粉丝9198获赞5.8万


大家好,今天我们来说一下秋叶大佬的训练劳尔模型的整合包工具 sd 春呐,他的这个整合包呢,跟我们之前讲的这个扣呀 ss gui 的这个训练训练参数呢?训练源码和模型 是一模一样的,只不过这是秋叶大佬进行了一下整合和优化,还有中文化,也就算是中文化的版本。那么我昨天试着用这个秋叶的这个版本呢,训练了一个模型,我是找了圣斗士的图片素材来训练一个模型, 训练好的模型呢,只有三十六兆,但是也可以用了。训练完成的模型是这个后面不带编号的这个模型,将这个模型呢复制到 stable diffusion 里面来,我们去使用这个 lower 模型,因为这个我们训练这个模型是 是二次元,是动漫的吗?所以说在 sleeper defusion 里面 check point 这个模型,你要选择一个二次元动漫的一个模型去给他生成。一开始呢,导入这个模型会发现我们生成的图片这种已经花掉了,模糊不清楚了,这是由于我们训练 过泥河的原因。过泥河的话,我们就把这个 lora 的这个权重呢,从一给它降到降低一点零点六到零点八,可以偏向于我们这个 lora, 但不至于过泥河。你设置为零点四到零点五的话,它是偏向于拆个 pose 模型,而仅仅加了一点这个 lora 的元素。 后面呢,我把这个权重给他降低,降到零点六以下,零点零点四到零点六,我们看一下结果, 那么这个输出结果呢,就能保持保持好我们这个画面的完整性,还能够加上圣斗士的这种铠甲元素, 就生成的模型质量上来说,秋叶大佬的这一款工具呢,和我们之前用 koya s s g u i 的这个工具去训练出来 模型,结果呢,其实是一模一样的,没有没有说谁好谁坏,只不过秋叶这个是更利于偏向于新手,而且不需要原码安装,直接解压缩就能用。那么他的这个安装包呢, 我已经上传到我的网盘里面了啊,也分享给大家,可以去下载了,大家可以去直接去找雀跃大佬的 这个下载地址,也是可以的。那么之前呢,我出过八戒以下现存宝马训练的安装与操作步骤这个详解,那么讲的就是我们这个 扣一 s s g u i 的这个训练教程。那么之后呢,又出了一个 local licurice loha 训练模型的这个方法都是八界显存以下的训练,所以说我们这个秋叶大佬的这个整合包呢,其实也是低显存可以训练的,也是八界以下的。他这个操作非常简单, 我来给大家就是讲一下他这个操作,我们下载好他这个压缩包之后解压缩,你用国内加速更新或者是强制更新都可以,这个看你有没有魔法了,如果你有魔法的话,你也可以用国内加速啊, 但是同时呢,你又能用这个强制更新点一下,这强制更新呢就开始更新一些库,更新完成之后, 我们点击这个启动脚本就可以直接一键启动了。一开始我们启动界面是来到这个界面训练通用模型,这一边你要设置一下通用模型呢,就是用来训练罗拉模型的基础模型, 它存放在 s d 杠 models 这个文言夹里面,你可以去你之前的 stable diffusion 的这些模型里面呢,去找到你的这个 v 一点五或者是 v 二点一的这些基础模型。 行,去给他复制到我们的这个文件夹里面,然后呢将这个模型基础模型的模型名字呢给他粘贴到这里面就可以了。那么下面这个数据及设置呢?也就是放在这个 trin 这个文件夹里面,我们来看一下,在这个 trin 文件夹里面, 这个你可以新建一个文件夹,我的比如说这是我自己创建的一个文件夹,然后里面放图片的数据集,名字呢也有讲究。嗯,在里面再创建一个文件夹,然后前面要打上一个数字,后面横杠,然后后面跟名字, 前面这个一百呢,什么意思呢?比如说我们这里面有十六张图片,那么前面这个一百就是将我们这个十六张图片呢,训练一百次就是一百,乘以十六就是一千六,那么一千六呢?再乘以我们这个训练相关参数,最大训练轮数十, 那么一千六再乘以十,也就是总共要训练一万六千步,训练一万六千步呢,大概需要四个小时,我是十二 g 的现存训练了四四个小时。那么来说一下这个正则化数据路径,这个是用来存放你的正则化。什么是正则化? 