Hi，大家好，我是半亩花海。在上一个任务中，我们逐行精读baseline，掌握了利用AI工具提升学习效率，并制作了话剧连环画，初步了解Secpter WebUI。今天，我们将深入探讨微调的基本原理及其参数，旨在优化效果。同时，介绍文生图工作流平台ComfyUI，帮助实现更高度定制的文生图生成，进一步提升我们的创作和应用能力。

一、初探ComfyUI工具

1.了解ComfyUI

1.1 ComfyUI概念

GUI是 "Graphical User Interface"（图形用户界面）的缩写。简单来说，GUI就是你在电脑屏幕上看到的那种有图标、按钮和菜单的交互方式。

ComfyUI是GUI的一种，是基于节点工作的用户界面，主要用于操作图像的生成技术，ComfyUI的特别之处在于它采用了一种模块化的设计，把图像生成的过程分解成了许多小的步骤，每个步骤都是一个节点。这些节点可以连接起来形成一个工作流程，这样用户就可以根据需要定制自己的图像生成过程。

ComfyUI工具的具体介绍详情看下面的视频：1 万字系统剖析ComfyUI | Stable Diffusion：GUI全盘点 | ComfyUI系统性教程原理篇04 | Ai+建筑_哔哩哔哩_bilibili

1.2 ComfyUI核心模块

核心模块由模型加载器、提示词管理器、采样器、解码器组成。

（1）模型加载器：Load Checkpoint用于加载基础的模型文件，包含Model、CLIP、VAE三部分。

（2）提示词管理器：CLIP模块将文本类型的输入变为模型可以理解的latent space embedding作为模型的输入。

（3）采样器：用于控制模型生成图像，不同的采样取值会影响最终输出图像的质量和多样性。采样器可以调节生成过程的速度和质量之间的平衡。

这里重点讲讲采样器，主要是介绍Stable Diffusion部分。

Stable Diffusion的基本原理是通过降噪的方式（如完全的噪声图像），将一个原本的噪声信号变为无噪声的信号（如人可以理解的图像）。其中的降噪过程涉及到多次的采样。采样的系数在KSampler中配置：

seed：控制噪声产生的随机种子control_after_generate：控制seed在每次生成后的变化steps：降噪的迭代步数，越多则信号越精准，相对的生成时间也越长cfg：classifier free guidance决定了prompt对于最终生成图像的影响有多大。更高的值代表更多地展现prompt中的描述。denoise: 多少内容会被噪声覆盖 sampler_name、scheduler：降噪参数。

（4）解码器：VAE模块的作用是将Latent space中的embedding解码为像素级别的图像。

1.3 ComfyUI图片生成流程

ComfyUI图片生成流程：

第一步：选择模型

从可用的AI模型列表中选择合适的模型，例如Stable Diffusion或其他文本到图像模型。第二步：构建工作流

在ComfyUl的图形界面上拖拽节点，并将它们连接起来以形成一个完整的图像生成或编辑流程。输入必要的参数，如文本提示、图像文件等。第三步：执行生成

运行构建好的工作流，观察生成的结果。第四步：调整与优化

如果需要，可以根据生成的结果调整参数或修改工作流，直至获得满意的效果。

1.4 ComfyUI的优势

模块化和灵活性：ComfyUI 提供了一个模块化的系统，用户可以通过拖放不同的模块来构建复杂的工作流程。这种灵活性允许用户根据自己的需求自由组合和调整模型、输入、输出、和其他处理步骤。可视化界面：ComfyUI 提供了直观的图形界面，使得用户能够更清晰地理解和操作复杂的 AI 模型和数据流。这对没有编程背景的用户特别有帮助，使他们能够轻松构建和管理工作流程。多模型支持：ComfyUI 支持多个不同的生成模型，用户可以在同一平台上集成和切换使用不同的模型，从而实现更广泛的应用场景。调试和优化：通过其可视化界面，ComfyUI 使得调试生成过程变得更简单。用户可以轻松地追踪数据流，识别并解决问题，从而优化生成结果。开放和可扩展：ComfyUI 是一个开源项目，具有高度的可扩展性。开发者可以根据需要编写新的模块或插件，扩展系统功能，并根据项目需求进行定制。用户友好性：尽管其功能强大，但 ComfyUI 仍然保持了用户友好性，即使对于复杂任务，也能以相对简单的方式完成，使其成为生成式 AI 工作流程管理的有力工具。

