候就是通过.去访问
而args就是解析器对象，刚才add_arguments就相当于往这个对象里边放东西
参数说明
对于参数部分，可以通过刚才的help字段也可以大概看出具体的作用，这里就给出一些相对有用的
--pretrained_model_name_or_path="/media/data_7T/cxj/pkg/diffusion"
--output_dir="/media/data_7T/cxj/results/controlnet_diffusers"
--dataset_name="/media/data_7T/cxj/datasets/fill50k/train/fill50k.py"
--resolution=512
--learning_rate=1e-5
--validation_image
"/media/data_7T/cxj/datasets/fill50k/valid/conditioning_image_1.png"
"/media/data_7T/cxj/datasets/fill50k/valid/conditioning_image_2.png"
--validation_prompt
"red circle with blue background"
"cyan circle with brown floral background"
--train_batch_size=4
--num_train_epochs=5
--checkpointing_steps=1000
--cache_dir="/media/data_7T/cxj/datasets/fill50k/cache"
--validation_steps=1000
-
--pretrained_model_name_or_path：预训练stable diffusion的权重的路径，前边部分是下载了这个权重文件，那么在服务器上开一个文件夹，然后把这些文件都放里边，这里设置的就是放这些权重文件的目录
-
--output_dir：这个就是最终输出结果存放的目录，就是模型训练的时候，可以根据你的参数保存权重的，这个权重就相当于我们训练好的模型的知识，后续需要拿出来测试的。随便一个能找到都行
-
--dataset_name：这里就是用来关联fill50k.py和load_dataset的，除此以外还有个--cache_dir文件夹，这个其实原本是用来缓存从Hugging Face下载的数据的，但是这里是用自己的，可以随便设一个。--train_data_dir是不需要管了，因为用的load_datset和fill50k.py封装完了
-
--resolution=512和--learning_rate=1e-5保持默认即可，一个是图片的大小，就是图片输入以后会被处理成512x512，第二个参数是学习率，不用管 -
--validation_image和--validation_prompt是用来测试的图像，就是训练的时候，不一定是训练完全才测试，而是隔一定的时间就可以测试了，这里就是设置测试的图像按照上边的格式，放图片完整路径和对应描述就可以了，每个例子通过空格或者换行隔开都行，描述和图片是一一对应的。那么测试的间隔就是通过--validation_steps设置的 -
--train_batch_size是训练的批次大小，这里设置是4，意思就是模型训练一次（对应上边参数里边的step）就是用了4张图片，那数据集有50000张图片，50000/4=12500，就是这50000张图片要是训练完，模型就跑了12500步，--validation_steps=1000就表示模型在跑每1000步的倍数的时候就测试一下，测试也是有内容的，下边会说到 -
--num_train_epochs表示训练的总周期，1个epoch就是跑完了50000张图像（整个数据集），也就是模型训练了12500次，这里--num_train_epochs=5，那么整个训练过程的训练次数就是12500x5次
---checkpointing_steps=1000就是每几次保存一次权重了如，如下是官方代码已经写好的输出格式，其中带的数字就是输出的训练次数的权重了，不同训练次数的模型效果是不一样的
代码运行
运行配置
1、代码运行可以有多种方式，这里有工具就用工具了，打开pycharm,一般来说没运行过右上角是Add...字样的，这个时候只需要右键train_controlnet.py，然后点击run或者运行，然后再点红色的方块停下代码运行可以看到下图的效果了
2、出现了上图效果后，点击下箭头，然后Edit configuration
3、弹出的是下边的配置框，然后再点击以下右边的参数配置
弹出的是一个编辑框，然后把上边的配置参数粘贴进去即可（可以根据情况修改），最后就是点击下边的Apply然后Ok确认就行了
--pretrained_model_name_or_path="/media/data_7T/cxj/pkg/diffusion"
--output_dir="/media/data_7T/cxj/results/controlnet_diffusers"
--dataset_name="/media/data_7T/cxj/datasets/fill50k/train/fill50k.py"
--resolution=512
--learning_rate=1e-5
--validation_image
"/media/data_7T/cxj/datasets/fill50k/valid/conditioning_image_1.png"
"/media/data_7T/cxj/datasets/fill50k/valid/conditioning_image_2.png"
--validation_prompt
"red circle with blue background"
"cyan circle with brown floral background"
--train_batch_size=4
--num_train_epochs=5
--checkpointing_steps=1000
--cache_dir="/media/data_7T/cxj/datasets/fill50k/cache"