就是在之前的啊,训练 lora 的,训练 lora 分类图片的时候给大家讲过,这里面是放分类图片级的啊,如果大家不知道分类图片级是怎么来训练设置的,可以去看我前面的视频 lora 分类训练,那么下面呢是一个分辨率五幺二乘五幺二的,如果你现存 很低的话,设置成五幺二乘五幺二的,中等的话设置为七六八乘七六八的,高档的话你可以设置为幺幺零二四乘幺零二四。好,下面这个保存设置呢,这个我们要起我们的 logo 模型最终生成的文件, 这是输出目录,输出目录保持默认,你不要变啊,因为这个也不影响你。然后下面是这个每几轮保存一次,他是每二轮保持保存一次,那么输出的这些模型的结果呢?就是二四六八啊,每过二保存一次,但是呢总共他要保 我总共他保存五个模型,这个保存五个模型呢,也是你自己可以设置,你想保存十个就保存十个,想保存一百个就保存一百个。 好,下面这个相关参确认相关参数,这个十呢,一般我们也是保持默认不动,如果你这个设置设置为二十呢,一千六乘以二十,你就三万二了,三万两千步了,你就再加四个小时 pc 大小啊。如果你显卡非常好的话,也可以设置为二,显卡一般设置为一。学习率,这个默认保持不要动,因为他这个学习率呢啊,跟我们之前 在 step 第六任这个学习率显示的方式不一样哈,因为我们之前显示的方式都是零点几,都是数字,他这个啊不知道代表什么,大家可以去学习一下秋叶的这个参数的这个概念,这个保持默认不变啊,这些都是保持默认不变的,大家可以看他下面的这些中文解释吗? 这些中文解释一般都能看得懂啊,忘了给大家说那个数据级是怎么来训,数据级是怎么来产生的? 数据级是在这个 wd 一点四这个标签器里面,这个标签器里面我们把这个数据级目录呢,也就是我们这个 trend 这个文件夹里面这个目录 路径给他复制一下,给他复制到这里面。下面呢参数我们保持不变啊,我们直接点启动就能够生成这些数据及文档了啊,我们还回到新手,这里面这些可调的参数也是比较少 啊,我们就可以保存一下我们的这些参数,也可以读取我们刚才保存的参数,也可以删除进行管理。下面呢我们直接点击直接开始训练,就可以直接开始训练我们的模型了,如果你对参数比较了解的话,你可以选择专家模式、 自然模式,这里面可调的参数更多,更为细节一些。那么既然我们是用 ai 啊,当然是让他更简单更好,我们更希望呢是 用一键导入别人设置好的参数去进行训练,因为我们自己去设置参数参数的话,我们对概每个参数的概念并不清楚啊,也不知道生成的结果会怎样,那这里面呢还有一些参数讲解,大家如果想学的话,可以去学习一下这些参数讲解 好了,那么今天呢,关于这个秋叶版的这个低配版 lower 训练的整错包呢,就给大家分享到这里,如果大家觉得有用,那么请为我点击关注加三连,我们下期 ai 课程再见!

那我给大家接着讲一下这个训练划分的一个流程啊。首先第一个呢就是我们要准备的数据棋啊,准备数据棋, 那这个数据级你可以是你自己的土,对吧?你可以,呃,如果你是你有自己的画风,你可以把你的土级丢进去训练就好了。 那如果哈,你想训练一个特定的别人的一个风格啊,但是呢,你又发现他的图片没有那么多啊,不足以达到这个训练的这个数量,怎么办呢?我给大家看一下啊,就是有一些 一个技巧,你们不是有 m z 吗?就是 m z 这个这个这个工具哈,他是他强悍的地方是在于他有一个很强大的一个大模型,所以呢,我们是借助他的大 大模型去刷出你们想要的这个风格的图片,你也可以把你自己的这些作品丢上去啊喂,上去就是上传哈, 算反。嗯,你要给一个参参数,就是这个 i w, i w, 就是那个,就是你给他图片的一个相似度的这么一个参数调最大值是二哈,这个我们在 m j 的课程里面有讲过,专门提过这个参数哈,这样子呢啊,就算你自己的这个 自己的作品的数量不够多好的情况下你也想训练一个 lola, 怎么办呢?你就可以用这种方式去缠绕纸,然后让他模仿出一堆类似的这个风格啊,然后当做你的训练集去训练, 明白吗?好,嗯,我们看一下我们今天要做一个什么个风格训练呢? 这个吧哈,我们今天偶尔演戏训练这种风格吧,党可以突出啊,几招是吧? 那你你选这个数学级的时候要注意啊,就尽量不要去选同一个人了,对吧?那如果所有图片都是同一个人呢?他画出来东西肯定就是同一个人了啊。