2. 20分钟速通安装ComfyUI

在这里，我们依旧选择使用魔搭社区提供的Notebook（链接：我的Notebook · 魔搭社区 (modelscope.cn)）和免费的GPU算力体验来体验ComfyUI。

​

2.1 下载脚本代码文件

下载安装<code>ComfyUI的执行文件和task1中微调完成Lora文件。

git lfs install

git clone https://www.modelscope.cn/datasets/maochase/kolors_test_comfyui.git

mv kolors_test_comfyui/* ./

rm -rf kolors_test_comfyui/

mkdir -p /mnt/workspace/models/lightning_logs/version_0/checkpoints/

mv epoch=0-step=500.ckpt /mnt/workspace/models/lightning_logs/version_0/checkpoints/

 （1）在file中创建一个terminal（左侧）             （2）粘贴代码，下载文件（右侧）

​

​

2.2 进入ComfyUI的安装文件

我们双击进入ComfyUI的安装文件：

​

2.3 一键执行安装程序（大约10min）

​

​

2.4 进入预览界面

当执行到最后一个节点的内容输出了一个访问的链接的时候（即 This is the URL to access ComfyUI: 后面的链接 https://pension-democrats-designated-campbell.trycloudflare.com），复制链接到浏览器中访问。

PS：如果链接访问白屏，或者报错，就等一会再访问重试，程序可能没有正常启动完毕。

​

​

注意：到这里还不能生成图片哦，要完成接下来的操作才可以。

3. 浅尝ComfyUI工作流

3.1 不带LoRA的工作流样例

Step1：下载工作流脚本

👇请下载工作流脚本（kolors_example.json）👇

需加载到刚刚安装的comfyUI上（json文件可以找我要或者详见Datawhale (linklearner.com)）

<code>{

"last_node_id": 15,

"last_link_id": 18,

"nodes": [

{

"id": 11,

"type": "VAELoader",

"pos": [

1323,

240

],

"size": {

"0": 315,

"1": 58

},

"flags": {},

"order": 0,

"mode": 0,

"outputs": [

{

"name": "VAE",

"type": "VAE",

"links": [

12

],

"shape": 3

}

],

"properties": {

"Node name for S&R": "VAELoader"

},

"widgets_values": [

"sdxl.vae.safetensors"

]

},

{

"id": 10,

"type": "VAEDecode",

"pos": [

1368,

369

],

"size": {

"0": 210,

"1": 46

},

"flags": {},

"order": 6,

"mode": 0,

"inputs": [

{

"name": "samples",

"type": "LATENT",

"link": 18

},

{

"name": "vae",

"type": "VAE",

"link": 12,

"slot_index": 1

}

],

"outputs": [

{

"name": "IMAGE",

"type": "IMAGE",

"links": [

13

],

"shape": 3,

"slot_index": 0

}

],

"properties": {

"Node name for S&R": "VAEDecode"

}

},

{

"id": 14,

"type": "KolorsSampler",

"pos": [

1011,

371

],

"size": {

"0": 315,

"1": 222

},

"flags": {},

"order": 5,

"mode": 0,

"inputs": [

{

"name": "kolors_model",

"type": "KOLORSMODEL",

"link": 16

},

{

"name": "kolors_embeds",

"type": "KOLORS_EMBEDS",

"link": 17

}

],

"outputs": [

{

"name": "latent",

"type": "LATENT",

"links": [

18

],

"shape": 3,

"slot_index": 0

}

],

"properties": {

"Node name for S&R": "KolorsSampler"

},

"widgets_values": [

1024,

1024,

1000102404233412,

"fixed",

25,

5,

"EulerDiscreteScheduler"

]

},

{

"id": 6,

"type": "DownloadAndLoadKolorsModel",

"pos": [

201,

368

],

"size": {

"0": 315,

"1": 82

},

"flags": {},

"order": 1,

"mode": 0,

"outputs": [

{

"name": "kolors_model",

"type": "KOLORSMODEL",

"links": [

16

],

"shape": 3,

"slot_index": 0

}

],

"properties": {

"Node name for S&R": "DownloadAndLoadKolorsModel"