--validation_steps=1000
官方参数设置
看到这里应该是基本了解配置是怎么回事了，对于运行过程中不同参数配置，它是依赖于不同环境的，不同环境，例如显存不同，是有不同的启动参数的，这里可以参考官方的文档
启动效果
那么现在参数配置好，基本就可以了。直接点击pycharm的绿色按钮直接运行就可以了，或者右键train_controlnet.py然后点运行也可以。下边就是跑起来的效果，其中有个进度条，表示训练多少次还有训练的总次数
上述是通过工具快捷配置的，如果不用工具，在命令行的话就是多加点命令，如下，事实上pycharm也是帮我们构建如下完整的命令的
python train_controlnet.py
--pretrained_model_name_or_path="/media/data_7T/cxj/pkg/diffusion"
--output_dir="/media/data_7T/cxj/results/controlnet_diffusers"
--dataset_name="/media/data_7T/cxj/datasets/fill50k/train/fill50k.py"
--resolution=512
--learning_rate=1e-5
--validation_image
"/media/data_7T/cxj/datasets/fill50k/valid/conditioning_image_1.png"
"/media/data_7T/cxj/datasets/fill50k/valid/conditioning_image_2.png"
--validation_prompt
"red circle with blue background"
"cyan circle with brown floral background"
--train_batch_size=4
--num_train_epochs=5
--checkpointing_steps=1000
--cache_dir="/media/data_7T/cxj/datasets/fill50k/cache"
--validation_steps=1000
测试过程
查看验证效果的两种方法（本地和远程查看）
默认是通过tensorboard输出结果的，点击自己设置的输出文件夹，也就是上边output_dir对应的路径，然后一直往里点，可以找打l日志文件
首先查看的一种方法是直接下载到本地查看，首先在本地主机随便创建一个文件夹
然后将远程的日志文件传输到该文件夹
然后在本地的存放权重的文件夹打开命令行（我这里是log_diffusers文件夹，具体看你放哪里了），按住shift然后对着文件夹右键打开powershell。打开的初始路径就是我创建的文件夹的路径。这里注意powershell里边需要安装tensorboard，因为我本地环境也安装了miniconda3，所以看起来就是下边这样
然后通过一下命令tensorboard --logdir=.，这里的.就表示当前目录，就是当前目录有刚才转移过来的日志文件。如果是路径的，也可以是tensorboard --logdir=/media/logs_diffusers这样的绝对路径，注意路径不要加双引号,**Windows上要注意正斜杠的转义，也就是用E:logs_diffusers而不是E:logs_diffusers**
开启以后就下边这样，然后按照提示，浏览器输入网址即可
如果是远程查看的话，就可以配置ssh，更加方便，这里有教程。我这就不展开了
测试代码
以下是测试代码，直接创建一个py文件并通过pycharm上传到远程服务器然后运行即可。其中需要关注的参数是
base_sd_model_path：这个就是上边下载的stable diffusion v1.5的权重checkpoint_step是加载的模型，就是训练过程中可以通过--checkpointing_steps参数配置保存不同的阶段的模型，这里就是指要加载哪个阶段的base_controlnet_output_dir：这里就是上边训练的时候对应的out_dir，也就是训练结果的存储目录- 下方
images_path和prompts，可以填写多张参考图像和提示进行测试，根据个人需求即可 grid_output_path就是输出的结果的路径，我处理结果成一张网格图片来的，自动根据自己的需求修改即可
from diffusers import StableDiffusionControlNetPipeline, ControlNetModel, UniPCMultistepScheduler
from diffusers.utils import load_image
import torch
import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
from torchvision import transforms
# 设置模型路径
checkpoint_step = 10000 # 要加载哪个step的模型
base_sd_model_path = "/media/data_7T/cxj/pkg/diffusion" # 基本的sdv 1-5的权重的路径
base_controlnet_output_dir = "/media/data_7T/cxj/results/controlnet_diffusers" # controlnet的路径
grid_output_path = f"/media/data_7T/cxj/results/controlnet_diffusers/test_images/grid_output_{checkpoint_step}.png"
controlnet_path = f"{base_controlnet_output_dir}/checkpoint-{checkpoint_step}/controlnet"
# 加载模型
controlnet = ControlNetModel.from_pretrained(controlnet_path)