我们可以更换这个关键词吗?就是说啊,我现在说话一个女生是吧,那我可以画一个老人对吧? oh, man 吧。我们尽量绕这个样本丰富一点,只是像这个你的这个训练出来就又落了。这个画画能力强一点吧,就不只是画眉眼吗?那我们就肯定要需要多一多一点样本他 好我们可以找一些好好像啊比较不错的。这个这个透气哈。 嗯,直接笑道笑就可以了。说知道这个道理之后你就知道怎么收集图片了啊。其实试练的好和不好他大的一个区别就是 那就是取决于你的去年的这个图集哈,参数反而是排在第二哈,参数并没有那么重要,更重要的是你未给培开的这些图集哈。嗯,比如说老人 呃或是化妆哈。化妆可以了,好看了吗?你看小图也能看得到他的这个特征是吧?这是肉眼可见的特征了。 好,那我们就大家走一下这个流程。好,那后面流程就是跟身边角色的那个流程是差不多的啊。首先呢就 你要图片的尺寸处理,但是我们用了 mza 直接生成的,对吧,所以呢他每一个尺寸都是一样了。这个我觉得就不需要了。那就直接省掉一步了哈,但正好是五幺二吧哈,正好是五幺二,现在是六零三。那我们先统一处理一下哈,改到这哈。 嗯,把这个图片一处理经理哈。然后存到哪里呢哈,存到这里哈,再再再起个名字吧哈, 五幺二哈,改成五幺二的哈。这是这目录名字啊,你随便起哈。呃,五幺二乘五幺二就可以哈啊,接着一曲哈, 好,看完了,你现在回来看一下哈,那这里就多了一个目录,好在目录你看里面的词全都是五幺二的哈。 然后呢?接着呢就,呃,那我现在玩这种图片啊,到现在他也是没有太多呃奇怪背景和别的, 嗯,不需要的东西啊,这个完全就是我们想要的风格,所以呢,也不需要说去做抠图这这件事情了哈,也不需要做,那接下来我们就呃,嗯,可以做打标这个环节,那画风呢?其实不需要做太多的这个打标处理哈, 直接让他打自动打败这科研哈啊,比如说啊,发那题, 好,我们把这个目录 copy 过一下,然后这个打标签 七十人随便选应该就可以了。嗯,对,好,该搜索好时机啊,写进号 word 啊啊,那他就每张图片都给你去的打了这个标哈啊,然后保存就行了啊,这个不是要备份哈,记得保存。 那现在这所有的这个训练素材我们就已经准备好了哈,那这个是目录的命名一个规则哈,这个时段是他的一个循环次数,那这里我们又回到呃,之前讲训练时候的一些参数好,比如说这里哈。嗯,那我们仔细看一下哈, 那我们盖这个是十的啦,十乘以二十二除多少?两百二,然后呢,乘以十二是多少呢?得到的是两千六百四。那按照我推荐的这个不这个这个步数来 说哈,我们画风要求是八百步,以他八千步以内,那人物是两千步以内,所以我们现在只有两千六百四, 至少还差了四倍,是吧?差了四倍,那怎么办呢?我们这里重复的醒连次数乘以四,写字八 啊,这个虽然说不是要那么精准哈,这个我我给的这个公司啊,这个就是一个大概的一个范围哈,所以说你多一点少一点没关系哈, 那就变了,一万一万零五百六十步了哈,差不多吧哈,差不多啊,小一点的哈,不用那么多哈,一万多步了,因为这个涉及到你的训练时间了,如果你这个重复次数多的话,那 当你这个时间又成倍的翻倍哈,就我们这个试试试试就可以哈。好了,那这就是参数的设置哈。完了哈, 不难吧,这个不就是一个小学了,交警成竹吗?负担吧是吧,然后直接又其他,然后用这个抛射运行好,开始训练 好开始哈,你看呢?已经开始了,这是开始学习的这么一个界面就不用管啊,不用等,反正,反正你最后看到是啊,全分离时就可以了啊。好吧,那今天讲的这个内容就到这哈。

lore 训练完成之后,你肯定想要了解一下到底哪个 lore 的效果才是最好的。本节课的内容就是教你如何高效的测试训练出来的 lore 效果。正文分两个部分,分别是,第一,测试不同 lore 加不同权重的效果。第二,测试 lore 与不同大模型的适配程度。 首先是不同 lord 加不同权重的影响。上节课我们使用的测试素材集是一堆勋章,而经过默认参数的训练, 我们得到了五个 laura 模型。我们可以结合 web u i 脚本中的 x, y, z 图表来快速的验证一下不同 laura 的实际效果。