},

"widgets_values": [

"Kwai-Kolors/Kolors",

"fp16"

]

},

{

"id": 3,

"type": "PreviewImage",

"pos": [

1366,

468

],

"size": [

535.4001724243165,

562.2001106262207

],

"flags": {},

"order": 7,

"mode": 0,

"inputs": [

{

"name": "images",

"type": "IMAGE",

"link": 13

}

],

"properties": {

"Node name for S&R": "PreviewImage"

}

},

{

"id": 12,

"type": "KolorsTextEncode",

"pos": [

519,

529

],

"size": [

457.2893696934723,

225.28656056301645

],

"flags": {},

"order": 4,

"mode": 0,

"inputs": [

{

"name": "chatglm3_model",

"type": "CHATGLM3MODEL",

"link": 14,

"slot_index": 0

}

],

"outputs": [

{

"name": "kolors_embeds",

"type": "KOLORS_EMBEDS",

"links": [

17

],

"shape": 3,

"slot_index": 0

}

],

"properties": {

"Node name for S&R": "KolorsTextEncode"

},

"widgets_values": [

"cinematic photograph of an astronaut riding a horse in space |\nillustration of a cat wearing a top hat and a scarf |\nphotograph of a goldfish in a bowl |\nanime screencap of a red haired girl",

"",

1

]

},

{

"id": 15,

"type": "Note",

"pos": [

200,

636

],

"size": [

273.5273818969726,

149.55464588512064

],

"flags": {},

"order": 2,

"mode": 0,

"properties": {

"text": ""

},

"widgets_values": [

"Text encoding takes the most VRAM, quantization can reduce that a lot.\n\nApproximate values I have observed:\nfp16 - 12 GB\nquant8 - 8-9 GB\nquant4 - 4-5 GB\n\nquant4 reduces the quality quite a bit, 8 seems fine"

],

"color": "#432",

"bgcolor": "#653"

},

{

"id": 13,

"type": "DownloadAndLoadChatGLM3",

"pos": [

206,

522

],

"size": [

274.5334274291992,

58

],

"flags": {},

"order": 3,

"mode": 0,

"outputs": [

{

"name": "chatglm3_model",

"type": "CHATGLM3MODEL",

"links": [

14

],

"shape": 3

}

],

"properties": {

"Node name for S&R": "DownloadAndLoadChatGLM3"

},

"widgets_values": [

"fp16"

]

}

],

"links": [

[

12,

11,

0,

10,

1,

"VAE"

],

[

13,

10,

0,

3,

0,

"IMAGE"

],

[

14,

13,

0,

12,

0,

"CHATGLM3MODEL"

],

[

16,

6,

0,

14,

0,

"KOLORSMODEL"

],

[

17,

12,

0,

14,

1,

"KOLORS_EMBEDS"

],

[

18,

14,

0,

10,

0,

"LATENT"

]

],

"groups": [],

"config": {},

"extra": {

"ds": {

"scale": 1.1,

"offset": {

"0": -114.73954010009766,

"1": -139.79705810546875

}

}

},

"version": 0.4

}

Step2：加载模型，并完成第一次生图

PS：首次点击生成图片会加载资源，时间较长，大家耐心等待。

（1）加载工作流（左侧）                                      （2）执行生成图片（右侧）

​

​

3.2 带LoRA的工作流样例

工作流脚本（带LoRA训练）（kolors with lora_example.json）

（json文件可以找我要或者详见Datawhale (linklearner.com)）

<code>{

"last_node_id": 16,

"last_link_id": 20,

"nodes": [

{

"id": 11,

"type": "VAELoader",

"pos": [

1323,

240

],

"size": {

"0": 315,

"1": 58

},

"flags": {},

"order": 0,

"mode": 0,

"outputs": [

{

"name": "VAE",

"type": "VAE",

"links": [

12

],

"shape": 3

}

],

"properties": {

"Node name for S&R": "VAELoader"

},

"widgets_values": [

"sdxl.vae.safetensors"

]