pipe = StableDiffusionControlNetPipeline.from_pretrained(base_sd_model_path, controlnet=controlnet)
# 优化扩散过程
pipe.scheduler = UniPCMultistepScheduler.from_config(pipe.scheduler.config)
# 设置安全检查器
pipe.safety_checker = lambda images, clip_input: (images, None)
# 示例：多张图片的路径
images_path = [
"/media/data_7T/cxj/datasets/fill50k/valid/conditioning_image_1.png",
"/media/data_7T/cxj/datasets/fill50k/valid/conditioning_image_2.png",
"/media/data_7T/cxj/datasets/fill50k/valid/0.png"
]
# 示例：对应每张图片的提示语
prompts = [
"red circle with blue background",
"silver circle with powder blue background",
"pale golden rod circle with old lace background"
]
# 创建一个n x 3的网格，n是图像的数量
n = len(images_path)
# 创建一个n行3列的子图网格
fig, axes = plt.subplots(n, 3, figsize=(15, 5 * n))
# 确保axes是一个二维数组，即使n=1
if n == 1:
axes = [axes]
image_transforms = transforms.Compose([
transforms.Resize(512, interpolation=transforms.InterpolationMode.BILINEAR),
transforms.CenterCrop(512),
transforms.ToTensor(),
transforms.Normalize([0.5], [0.5]),
])
# 遍历每张源图片，生成对应的图像并显示
for i, (image_path, prompt) in enumerate(zip(images_path, prompts)):
# 加载控制图像
control_image = load_image(image_path)
# 将模型移动到指定的GPU
pipe.to("cuda:3")
# 设置生成器的随机种子
generator = torch.manual_seed(0)
# 生成图像
generated_image = pipe(
prompt, num_inference_steps=40, generator=generator, image=control_image
).images[0]
# 在第i行填充网格中的三个格子
# 第一个格子：控制图像
axes[i][0].imshow(control_image)
axes[i][0].axis('off')
axes[i][0].set_title("Control Image")
# 第二个格子：生成的图像
axes[i][1].imshow(generated_image)
axes[i][1].axis('off')
axes[i][1].set_title("Generated Image")
# 第三个格子：显示prompt文本
axes[i][2].text(0.5, 0.5, prompt, fontsize=12, ha='center', va='center', wrap=True)
axes[i][2].axis('off')
axes[i][2].set_title("Prompt")
# 调整布局，确保内容不重叠
plt.tight_layout()
# 保存网格为本地文件
plt.savefig(grid_output_path, bbox_inches='tight')
print(f"输出路径是:{grid_output_path}")
测试结果
首先我使用的参数是上文提到的参数，只不过我设置的batch_size是8，需要的显存大概是26G，根据个人情况设置即可，batch_size小的话，训练轮次可以稍微大点
--pretrained_model_name_or_path="/media/data_7T/cxj/pkg/diffusion"
--output_dir="/media/data_7T/cxj/results/controlnet_diffusers"
--dataset_name="/media/data_7T/cxj/datasets/fill50k/train/fill50k.py"
--resolution=512
--learning_rate=1e-5
--validation_image
"/media/data_7T/cxj/datasets/fill50k/valid/conditioning_image_1.png"
"/media/data_7T/cxj/datasets/fill50k/valid/conditioning_image_2.png"
--validation_prompt
"red circle with blue background"
"cyan circle with brown floral background"
--train_batch_size=8
--num_train_epochs=5
--checkpointing_steps=1000
--cache_dir="/media/data_7T/cxj/datasets/fill50k/cache"
--validation_steps=1000
- 训练次数是
1000的效果，差异有点大
-
训练次数是
5000的效果，差异还是很大
-
训练次数是
6000的效果，颜色相对而言要好一点了
-
训练次数是
8000的效果，跟6000差不了多少
-
训练次数是
10000的效果，效果好很多，基本是有效了