我们需要准备一组提示词, tiger head, wings, circle, blue diamond, budget, design, shinning, realistic, masterpiece, best quality, dark background, simple background。 加入常用的负向提示词的 bedding bad artist is a negative。 我们将上次训练的 laura 放进去,注意,为了更好的看出效果变化,最好按照一定的规律来进行展示,所以这里我们就按照 laura 产出的先后顺序来进行绘图。 我们选择第一个,巨梦幺零零零零零二,其他参数暂时都按照默认即可。拉到页面的底部,打开脚本,选择 x, y c, 图表下边会展开 x 轴, y 轴, c 轴这样的相关参数。点击 x 轴类型下边的下拉框, 这些是可以作为 x 轴选项的内容,大家不需要太纠结这个东西应该怎么用,直接跟着我的操作使用一次就明白了。这里我们选择提示词搜索和替换 x 轴值。下面的输入框要输入文字,第一个词是我们需要替换的文字内容, 这个词必须是提示词中出现的词汇,否则会报错。这里我们想要每一次替换一个新的 lower 模型,所以被替换的内容是句梦幺、零零零零零二。后边填写要换成什么内容,我们切换到 lower 模型这里, 按照我们的命名规则,后续分别是零四、零六、零八和不带后缀的名字,所以这里我们就填写句梦幺、零零零零零四句梦幺、零零零零零六、 巨梦幺、零零零零零八和巨梦一单词之间用英文的逗号隔开,注意一定要用英文逗号, 否则会报错。最后一个词汇之后不要写逗号,否则会多生成一列内容。 y 轴类型下边的下拉框同样选择提示词搜索和替换,但 y 轴我们打算切换不同的 lol 权重,而权重我们期望从低到高进行展示,所以要回 到提示词这里,将权重的一修改为零点零, 然后在外轴值这里填写具体的权重值。第一个写被替换的内容,也就是零点零,后边分别是零点二、零点四、零点六、零点八和一点零,同样权重之间用英文逗号隔开, 最后一个权重后不要写逗号。有一点提醒一下,关于高分辨率修复,在测试阶段建议不打开,因为测试时需要生成的图片很多,我们只是做初步筛选,开了高分辨率修复会极大的降低效率, 所以这里不建议打开,后边细挑的时候再开就好。配置完成后就可以点击生成按钮等待渲染和查收结果了, 我们也可以换一组提示词来生成做效果对比 好。横轴是不同的 lower 模型,纵轴是不同的权重效果,我们可以稍微放大看一下。 目前看起来有些 lore 学到了素材集中的部分要素,比如说对称性和浮夸的边框细节。名为聚梦一的 lore 整体效果是比较符合预期的,合适的 lore 权重在零点八到一点零之间,毕竟我们用了全默认参数,泰迪也没有好好优化。 那么这个 laura 结合不同的大模型效果会如何呢?我们同样可以使用 x y、 c 图表来做效果对比。首先将提示词中的 laura 固定为我们刚刚挑选出来的 laura, 并将权重修改 改为零点零, 将 x 轴类型修改为模型名 x 轴直。这里点击进来会弹出你所有安装了的大模型名字,勾选你想要测试效果的大模型就可以了,可以多选。不过有一点需要注意,因为我们的 laura 是基于 sd 一点五的底膜进行训练的, 所以这里大模型不可以选择 s d x l 的大模型,因为 s d 一点五和 s d, x l 的 laura 是不通用的。 点击生成按钮,稍等一会就可以看到结果了,这就是这个 lord 在不同大模型下的展示效果,具体适配性看起来还可以,你觉得呢?后续就可以使用自己喜欢的 lord 来跑图了,这个时候就可以开高清放大,增加 叠带步数看看效果了。本节课就先到这里下节预告。关于 lower 训练,我们上次用了全默认参数,整体上有点囫囵吞枣,你一定很好奇这些参数到底是什么意思,影响什么?所以下节课我们就来介绍下这些参数中比较关键的参数 测试,不同的参数下使用相同的训练级会输出什么样的? lord 硬核之旅即将开始,关于 lord 训练,你还想要了解哪些内容?也可以留言告诉我。这里是专注 ai 绘画的聚梦小课堂,记得关注我呀!

