在近年来，生成对抗网络（GAN）和深度学习技术的快速发展，使得图像生成变得越来越简单。Stable Diffusion作为一种流行的图像生成模型，凭借其高效的图像生成能力受到广泛关注。在本文中，我们将以保姆级的教程，介绍如何在Linux上部署Stable Diffusion WebUI，并进行LoRA训练，打造你专属的图像生成模型。本文面向零基础或初学者，步骤详细，尽量易于理解。
环境准备
首先，你需要确保Linux环境中安装了一些必要的软件：
- Python 3.8及以上版本
- Git
- CUDA和PyTorch（如果使用GPU加速）
在Ubuntu系统中，你可以通过以下命令安装必需的软件：
sudo apt update
sudo apt install git python3 python3-pip
确保你已经安装了CUDA。如果未安装CUDA，安装PyTorch时会自动下载。
安装Stable Diffusion WebUI
接下来，我们将克隆Stable Diffusion WebUI的仓库并安装依赖库。
- 克隆仓库：
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git
cd stable-diffusion-webui
- 安装依赖：
在项目目录下运行以下命令安装Python依赖：
pip install -r requirements.txt
启动WebUI
现在我们可以启动Stable Diffusion的Web界面了。进入项目目录后，执行以下命令：
python app.py
成功启动后，浏览器中访问http://127.0.0.1:5000即可看到WebUI界面。
使用LoRA训练
为了专属化我们的模型，可以使用LoRA（Low-Rank Adaptation）进行训练。LoRA是一种参数高效的微调方式，通过在预训练模型中添加可训练的小矩阵来进行适应。
1. 准备数据集
创建一个包含你想要生成图像的数据集，确保图像文件的格式为JPEG或PNG。将数据集放在项目目录下的某个文件夹中。
2. 配置训练参数
可以创建一个配置文件，命名为config.yaml，用于指定训练参数，例如：
train:
dataset: "dataset_path" # 数据集路径
lr: 1e-4 # 学习率
epochs: 10 # 训练轮数
batch_size: 4 # 批量大小
num_workers: 2 # 工作线程数
3. 开始训练
创建一个训练脚本，比如train.py，内容如下：
import logging
import yaml
import torch
def load_config(config_path):
with open(config_path, 'r') as f:
return yaml.safe_load(f)
def train(config):
# 训练代码
logging.info(f"开始训练，使用的数据集为{config['train']['dataset']}")
# 加载数据集与模型
# 这里省略数据加载和模型训练细节
if __name__ == '__main__':
config = load_config('config.yaml')
train(config)
最终，执行以下命令开始LoRA训练：
python train.py
总结
到此，为你在Linux上部署Stable Diffusion WebUI和LoRA训练完成了基本的流程。通过这个简单的教程，你可以自己训练模型并生成独特的图像。此外，你也可以根据需求调整训练参数，进一步优化生成效果。希望这一过程能够帮助到你，开启你的AI图像生成之旅！如有任何问题，欢迎随时提问。