},

{

"id": 10,

"type": "VAEDecode",

"pos": [

1368,

369

],

"size": {

"0": 210,

"1": 46

},

"flags": {},

"order": 7,

"mode": 0,

"inputs": [

{

"name": "samples",

"type": "LATENT",

"link": 18

},

{

"name": "vae",

"type": "VAE",

"link": 12,

"slot_index": 1

}

],

"outputs": [

{

"name": "IMAGE",

"type": "IMAGE",

"links": [

13

],

"shape": 3,

"slot_index": 0

}

],

"properties": {

"Node name for S&R": "VAEDecode"

}

},

{

"id": 15,

"type": "Note",

"pos": [

200,

636

],

"size": {

"0": 273.5273742675781,

"1": 149.5546417236328

},

"flags": {},

"order": 1,

"mode": 0,

"properties": {

"text": ""

},

"widgets_values": [

"Text encoding takes the most VRAM, quantization can reduce that a lot.\n\nApproximate values I have observed:\nfp16 - 12 GB\nquant8 - 8-9 GB\nquant4 - 4-5 GB\n\nquant4 reduces the quality quite a bit, 8 seems fine"

],

"color": "#432",

"bgcolor": "#653"

},

{

"id": 13,

"type": "DownloadAndLoadChatGLM3",

"pos": [

206,

522

],

"size": {

"0": 274.5334167480469,

"1": 58

},

"flags": {},

"order": 2,

"mode": 0,

"outputs": [

{

"name": "chatglm3_model",

"type": "CHATGLM3MODEL",

"links": [

14

],

"shape": 3

}

],

"properties": {

"Node name for S&R": "DownloadAndLoadChatGLM3"

},

"widgets_values": [

"fp16"

]

},

{

"id": 6,

"type": "DownloadAndLoadKolorsModel",

"pos": [

201,

368

],

"size": {

"0": 315,

"1": 82

},

"flags": {},

"order": 3,

"mode": 0,

"outputs": [

{

"name": "kolors_model",

"type": "KOLORSMODEL",

"links": [

19

],

"shape": 3,

"slot_index": 0

}

],

"properties": {

"Node name for S&R": "DownloadAndLoadKolorsModel"

},

"widgets_values": [

"Kwai-Kolors/Kolors",

"fp16"

]

},

{

"id": 12,

"type": "KolorsTextEncode",

"pos": [

519,

529

],

"size": {

"0": 457.28936767578125,

"1": 225.28656005859375

},

"flags": {},

"order": 4,

"mode": 0,

"inputs": [

{

"name": "chatglm3_model",

"type": "CHATGLM3MODEL",

"link": 14,

"slot_index": 0

}

],

"outputs": [

{

"name": "kolors_embeds",

"type": "KOLORS_EMBEDS",

"links": [

17

],

"shape": 3,

"slot_index": 0

}

],

"properties": {

"Node name for S&R": "KolorsTextEncode"

},

"widgets_values": [

"二次元，长发，少女，白色背景",

"",

1

]

},

{

"id": 3,

"type": "PreviewImage",

"pos": [

1366,

469

],

"size": {

"0": 535.400146484375,

"1": 562.2001342773438

},

"flags": {},

"order": 8,

"mode": 0,

"inputs": [

{

"name": "images",

"type": "IMAGE",

"link": 13

}

],

"properties": {

"Node name for S&R": "PreviewImage"

}

},

{

"id": 16,

"type": "LoadKolorsLoRA",

"pos": [

606,

368

],

"size": {

"0": 317.4000244140625,

"1": 82

},

"flags": {},

"order": 5,

"mode": 0,

"inputs": [

{

"name": "kolors_model",

"type": "KOLORSMODEL",

"link": 19

}

],

"outputs": [

{

"name": "kolors_model",

"type": "KOLORSMODEL",

"links": [

20

],

"shape": 3,

"slot_index": 0

}

],

"properties": {

"Node name for S&R": "LoadKolorsLoRA"

},

"widgets_values": [

"/mnt/workspace/models/lightning_logs/version_0/checkpoints/epoch=0-step=500.ckpt",

2

]