我是真的发现有很多人都不会学习,就拿训练 lora 来说吧,有一个学生想要训练这种衣服类型的 lora, 但是他实在是不懂这些参数该怎么样子的设置,后来就找到我,我一听啊,这些东西还需要自己想吗?这种参数我们找点成功案例抄一下不就行了吗?所以本条视频主要是来讲解如何看懂每一个 lower 的数据,而且将他们运用到实际的训练流程里。 首先借回刚才的话题,让我们先来看这一个 j k 服装的 laura, 鼠标放到它上面的时候,会发现上面有一个红点, 里面是一个感叹号,我们点击他的话,就能够看到 laura 训练时候的各种参数。通过第一个参数我们就可以看到他训练这个 laura 的底模是这个 stable diffusion 一杠五的模型, 然后它这一块的参数,它也就是你 lower 训练包里的这个位置的参数, 比如说他这里是七六八乘以七六八,那这个地方也是七六八乘以七六八。而且我们要知道他这个地方的参数呢,他并不等于你每一张训练集里面的图片的大小,真正的训练集里面图片的大小 我们在后面会提到,然后他下一个训练的参数是等同于训练集里面图片的张数乘以每一张图片训练的次数, 训练节里面图片的总数。这个地方大家都很好理解他这里的每一张图片训练的次数,他是在这个位置,我们可以看到是有一个一百五,然后下划线比上一个 jk 制服,这个一百五就是每一张训练集里面的图片,他训练的次数,每张图片训练一百五十次,我们可以用计算器来计算一下,他这里是一四四零零除以每一张图片训练一百五十次,一百五 他等于九十六,就说他训练级里一共是有九十六张图片,我们可以往下接着看,他下面这一块的格式可以看出来都是左边是一个词,右边的是一个数字,中间是用冒号相连。他这一块的意思是说左边 左边的像这些什么,呃, jk 什么什么,还有白色的 jk 什么的,他这块是给这些训练集里面的图片打的标签, 右边呢是这个些标签,比如说这一个词,他一共出现了三十四次,因为我们刚才算出来,他整个的训练级是九十六,也就是说九十六张图片,他对应着九十六个不同的标签文件, 那也就是说这个词在九十六份标签文档当中出现了一共三十四次。那么下面这些词呢,都是可以用刚才的逻辑去推理, 比如说这个黑色的 jk 群,这个词一共出现了十次。我们继续往下看,这些都是给训练集里的图片打的标签。 呃,下面这个地方,这个地方的参数大家都很熟悉,他是说两张图片 一起进行训练,这个地方的参数就对应着训练包里面的这个参数,就是批量大小。然后我们往下看,这个地方他也是有一些像素或者说图片尺寸的设置, 那么这里的图片尺寸的设置跟我们最上面的看到这个地方七六八乘以七六八,这两个地方有什么不同呢?让我们回到这个训练包, 我们可以看到训练包里面是有一个训练图片的分辨率的正面一样一个设置,然而我们在处理自己的训练集的时候,有时候并不会把每一张训练集里面图片的尺寸设置的一样,也就是刚才我们看到的七六八乘七六八, 也可能会使用其他尺寸的图片进行训练,那么这个时候你的捞绕训练包就会将 将这种其他尺寸的图片进行一个处理好,让这种图片不至于过大。那么我们回过头来再看这一块的参数,像这一块的数据就是记录了你训练集里面其他尺寸的图片的情况, 比如说我们可以看到这里是六十四比上二五六,那就是说有一张图片的尺寸是宽六十四,高是二百五十六的一个尺寸, 然后下面有一个这个参数,然后他比了一个三百,这个意思是说像这个比例的图片, 他加起来一共训练了三百步,这是什么意思呢?由于我们刚才在这个地方就可以看到他其实每一张图片是训练了一百五十步,然后呢 刚才是在这里看到了三百步,所以我们可以用三百除以一百五就等于二,所以我们就可以知道这个尺寸的图片,他在样本集里面一共是两张,下面每一个参数都可以这样子进行理解, 然后这一块的参数他又可以在训练包的这个位置能够对应的上,然后可以看这里,这里我们可以看到有一个一百五,然后比上一个 jk 制服,下面是给了两个参数,一个是 repeat 一百五, 然后还有一个是图片的数量是九十六。呃,我们还记得我们刚才在最上面的这个地方计算过一个数,就是幺四四零零,除以一百五,正好是等于九十六吗? 所以说在刚才我们看到的这个地方,这个地方他就是说图片的总数是九十六张,每一张图片训练一百五十次, 这里就跟上面那块我们能够对应的上,然后下面的这些参数其实就是非常的简单,因为每一个参数我们都可以在训练包里面找的到,比如说这里有一个 cable 头跟子,他这里写的是无, 呃,那么在训练包里面他对应的就是这一块的选项。