OneTrainer

Orniateur

OneTrainer est une solution à guichet unique pour tous vos besoins de formation stable en diffusion.

Caractéristiques

• Modèles pris en charge : Flux.1, diffusion stable 1.5, 2.0, 2.1, 3.0, 3.5, SDXL, Würstchen-V2, Cascade stable, Pixart-Alpha, Pixart-Sigma et Modèles d'intervention
• Formats du modèle : Modèles de diffuseurs et CKPT
• Méthodes de formation : Fonction complète, Lora, intégres
• Formation masquée : Laissez la formation se concentrer sur certaines parties des échantillons.
• Sauvegardes automatiques : sauvegardez régulièrement votre formation régulièrement pendant la formation. Cela comprend toutes les informations pour continuer de manière transparente à la formation.
• Augmentation de l'image : appliquez des transformations aléatoires telles que la rotation, la luminosité, le contraste ou la saturation à chaque échantillon d'image pour créer rapidement un ensemble de données plus diversifié.
• Tensorboard : une simple intégration du tensorboard pour suivre les progrès de l'entraînement.
• Plusieurs invites par image : former le modèle sur plusieurs invites différentes par échantillon d'image.
• Resaliment du planificateur de bruit : Du papier de diffusion commun, les horaires de bruit et les étapes d'échantillonnage sont imparfaits
• EMA : Formez votre propre modèle EMA. Gardez éventuellement les poids EMA dans la mémoire du processeur pour réduire l'utilisation du VRAM.
• Rapport d'aspect Godet : s'entraînez automatiquement sur plusieurs rapports d'aspect à la fois. Sélectionnez simplement les résolutions cibles, les seaux sont créés automatiquement.
• Formation multi-résolution : former plusieurs résolutions en même temps.
• Outillage de jeu de données : légendre automatiquement votre ensemble de données à l'aide de BLIP, BLIP2 et WD-1.4, ou créez des masques pour une formation masquée à l'aide de ClipSeg ou Rembg.
• Outil de modèle : convertir entre différents formats de modèle à partir d'une interface utilisateur simple.
• Échantillonnage UI : Échantillonnez le modèle pendant la formation sans passer à une application différente.
• Alignprop : une méthode d'apprentissage de renforcement pour les réseaux de diffusion à partir de l'article alignant les modèles de diffusion de texte à l'image avec une rétro-propagation de récompense

Installation

L'installation de OneTrainer nécessite Python> = 3,10 et <3.13. Vous pouvez télécharger Python ici https://www.python.org/downloads/windows/. Ensuite, suivez ces étapes:

Installation automatique

• Clone The Repository git clone https://github.com/Nerogar/OneTrainer.git
• Courir:
  • Windows: install.bat
  • Systèmes basés sur Unix: install.sh

Installation manuelle

• Clone The Repository git clone https://github.com/Nerogar/OneTrainer.git
• Naviguer dans le cd OneTrainer
• Configurer un environnement virtuel python -m venv venv
• Activez le nouveau Venv:
  • Windows: venvscriptsactivate
  • Systèmes basés sur UNIX: source venv/bin/activate
• Installer les exigences pip install -r requirements.txt

Dans une distribution Linux, vous devrez peut-être installer LiBGL, par exemple sur Ubuntu, vous devrez fonctionner:

 sudo apt-get update
sudo apt-get install libgl1

Mise à jour

Mise à jour automatique

• Exécuter update.bat ou update.sh

Mise à jour manuelle

• Tirez les modifications git pull
• Activer Venv venvscriptsactivate
• Réinstaller toutes les exigences pip install -r requirements.txt --force-reinstall

Usage

Pour démarrer l'interface utilisateur, exécutez start-ui.bat . Vous pouvez trouver un guide de démarrage rapide ici., Et un aperçu plus détaillé de différents sujets ici.

Si vous avez besoin de plus de contrôle, OneTrainer prend en charge deux modes de fonctionnement. Ligne de commande uniquement, et une interface utilisateur. Toutes les commandes doivent être exécutées à l'intérieur du VENV actif créé lors de l'installation.

Toutes les fonctionnalités sont divisées en différents scripts situés dans le répertoire scripts . Cela comprend actuellement:

• train.py le script d'entraînement central
• train_ui.py une interface utilisateur pour la formation
• caption_ui.py une interface utilisateur pour le sous-titrage manuel ou automatique et la création de masque pour une formation masquée
• convert_model_ui.py une interface utilisateur pour les conversions de modèle
• convert_model.py un utilitaire pour convertir entre différents formats de modèle
• sample.py un utilitaire pour goûter à n'importe quel modèle
• create_train_files.py un utilitaire pour créer des fichiers nécessaires lors de la formation uniquement à partir de la CLI
• generate_captions.py un utilitaire pour créer automatiquement des sous-titres pour votre ensemble de données
• generate_masks.py un utilitaire pour créer automatiquement des masques pour votre ensemble de données
• calculate_loss.py un utilitaire pour calculer la perte de formation de chaque image de votre ensemble de données

Pour en savoir plus sur les différents paramètres, exécutez <script-name> -h . Par exemple python scriptstrain.py -h

Si vous êtes sur Mac ou Linux, lisez la documentation du script de lancement pour des informations détaillées sur la façon d'exécuter le codeur et ses différents scripts sur votre système.

Contributif

Les contributions sont toujours les bienvenues sous quelque forme que ce soit. Vous pouvez ouvrir des problèmes, participer à des discussions ou même ouvrir des demandes de traction pour des fonctionnalités nouvelles ou améliorées. Vous pouvez trouver plus d'informations ici.

Avant de commencer à regarder le code, je recommande de lire sur la structure du projet ici. Pour des discussions en profondeur, vous devriez envisager de rejoindre le serveur Discord.

Vous devez également installer les dépendances du développeur requises pour votre utilisateur actuel et activer les crochets GIT Commit, via les commandes suivantes (fonctionne sur toutes les plates-formes; Windows, Linux et Mac):

pip install -r requirements-dev.txt
pre-commit install

(Assurez-vous d'exécuter ces commandes sans activer votre environnement VENV ou Conda, car le pré-engagement est censé être installé en dehors de n'importe quel environnement.)

Désormais, tous vos engagements seront automatiquement vérifiés pour les erreurs courantes et les problèmes de style de code, afin que les examinateurs de code puissent se concentrer sur l'architecture de vos modifications sans perdre de temps sur les problèmes de style / formatage, améliorant ainsi considérablement les chances que votre demande de traction soit acceptée rapidement et sans effort.

Projets connexes

• MGDS : Une implémentation de données personnalisée pour Pytorch qui est construite autour de l'idée d'un graphique basé sur le nœud.
• StableTuner : Une autre application de formation pour la diffusion stable. OneTrainer prend beaucoup d'inspiration de StableTuner et n'existerait pas sans lui.
• Visions of Chaos : une collection d'outils d'apprentissage automatique qui comprend également unsetrainer.