},

{

"id": 14,

"type": "KolorsSampler",

"pos": [

1011,

371

],

"size": {

"0": 315,

"1": 266

},

"flags": {},

"order": 6,

"mode": 0,

"inputs": [

{

"name": "kolors_model",

"type": "KOLORSMODEL",

"link": 20

},

{

"name": "kolors_embeds",

"type": "KOLORS_EMBEDS",

"link": 17

},

{

"name": "latent",

"type": "LATENT",

"link": null

}

],

"outputs": [

{

"name": "latent",

"type": "LATENT",

"links": [

18

],

"shape": 3,

"slot_index": 0

}

],

"properties": {

"Node name for S&R": "KolorsSampler"

},

"widgets_values": [

1024,

1024,

0,

"fixed",

25,

5,

"EulerDiscreteScheduler",

1

]

}

],

"links": [

[

12,

11,

0,

10,

1,

"VAE"

],

[

13,

10,

0,

3,

0,

"IMAGE"

],

[

14,

13,

0,

12,

0,

"CHATGLM3MODEL"

],

[

17,

12,

0,

14,

1,

"KOLORS_EMBEDS"

],

[

18,

14,

0,

10,

0,

"LATENT"

],

[

19,

6,

0,

16,

0,

"KOLORSMODEL"

],

[

20,

16,

0,

14,

0,

"KOLORSMODEL"

]

],

"groups": [],

"config": {},

"extra": {

"ds": {

"scale": 1.2100000000000002,

"offset": {

"0": -183.91309381910426,

"1": -202.11110769225016

}

}

},

"version": 0.4

}

执行操作：

这里的Lora是我们Task1微调训练出来的文件地址是：/mnt/workspace/models/lightning_logs/version_0/checkpoints/epoch=0-step=500.ckpt大家如有有其他的Lora文件，可以在下面截图Lora文件地址区域更换成自己的地址

（1）加载工作流（左侧）                                  （2）执行生成图片（右侧）

​

​

4. 自我学习，快速提升

4.1 资源网站

4.2 魔搭官方教程

2.2ComfyUI应用场景探索_哔哩哔哩_bilibili

二、Lora微调

1. Lora简介

LoRA (Low-Rank Adaptation) 微调是一种用于在预训练模型上进行高效微调的技术。它可以通过高效且灵活的方式实现模型的个性化调整，使其能够适应特定的任务或领域，同时保持良好的泛化能力和较低的资源消耗。这对于推动大规模预训练模型的实际应用至关重要。

1.1 Lora微调的原理

LoRA通过在预训练模型的关键层中添加低秩矩阵来实现。这些低秩矩阵通常被设计成具有较低维度的参数空间，这样它们就可以在不改变模型整体结构的情况下进行微调。在训练过程中，只有这些新增的低秩矩阵被更新，而原始模型的大部分权重保持不变。

一个 LORA 模型，它由三部分组成：

<code>lora_down.weight（下层权重）lora_up.weight（上层权重）alpha（缩放系数）

具体可以参考下面视频，对 Lora 的原理讲的比较通俗易懂：通俗易懂理解全量微调和LoRA微调_哔哩哔哩_bilibili。

1.2 Lora微调的优势

（1）快速适应新任务

在特定领域有少量标注数据的情况下，也可以有效地对模型进行个性化调整，可以迅速适应新的领域或特定任务。

（2）保持泛化能力

LoRA通过微调模型的一部分，有助于保持模型在未见过的数据上的泛化能力，同时还能学习到特定任务的知识。

（3）资源效率

LoRA旨在通过仅微调模型的部分权重，而不是整个模型，从而减少所需的计算资源和存储空间。

2. Lora详解

现在我们来针对可图比赛中的微调代码进行一个深入的了解。

2.1 Task2中的微调代码

import os

cmd = """

python DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py \ # 选择使用可图的Lora训练脚本DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py

--pretrained_unet_path models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors \ # 选择unet模型

--pretrained_text_encoder_path models/kolors/Kolors/text_encoder \ # 选择text_encoder

--pretrained_fp16_vae_path models/sdxl-vae-fp16-fix/diffusion_pytorch_model.safetensors \ # 选择vae模型

--lora_rank 16 \ # lora_rank 16 表示在权衡模型表达能力和训练效率时，选择了使用 16 作为秩，适合在不显著降低模型性能的前提下，通过 LoRA 减少计算和内存的需求