呃,无就是说零嘛,也就是说他这里没有一个特定的触发词, 如果你用过这款 lolo 的话,你就会记得它里面的出发词是非常非常多的。那么这些出发词呢,其实就是跟我们上面,我们在上面的这个地方看到的词是 是能够对应的上的,然后还可以再往下看,这里有一个最大的训练步数是七千二百步,然后就是我们每一次训练都觉得很难设置的一个学习率, 在这里也都能够看得到。比如他这里设置的就是零点零零零一,然后他文本的学习率,他是在这个地方设置的是五亿负五,然后在下面我们还可以看到他设置的优化器,他在训练包里面呢,对应的就是这一个。 如果你想训练一个服装类型的 laura, 为什么不去抄一些已经成功的 laura 的参数呢?因为这些参数已经能够得到验证了, 我们可以一开始根据这些已经成功的 lower 的参数进行一个训练,然后在第二遍训练的时候,可以根据训练的结果从这些上面 进行一个微调,这样子的话我觉得才能让我们训练的模型更加的优秀。其实不光是服装类型的 lower, 我们比如说训练人相关的 lower 的时候,也可以照抄他们相关的参数。 这个捞儿我觉得很神奇的地方就是他的 d m 的值设置成了一百十八,而这个模型的阿拉法的值同样的设置成了一百十八,但是这个模型的整体表现力其实还是不错的, 所以我是觉得从这些参数里面我们能够看到一些真的很有意思的地方,他能够打破我们常规的一些思路。那么以上呢,就是今天的全部内容了, 大家在训练 lower 的时候,真的可以参考一下这些 lower 的参数,作为自己设置参数的依据。

hello, 大家好,大家玩 stable defusion 应该有一段时间了吧,也下载了很多的大模型和 laura, 但是有的大模型和 laura 呢?它是有一定的触发词的,只有和触发词结合在一起使用,这个效果才会更好一些。 就比如说像这个汉服的 lara, 它是有相对应的触发词的,就是这旁边紫色的这个就是它的触发词,你只有和这种触发词结合在一起使用,才更好地去调用这个 lara, 它的效果才会更好一些。那么 回到这里,如果你的大模型和 lora 下载的比较少,那你这个还记得这个触发词,但是这个模型一旦多了之后,可能就不太方便我们记忆了,或者是你把这些触发词写在记事本上边啊等等之类的,但是不是那么好去调用。像我之前 前给大家去介绍了一个插件,就是 safeta ai 助手这个插件,它可以对这些模型进行管理,但是有的人跟我反馈它这个有一定的 bug, 很可能就是扫描不成功,而且只能扫描 c 站上边的一些模型,那从别的一些地方或者自己训练的一些模型就没办法去管理了。那么今天就给大家去介绍另外一款插件,就是这个 laura prompter to 这个插件,它可以很好的去管理我们的模型。那这个插件是怎么样的?我们一起来看一下,就比如说像这个汉服的这个 laura, 对吧? 然后你点击它,它会在这里去调用这个 lora, 但是它还有相对应的触发词,我们鼠标右击,然后我们点这个汉服,你可以看一下它的 触发词就放过来了,就是这个你可以看一下一模一样的这个触发词啊。还有一个你鼠标右击,你还可以加入试列图片的提示词,就是这些图片,你可以看一下这些图片都是 c 站上边扒拉下来的,那么就是这个 就是这些图片可以看一下的,那么你点这个图片,他就可以把这个图片的提示词,然后就是自动的就是转到这个提示词框内了,然后我们再把这个清除掉, 我们再看一下下边他还有试列读的提示词和他这个读的一些参数,他也可以去调用,但是我觉得他这个还是有一 定的问题,你可以看一下他这个地方都不对,你看大小很明显是不对的,对吧?然后还有等等一系列的,比如说这个我没有他相对应的底膜,我给大家去就是说介绍一下,我们先把这里清空,我们刷新一下嘛, 我们就以一个我有的,比如说像这个国风三,然后就是他这个图, 你可以看一下他的提示词是对的,然后但是他下边你可以看一下这个地方 大小是不对的,而且他的这些放大算法啊,这些都是不对的。比如说我们在这里生成,他是没办法去生成这张图的,是有问题的,可以看一下是有问题的,没办法去调用 它,是什么原因呢?