Stable Diffusion 1.5（SD1.5）是由Stability AI在2022年8月22日开源的文生图模型，是SD最经典也是社区最活跃的模型之一。

以SD1.5作为预训练模型，在火影忍者数据集上微调一个火影风格的文生图模型（非Lora方式），是学习SD训练的入门任务。

显存要求 22GB左右

在本文中，我们会使用SD-1.5模型在火影忍者数据集上做训练，同时使用SwanLab监控训练过程、评估模型效果。

• 代码：Github
• 实验日志过程：SD-naruto - SwanLab
• 模型：runwayml/stable-diffusion-v1-5
• 数据集：lambdalabs/naruto-blip-captions
• SwanLab：https://swanlab.cn

1.环境安装

本案例基于Python>=3.8，请在您的计算机上安装好Python；

另外，您的计算机上至少要有一张英伟达显卡（显存大约要求22GB左右）。

我们需要安装以下这几个Python库，在这之前，请确保你的环境内已安装了pytorch以及CUDA：

swanlabdiffusersdatasetsacceleratetorchvisiontransformers

一键安装命令：

pip install swanlab diffusers datasets accelerate torchvision transformers

本文的代码测试于diffusers0.29.0、accelerate0.30.1、datasets2.18.0、transformers4.41.2、swanlab==0.3.11，更多库版本可查看SwanLab记录的Python环境。

2.准备数据集

本案例是用的是火影忍者数据集，该数据集主要被用于训练文生图模型。

该数据集由1200条（图像、描述）对组成，左边是火影人物的图像，右边是对它的描述：

我们的训练任务，便是希望训练后的SD模型能够输入提示词，生成火影风格的图像：

---

数据集的大小大约700MB左右；数据集的下载方式有两种：

1. 如果你的网络与HuggingFace连接是通畅的，那么直接运行我下面提供的代码即可，它会直接通过HF的datasets库进行下载。
2. 如果网络存在问题，我也把它放到百度网盘（提取码: gtk8），下载naruto-blip-captions.zip到本地解压后，运行到与训练脚本同一目录下。

3.准备模型

这里我们使用HuggingFace上Runway发布的stable-diffusion-v1-5模型。

模型的下载方式同样有两种：

1. 如果你的网络与HuggingFace连接是通畅的，那么直接运行我下面提供的代码即可，它会直接通过HF的transformers库进行下载。
2. 如果网络存在问题，我也把它放到百度网盘（提取码: gtk8），下载stable-diffusion-v1-5.zip到本地解压后，运行到与训练脚本同一目录下。

4. 配置训练可视化工具

我们使用SwanLab来监控整个训练过程，并评估最终的模型效果。

如果你是第一次使用SwanLab，那么还需要去https://swanlab.cn上注册一个账号，在用户设置页面复制你的API Key，然后在训练开始时粘贴进去即可：

5.开始训练

由于训练的代码比较长，所以我把它放到了Github里，请Clone里面的代码：

git clone https://github.com/Zeyi-Lin/Stable-Diffusion-Example.git

如果你与HuggingFace的网络连接通畅，那么直接运行训练：

python train_sd1-5_naruto.py /  --use_ema /  --resolution=512 --center_crop --random_flip /  --train_batch_size=1 /  --gradient_accumulation_steps=4 /  --gradient_checkpointing /  --max_train_steps=15000 /  --learning_rate=1e-05 /  --max_grad_norm=1 /  --seed=42 /  --lr_scheduler="constant" /  --lr_warmup_steps=0 /  --output_dir="sd-naruto-model"

上面这些参数的含义如下：

• --use_ema: 使用指数移动平均 (EMA) 技术，该技术可以提高模型的泛化能力，在训练过程中使用模型参数的移动平均值进行预测，而不是直接使用当前模型参数。
• --resolution=512: 设置训练图像的分辨率为 512 像素。
• --center_crop: 对图像进行中心裁剪，将图像的中心部分作为训练样本，忽略图像边缘的部分。
• --random_flip: 在训练过程中对图像进行随机翻转，增加训练数据的多样性。
• --train_batch_size=1: 设置训练批次大小为 1，即每次训练只使用一张图像。
• --gradient_accumulation_steps=4: 梯度累积步数为 4，即每进行 4 次训练才进行一次参数更新。
• --gradient_checkpointing: 使用梯度检查点技术，可以减少内存使用量，加快训练速度。
• --max_train_steps=15000: 设置最大训练步数为 15000 步。
• --learning_rate=1e-05: 设置学习率为 1e-05。
• --max_grad_norm=1: 设置梯度范数的最大值为 1，防止梯度爆炸。
• --seed=42: 设置随机种子为 42，确保每次训练的随机性一致。
• --lr_scheduler="constant": 使用常数学习率调度器，即在整个训练过程中保持学习率不变。
• --lr_warmup_steps=0: 设置学习率预热步数为 0，即不进行预热。
• --output_dir="sd-naruto-model": 设置模型输出目录为 “sd-naruto-model”。

---

如果你的模型或数据集用的是上面的网盘下载的，那么你需要做下面的两件事：

第一步：将数据集和模型文件夹放到训练脚本同一目录下，文件结构如下：

|--- sd_config.py|--- train_sd1-5_naruto.py|--- stable-diffusion-v1-5|--- naruto-blip-captions

stable-diffusion-v1-5是下载好的模型文件夹，naruto-blip-captions是下载好的数据集文件夹。

第二步：修改sd_config.py的代码，将pretrained_model_name_or_path和dataset_name的default值分别改为下面这样：

    parser.add_argument(        "--pretrained_model_name_or_path",        type=str,        default="./stable-diffusion-v1-5",    )    parser.add_argument(        "--dataset_name",        type=str,        default="./naruto-blip-captions",    )

然后运行启动命令即可。

---

看到下面的进度条即代表训练开始：

6. 训练结果演示

我们在SwanLab上查看最终的训练结果：

可以看到SD训练的特点是loss一直在震荡，随着epoch的增加，loss在最初下降后，后续的变化其实并不大：

我们来看看主观生成的图像，第一个epoch的图像长这样：

可以看到詹姆斯还是非常的“原生态”，迈克尔杰克逊生成的也怪怪的。。。

再看一下中间的状态：

经过比较长时间的训练后，效果就好了不少。

比较有意思的是，比尔盖茨生成出来的形象总是感觉非常邪恶。。。

详细训练过程看这里：SD-Naruto - SwanLab

至此，你已经完成了SD模型在火影忍者数据集上的训练。

7. 模型推理

训练好的模型会放到sd-naruto-model文件夹下，推理代码如下：

from diffusers import StableDiffusionPipelineimport torchmodel_id = "./sd-naruto-model"pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16)pipe = pipe.to("cuda")prompt = "Lebron James with a hat"image = pipe(prompt).images[0]      image.save("result.png")

相关链接

• 代码：Github
• 实验日志过程：SD-naruto - SwanLab
• 模型：runwayml/stable-diffusion-v1-5
• 数据集：lambdalabs/naruto-blip-captions
• SwanLab：https://swanlab.cn