--lora_alpha 4.0 \ # 设置 LoRA 的 alpha 值，影响调整的强度

--dataset_path data/lora_dataset_processed \ # 指定数据集路径，用于训练模型

--output_path ./models \ # 指定输出路径，用于保存模型

--max_epochs 1 \ # 设置最大训练轮数为 1

--center_crop \ # 启用中心裁剪，这通常用于图像预处理

--use_gradient_checkpointing \ # 启用梯度检查点技术，以节省内存

--precision "16-mixed" # 指定训练时的精度为混合 16 位精度（half precision），这可以加速训练并减少显存使用

""".strip()

os.system(cmd) # 执行可图Lora训练

2.2 参数详情表

2.3 UNet、VAE和文本编码器的协作关系

UNet：负责根据输入的噪声和文本条件生成图像。在Stable Diffusion模型中，UNet接收由VAE编码器产生的噪声和文本编码器转换的文本向量作为输入，并预测去噪后的噪声，从而生成与文本描述相符的图像VAE：生成模型，用于将输入数据映射到潜在空间，并从中采样以生成新图像。在Stable Diffusion中，VAE编码器首先生成带有噪声的潜在表示，这些表示随后与文本条件一起输入到UNet中文本编码器：将文本输入转换为模型可以理解的向量表示。在Stable Diffusion模型中，文本编码器使用CLIP模型将文本提示转换为向量，这些向量与VAE生成的噪声一起输入到UNet中，指导图像的生成过程

3. 上传LoRA模型

LoRA 上传地址：模型创建 · 魔搭社区 (modelscope.cn)。

（1）移动结果文件

新建 Terminal（File→New→Terminal），粘贴如下命令，回车执行。 

<code>mkdir /mnt/workspace/output & cd

cp /mnt/workspace/models/lightning_logs/version_0/checkpoints/epoch=0-step=500.ckpt /mnt/workspace/output/

cp /mnt/workspace/1.png /mnt/workspace/output/

（2）下载结果文件

双击进入output文件夹，分别下载两个文件到本地。 

（3）创建并上传模型

点击链接：模型创建 · 魔搭社区 (modelscope.cn)，创建模型，英文名称建议格式：xxx-LoRA；中文名称建议格式：队伍名称-可图Kolors训练-xxx。

我这里英文和中文的命名分别是 lora1_LoRA 和 Test03-可图Kolors训练-lora1 。

我的LoRA模型链接：Test03-可图Kolors训练-lora1 · 模型库 (modelscope.cn) 。

三、如何准备一个高质量的数据集

当我们进行图片生成相关的工作时，选择合适的数据集是非常重要的。如何找到适合自己的数据集呢，这里给大家整理了一些重要的参考维度，希望可以帮助你快速找到适合的数据集：

1. 明确你的需求和目标

关注应用场景：确定你的模型将被应用到什么样的场景中（例如，艺术风格转换、产品图像生成、医疗影像合成等）。关注数据类型：你需要什么样的图片？比如是真实世界的照片还是合成图像？是黑白的还是彩色的？是高分辨率还是低分辨率？关注数据量：考虑你的任务应该需要多少图片来支持训练和验证。

2. 数据集来源整理

以下渠道来源均需要考虑合规性问题，请大家在使用数据集过程中谨慎选择。

四、ComfyUI样例完整代码

1. 下载并安装 ComfyUI

<code># #@title Environment Setup

from pathlib import Path

OPTIONS = {}

UPDATE_COMFY_UI = True #@param {type:"boolean"}

INSTALL_COMFYUI_MANAGER = True #@param {type:"boolean"}

INSTALL_KOLORS = True #@param {type:"boolean"}

INSTALL_CUSTOM_NODES_DEPENDENCIES = True #@param {type:"boolean"}

OPTIONS['UPDATE_COMFY_UI'] = UPDATE_COMFY_UI

OPTIONS['INSTALL_COMFYUI_MANAGER'] = INSTALL_COMFYUI_MANAGER

OPTIONS['INSTALL_KOLORS'] = INSTALL_KOLORS

OPTIONS['INSTALL_CUSTOM_NODES_DEPENDENCIES'] = INSTALL_CUSTOM_NODES_DEPENDENCIES

current_dir = !pwd

WORKSPACE = f"{current_dir[0]}/ComfyUI"