比如说我们可以看一下哈,我们在 c 站上边去找国风三的模型, 就是这张图片,我们可以看一下生成这张图片它的参数,点右下角这个地方,然后 copy 它生成的参数,复制回到 stable diffusing 这个页面,我们先清空一下提示词, 把我们刚刚复制的东西粘贴到这里来,然后这里是它的正反向提示词,下边就是各种的参数,我们可以看一下, 这个是比较重要的,这个是噪声种子偏移,他是还原图片的,这是大小六四零乘以零二四。我们再往后看,这是他的采样方法,这是跳 过程是二,然后是高清修复采样的一个次数是六十四,放大两倍,这个是放大算法,这是他的一些参数,我们点这个地方,点这个箭头,他就可以帮我们自动的去配置好了,可以看一下, 但是它是没有这个差异,随机种子的这个地方是没有的,我们取消这个勾选,但是它多了一个覆盖设置,你可以看一下跳过层十二,然后这个是噪声种子偏移,因为我这两个都没有去设置,然后我们点这里生成,你可以看一下, 它就可以生成就是这张图片了,就是还原这张图片,就是这个,那么它这个插件这个地方是有问题的,这个参数是有问题的,我们看一下到底有什么问题。我们刷新一 同样,我们鼠标右击,然后点这个 点它,它的这个正反向提示词是对的,没有问题。然后我们再往下看, 它的放大算法是错的,它没有去识别是这个放大算法,然后它的高清修复采样次数也是没有识别出来,它是六十四的一个次数,大小也是不对的,是六四零乘以零二四。 然后我们再往下,他是没有这个差异,随机种子的,他这个地方是应该错了,应该是那个噪声种子偏移,所以我们这个不勾选那个噪声种子偏移呢?他是在这个地方我们点设置,然 后这里有一个采样器参数,下边这里就是噪声种子偏移,就是这个东西他是建议三幺三三七的,他不影响我们平时生成图片的。设置好了之后,我们点保存, 然后回到纹身图这个地方,它的跳过程是二,其他的参数我们也已经改掉了,改掉之后我们再点击生成,你可以看一下, 它就可以还原我们这张图片了,可以看一下,所以这个功能呢,它的这个参数,这个地方是有问题的,但是我们可以借鉴上边的这个,它的这些图片,它的这些提示词你是可以看的,而 这些提示词的话可以学习,我们可以结合这个提示词插件,就是这个地方,然后你可以把这些识别出来,把意思翻译出来,然后进行一些调整,你可以去学习生成一些比较类似的一些图片,对吧?那这个地方他是那个翻译有点慢,可以看一下, 就是这个插件,这个插件我觉得最大的一个用处不是在这个地方,而是在它可以去编辑你从别的地方下载的模型,或者是嗯,就是在 c 站上边下载,但是这边没有去识别的,或者是你自己训练的 一些模型,比如说像这个 lorra, 这是 c 账上边的一个 lorra 盲盒的这个 lorra, 然后你鼠标右击,它没办法去识别它的就是 提示词啊这些,这个是我之前就是测试了一下,就是没有去识别好他的一些触发词等等之类的,那我们可以点这个地方进行编辑,比如说像你自己训练的罗啊,或者别的一些地方下载的一些罗啊,你就可以在这进行编辑了, 这是他的名称,然后路径等等,这一等你还可以在这里设置一些就是权重,你调用他的时候,他就会使用这个权重。 然后还有这个建议的 lora 的一个分层控制,你也可以在这里进行编辑,然后这是他的名称和触发词,这是我之前测试的, 然后这是额外的描述专用的反向提示词,你都可以进行设置,设置好了之后点这里确认保存,就可以去调用这些了,这是一键的编辑。但是我不是特别建议大家用这个, 而是建议大家用这个高级编辑。就是这个地方,比如说像这里的名称,我可以去输入,我就输入一个盲盒这样的一个名称,然后触发词 c 账上边我们搜到 盲盒的这个模型,然后你可以看一下他的出发词,是这个,我们就复制一下, 然后回到这里,我们可以把触发词黏贴到这里来,然后这个是触发词的一个分类,你也可以进行填写的,然后这个是反向提示词,我们不管, 当然这里触发词设置好了,我们可以点这个加号进行添加,就是下边这是可以添加的,我们也可以点这个叉删除, 是也可以删除,同样我们点这个这个地方也是可以添加的,然后比如说我们在这里添加一个就是附项, 然后这个是它的反向提示词,比如说我就随便复制一个它的反向提示词 粘贴到这儿来,然后这里你反向提示词,你这后边儿要填写 y, 你还可以继续的编辑添加,都是 ok 的。然后这里也可以移除重复的提示,这儿是移除空白的提示等等。然后你编辑好了之后,特别是你自己训练的模型, 然后你是可以在这编辑的,而且你这里也可以就是说把你这上边的内容就是一行为一组,把它输入到这里,然后也点这个从文字框读取提示词,它也可以读取到这儿来, 明白了吗?