PaperspaceでFLUX.1[dev]のLoRAを作成しよう！
Paperspaceは、従量課金ではなく、月額$8または$39でNotebookでGPUを利用できる唯一のプラットフォームです。GPUの独占は、最大で6時間という制限はあるものの、料金を気にせずに利用できる点が魅力的です。
今回は、このPaperspaceでFLUX.1[dev]のLoRAを作成する方法を解説します。FLUX.1[dev]のLoRAの作成方法は、Paperspaceが以下の記事にまとめているので、こちらの記事を参考に進めていきます。
1. プロジェクトのファイル構成
プロジェクトのファイル構成は以下になります。ai-toolkitフォルダ内には、他にもファイルがありますが、今回編集・使用するものだけを記載しています。
notebooks/
└── FLUX_Training/
├── label.py
├── training_data/
└── ai-toolkit/
├── output/
├── config/
│ └── examples/
│ └── train_lora_flux_24gb.yaml
└── run.pyFLUX_Training: 今回のLoRA作成のための作業フォルダ
label.py: 画像にキャプションを付けるスクリプト
training_data: LoRA作成に使用する画像とキャプションを格納するフォルダ
ai-toolkit: FLUX.1モデルのトレーニングに関するすべての複雑な処理を行うトレーニングキット
output: 作成されたLoRAが格納されるフォルダ
ai-toolkit/confi/examples/train_lora_flux_24gb.yaml: トレーニングの設定が記載されている設定ファイル
ai-toolkit/run.py: トレーニングを実施するスクリプト
FLUX_Training、training_dataフォルダは、事前に作成しておいてください。
2. トレーニングデータの準備
まず、トレーニングに使用する画像をtraining_dataフォルダに格納してください。
次にターミナルで以下のコマンドを実行してください。
pip install -U oyaml transformers einops albumentations python-dotenv flash_attn次にFLUX_Trainingフォルダにlabel.pyを以下の内容で作成してください。label.pyを実行することで、自動で画像からキャプションを作成できます。コード内の<MORE_DETAILED_CAPTION>には、手動で付け加えたいキャプションを入力してください。例えば、アディダスの服を学習させるとしたら、adidasというキャプションを付与することで、画像生成時のトリガーに使用できます。
import requests
import torch
from PIL import Image
from transformers import AutoProcessor, AutoModelForCausalLM
import os
device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32
model_id = 'microsoft/Florence-2-large'
model = AutoModelForCausalLM.from_pretrained(model_id, trust_remote_code=True, torch_dtype='auto').eval().cuda()
processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)
prompt = "<MORE_DETAILED_CAPTION>"
for i in os.listdir('training_data'+'/'):
if i.split('.')[-1]=='txt':
continue
image = Image.open('training_data'+'/'+i)
inputs = processor(text=prompt, images=image, return_tensors="pt").to(device, torch_dtype)
generated_ids = model.generate(
input_ids=inputs["input_ids"],
pixel_values=inputs["pixel_values"],
max_new_tokens=1024,
num_beams=3,
do_sample=False
)
generated_text = processor.batch_decode(generated_ids, skip_special_tokens=False)[0]
parsed_answer = processor.post_process_generation(generated_text, task="<MORE_DETAILED_CAPTION>", image_size=(image.width, image.height))
print(parsed_answer)
with open('training_data'+'/'+f"{i.split('.')[0]}.txt", "w") as f:
f.write(parsed_answer["<MORE_DETAILED_CAPTION>"])
f.close()コンソールからFLUX_Trainingフォルダに移動し、以下のコマンドでlabel.pyを実行してください。
python label.pylabel.pyの実行が完了すると、training_dataフォルダ内の各画像に対して、キャプションが記載されたtxtファイルが作成されます。
3. トレーニングの準備
ターミナルから以下のコマンドを実行し、ai-toolkitのインストールや環境のセットアップを行います。
cd /notebooks/FLUX_Training
git clone https://github.com/ostris/ai-toolkit.git
cd ai-toolkit
git submodule update --init --recursive
python3 -m venv venv
source venv/bin/activate
pip3 install -r requirements.txt
pip install peft
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118以下のコマンドを実行し、HuggingFaceにログインしてください。ログインには、HuggingFaceのトークンが必要になるため、事前にトークンを取得しておいてください。
huggingface-cli logintrain_lora_flux_24gb.yamlを編集します。
<YOUR LORA NAME>には、LoRA名を入力してください。例えば、アディダスのTシャツのLoRAならば、"adidas-tshirt-v1"のような感じです。
<PATH TO YOUR IMAGES>には、トレーニングデータのディレクトリパスを入力してください。今回の場合は、"/notebooks/FLUX_Training/training_data"になります。
[name]には、LoRA使用時のトリガーとなるプロンプトを入力してください。例えば、アディダスのLoRAなら、"adidas"といった感じです。
---
job: extension
config:
# this name will be the folder and filename name
name: <YOUR LORA NAME>
process:
- type: 'sd_trainer'
# root folder to save training sessions/samples/weights
training_folder: "output"
# uncomment to see performance stats in the terminal every N steps
# performance_log_every: 1000
device: cuda:0
# if a trigger word is specified, it will be added to captions of training data if it does not already exist
# alternatively, in your captions you can add [trigger] and it will be replaced with the trigger word
# trigger_word: "p3r5on"
network:
type: "lora"
linear: 16
linear_alpha: 16
save:
dtype: float16 # precision to save
save_every: 250 # save every this many steps
max_step_saves_to_keep: 4 # how many intermittent saves to keep
datasets:
# datasets are a folder of images. captions need to be txt files with the same name as the image
# for instance image2.jpg and image2.txt. Only jpg, jpeg, and png are supported currently
# images will automatically be resized and bucketed into the resolution specified
# on windows, escape back slashes with another backslash so
# "C:\\path\\to\\images\\folder"
- folder_path: <PATH TO YOUR IMAGES>
caption_ext: "txt"
caption_dropout_rate: 0.05 # will drop out the caption 5% of time
shuffle_tokens: false # shuffle caption order, split by commas
cache_latents_to_disk: true # leave this true unless you know what you're doing
resolution: [1024] # flux enjoys multiple resolutions
train:
batch_size: 1
steps: 2500 # total number of steps to train 500 - 4000 is a good range
gradient_accumulation_steps: 1
train_unet: true
train_text_encoder: false # probably won't work with flux
gradient_checkpointing: true # need the on unless you have a ton of vram
noise_scheduler: "flowmatch" # for training only
optimizer: "adamw8bit"
lr: 1e-4
# uncomment this to skip the pre training sample
# skip_first_sample: true
# uncomment to completely disable sampling
# disable_sampling: true
# uncomment to use new vell curved weighting. Experimental but may produce better results
linear_timesteps: true
# ema will smooth out learning, but could slow it down. Recommended to leave on.
ema_config:
use_ema: true
ema_decay: 0.99
# will probably need this if gpu supports it for flux, other dtypes may not work correctly
dtype: bf16
model:
# huggingface model name or path
name_or_path: "black-forest-labs/FLUX.1-dev"
is_flux: true
quantize: true # run 8bit mixed precision
# low_vram: true # uncomment this if the GPU is connected to your monitors. It will use less vram to quantize, but is slower.
sample:
sampler: "flowmatch" # must match train.noise_scheduler
sample_every: 250 # sample every this many steps
width: 1024
height: 1024
prompts:
# you can add [trigger] to the prompts here and it will be replaced with the trigger word
# - "[trigger] holding a sign that says 'I LOVE PROMPTS!'"\
- "woman with red hair, playing chess at the park, bomb going off in the background"
- "a woman holding a coffee cup, in a beanie, sitting at a cafe"
- "a horse is a DJ at a night club, fish eye lens, smoke machine, lazer lights, holding a martini"
- "a man showing off his cool new t shirt at the beach, a shark is jumping out of the water in the background"
- "a bear building a log cabin in the snow covered mountains"
- "woman playing the guitar, on stage, singing a song, laser lights, punk rocker"
- "hipster man with a beard, building a chair, in a wood shop"
- "photo of a man, white background, medium shot, modeling clothing, studio lighting, white backdrop"
- "a man holding a sign that says, 'this is a sign'"
- "a bulldog, in a post apocalyptic world, with a shotgun, in a leather jacket, in a desert, with a motorcycle"
neg: "" # not used on flux
seed: 42
walk_seed: true
guidance_scale: 4
sample_steps: 20
# you can add any additional meta info here. [name] is replaced with config name at top
meta:
name: "[name]"
version: '1.0'
4. トレーニングの実行
以下のコマンドを実行し、トレーニングを開始します。
python3 run.py config/examples/train_lora_flux_24gb.yamlトレーニングが完了すると、ai-toolkit/output/<LoRA名>/<LoRA名>.safetensorsが作成されます。これがLoRAになります。
この記事でご紹介したAI技術の応用方法について、もっと詳しく知りたい方や、実際に自社のビジネスにAIを導入したいとお考えの方、私たちは、企業のAI導入をサポートするAIコンサルティングサービスを提供しています。以下のようなニーズにお応えします。
AIを使った業務効率化の実現
データ分析に基づくビジネス戦略の立案
AI技術の導入から運用・教育までの全面サポート
専門家によるカスタマイズされたAIソリューションの提案
初回相談無料ですので、お気軽にご相談ください。以下のリンクからお問い合わせください。