%cd /mnt/workspace/

![ ! -d $WORKSPACE ] && echo -= Initial setup ComfyUI =- && git clone https://github.com/comfyanonymous/ComfyUI

%cd $WORKSPACE

if OPTIONS['UPDATE_COMFY_UI']:

!echo "-= Updating ComfyUI =-"

!git pull

if OPTIONS['INSTALL_COMFYUI_MANAGER']:

%cd custom_nodes

![ ! -d ComfyUI-Manager ] && echo -= Initial setup ComfyUI-Manager =- && git clone https://github.com/ltdrdata/ComfyUI-Manager

%cd ComfyUI-Manager

!git pull

if OPTIONS['INSTALL_KOLORS']:

%cd ../

![ ! -d ComfyUI-KwaiKolorsWrapper ] && echo -= Initial setup KOLORS =- && git clone https://github.com/kijai/ComfyUI-KwaiKolorsWrapper.git

%cd ComfyUI-KwaiKolorsWrapper

!git pull

%cd $WORKSPACE

if OPTIONS['INSTALL_CUSTOM_NODES_DEPENDENCIES']:

!pwd

!echo "-= Install custom nodes dependencies =-"

![ -f "custom_nodes/ComfyUI-Manager/scripts/colab-dependencies.py" ] && python "custom_nodes/ComfyUI-Manager/scripts/colab-dependencies.py"

!wget "https://modelscope.oss-cn-beijing.aliyuncs.com/resource/cloudflared-linux-amd64.deb"

!dpkg -i cloudflared-linux-amd64.deb

2. 下载模型

#@markdown ###Download standard resources

OPTIONS = {}

#@markdown **unet**

!wget -c "https://modelscope.cn/models/Kwai-Kolors/Kolors/resolve/master/unet/diffusion_pytorch_model.fp16.safetensors" -P ./models/diffusers/Kolors/unet/

!wget -c "https://modelscope.cn/models/Kwai-Kolors/Kolors/resolve/master/unet/config.json" -P ./models/diffusers/Kolors/unet/

#@markdown **encoder**

!modelscope download --model=ZhipuAI/chatglm3-6b-base --local_dir ./models/diffusers/Kolors/text_encoder/

#@markdown **vae**

!wget -c "https://modelscope.cn/models/AI-ModelScope/sdxl-vae-fp16-fix/resolve/master/sdxl.vae.safetensors" -P ./models/vae/ #sdxl-vae-fp16-fix.safetensors

#@markdown **scheduler**

!wget -c "https://modelscope.cn/models/Kwai-Kolors/Kolors/resolve/master/scheduler/scheduler_config.json" -P ./models/diffusers/Kolors/scheduler/

#@markdown **modelindex**

!wget -c "https://modelscope.cn/models/Kwai-Kolors/Kolors/resolve/master/model_index.json" -P ./models/diffusers/Kolors/

3. 安装 LoRA 节点

lora_node = """

import torch

from peft import LoraConfig, inject_adapter_in_model

class LoadKolorsLoRA:

@classmethod

def INPUT_TYPES(s):

return {

"required": {

"kolors_model": ("KOLORSMODEL", ),

"lora_path": ("STRING", {"multiline": False, "default": "",}),

"lora_alpha": ("FLOAT", {"default": 2.0, "min": 0.0, "max": 4.0, "step": 0.01}),

},

}

RETURN_TYPES = ("KOLORSMODEL",)

RETURN_NAMES = ("kolors_model",)

FUNCTION = "add_lora"