然后如果你是军 boss 模型,然后去就是训练的,那你也可以点这个直接去抓取他的一个触发词,也是 ok 的, 然后这里你保存好了之后,对吧?然后回到这个纹身图,你可以看一下,就是这个盲盒的这个你鼠标右键,你可以看一下我们刚刚点的这个盲盒,我们先把这里清空掉,就这清空掉, 然后我们刚刚输出的这个盲盒,对吧?比如说我们点它,先点它去调用这个 lora, 然后 我们可以鼠标右击输入这个盲盒,你可以看一下他的触发词就已经调用好了,就是这个就是我们刚设置的,而且这里我们不是输入了一个负向,就是这个反向提示词吗?然后我们点他, 他这个反向提示词,这个地方就可以帮我们去录入进去了,就是我们刚刚进行设置的,而且这里是我们建议的模型设置,就是这个建议的这个权重,我们点他, 你可以看一下,就是我们刚设置的这个 laura 调用的一个权重是零点六,他直接是这样去调用的,所以你直接点他调用的是一的一个权重,但如果你是调用的那个建议权重就是我们刚设置的这个零点六,明白了吗?是可以进行编辑的,不管是在 c 上上边还是你自己训练的 模型,都是可以在这里进行编辑的。除了这个像 c 站上边,比如说像这个 就是这个模型,我们也可以就是进行编辑,现在是啥都没有,对吧?但是他是 c 站上边的一个模型,我们点这个编辑,然后来到这个页面之后,我们同样点到这个高级编辑里边, 然后我们可以直接从 safety ai 抓取配置文件,我们点它, 你就可以看到他是在 c 站上边抓取的这个提示词了,比如说我们在这里嘛,然后同样我们回到这个地方去输入这个模型搜一下,我们看一下他抓取的那个对不对?就是这个,就是这个 cute girl mix 四,然后它的 这个触发词就是这个复制一下吗?我们回到这个地方,你可以看一下,比如说这里我们粘贴一下,对吧?是一样的, 然后多的一些地方,你可以进行编辑的,就是这个地方,比如说我们也复制这个反向提示词,然后我们点这里反向反向 提示词,然后这个地方它的触发词,我们这里还可以改名字,我们就改成触发词都可以 反向提示词,我们不敢把刚刚那个粘贴到这来,然后你反向提 提示词,这后边就是要设为 y, 就是这一块,然后设置好了之后,你可以点这里保存, 然后保存好了之后,我们回到这个纹身图这里,然后我们就是这个模型,我们鼠标右击,然后你就可以看到这里是他的触发词,对吧?我们先调用一下这个 lora, 可以看一下是调用了,然后我们再把这个触发词点上,可以看一下就是这里, 然后呢我们把这里先删掉,这个是反向提示词框,然后这里有一个反向提示词,点他你可以看一下, 就是这样的,大家可以下来去看一下,然后你从 c 站上边抓取的这个呃文件之后, 它会有这些试列图,你可以看一下这是抓取的试列图等等,都是可以进行编辑的, 明白了吗?这个是这个插件非常的方便,大家下来可以去试用一下,然后你看一下他的一个就安装方法,跟我们平时的这个插件的安装方法是一样的,我们这个地址会分享给大家。来到这个页面之后,你点这里的鼠标绿色的这个 地方,然后点它复制一下这行命令,回到 stable defusion 这个页面,然后点这里的扩展,从网站安装,把刚刚那个命令粘贴到这里来,点这里安装, 安装好了之后,他这里会出现他安装的地址,然后你再点这个已安装应用并重启就可以了。如果这里因为网速等原因下载不下来,你可以点这个地方同样复制这个命令,然后我们 回到这个 weby 的一个目录,然后找到 extensions 这个文件夹,然后来到这里之后,我们鼠标右击,在终端中打开,可以打开这个界面,没有的话你就在这里输入 powershell 或者是 c, m, d 都可以,然后再按那个 enter 键,它也可以进入这个窗口,然后我们在这里输入 get clone, 把我们刚刚那个命令粘贴到这里来,然后在 enter 键进行运行,我这里就不运行了,然后你运行好了之后,它会自动下载这个插件, 这个是第二种方法。第三种方法呢?就是回到这个页面,然后你可以下载他的压缩包,就是这里有个当漏的,你可以点这个地方下载他 的压缩包。下载好了之后你要进行解压,解压好的那个文件你同样放到这个 extensions 这个文件夹下边来,然后放好了之后重新启动你的 vbui, 就可以使用这个插件了。然后这个就是今天的一个分享,大家下来可以自行的去试用一下这个插件。