CATEGORY = "KwaiKolorsWrapper"

def convert_state_dict(self, state_dict):

prefix_rename_dict = {

"blocks.7.transformer_blocks": "down_blocks.1.attentions.0.transformer_blocks",

"blocks.10.transformer_blocks": "down_blocks.1.attentions.1.transformer_blocks",

"blocks.15.transformer_blocks": "down_blocks.2.attentions.0.transformer_blocks",

"blocks.18.transformer_blocks": "down_blocks.2.attentions.1.transformer_blocks",

"blocks.21.transformer_blocks": "mid_block.attentions.0.transformer_blocks",

"blocks.25.transformer_blocks": "up_blocks.0.attentions.0.transformer_blocks",

"blocks.28.transformer_blocks": "up_blocks.0.attentions.1.transformer_blocks",

"blocks.31.transformer_blocks": "up_blocks.0.attentions.2.transformer_blocks",

"blocks.35.transformer_blocks": "up_blocks.1.attentions.0.transformer_blocks",

"blocks.38.transformer_blocks": "up_blocks.1.attentions.1.transformer_blocks",

"blocks.41.transformer_blocks": "up_blocks.1.attentions.2.transformer_blocks",

}

suffix_rename_dict = {

".to_out.lora_A.default.weight": ".to_out.0.lora_A.default.weight",

".to_out.lora_B.default.weight": ".to_out.0.lora_B.default.weight",

}

state_dict_ = {}

for name, param in state_dict.items():

for prefix in prefix_rename_dict:

if name.startswith(prefix):

name = name.replace(prefix, prefix_rename_dict[prefix])

for suffix in suffix_rename_dict:

if name.endswith(suffix):

name = name.replace(suffix, suffix_rename_dict[suffix])

state_dict_[name] = param

lora_rank = state_dict_["up_blocks.1.attentions.2.transformer_blocks.1.attn2.to_q.lora_A.default.weight"].shape[0]

return state_dict_, lora_rank

def load_lora(self, model, lora_rank, lora_alpha, state_dict):

lora_config = LoraConfig(

r=lora_rank,

lora_alpha=lora_alpha,

init_lora_weights="gaussian",code>

target_modules=["to_q", "to_k", "to_v", "to_out.0"],

)

model = inject_adapter_in_model(lora_config, model)

model.load_state_dict(state_dict, strict=False)

return model

def add_lora(self, kolors_model, lora_path, lora_alpha):

state_dict = torch.load(lora_path, map_location="cpu")code>

state_dict, lora_rank = self.convert_state_dict(state_dict)

kolors_model["pipeline"].unet = self.load_lora(kolors_model["pipeline"].unet, lora_rank, lora_alpha, state_dict)

return (kolors_model,)

NODE_CLASS_MAPPINGS = {

"LoadKolorsLoRA": LoadKolorsLoRA,

}

NODE_DISPLAY_NAME_MAPPINGS = {

"LoadKolorsLoRA": "Load Kolors LoRA",

}

__all__ = ["NODE_CLASS_MAPPINGS", "NODE_DISPLAY_NAME_MAPPINGS"]

""".strip()

import os

os.makedirs("/mnt/workspace/ComfyUI/custom_nodes/ComfyUI-LoRA", exist_ok=True)

with open("/mnt/workspace/ComfyUI/custom_nodes/ComfyUI-LoRA/__init__.py", "w", encoding="utf-8") as f:code>

f.write(lora_node)

4. 启动 ComfyUI

启动后，通过代码输出的链接查看 UI 页面点击右侧“Load”，加载“kolors_example.json”（不带 LoRA）或者 “kolors_with_lora_example.json”（带 LoRA）加载 LoRA 时，请在“lora_path”处填入 LoRA 模型的路径，例如 /mnt/workspace/models/lightning_logs/version_0/checkpoints/epoch=0-step=500.ckpt

%cd /mnt/workspace/ComfyUI

import subprocess

import threading

import time

import socket

import urllib.request

def iframe_thread(port):

while True:

time.sleep(0.5)

sock = socket.socket(socket.AF_INET, socket.SOCK_STREAM)

result = sock.connect_ex(('127.0.0.1', port))

if result == 0:

break

sock.close()

print("\nComfyUI finished loading, trying to launch cloudflared (if it gets stuck here cloudflared is having issues)\n")

p = subprocess.Popen(["cloudflared", "tunnel", "--url", "http://127.0.0.1:{}".format(port)], stdout=subprocess.PIPE, stderr=subprocess.PIPE)

for line in p.stderr:

l = line.decode()

if "trycloudflare.com " in l:

print("This is the URL to access ComfyUI:", l[l.find("http"):], end='')code>

#print(l, end='')code>

threading.Thread(target=iframe_thread, daemon=True, args=(8188,)).start()

!python main.py --dont-print-server