Playground V2.5 के लिए Lora प्रशिक्षण में महारत: एक व्यापक गाइड

Playground V2.5 के लिए Lora प्रशिक्षण एक उन्नत तकनीक है जो AI मॉडल के फाइन-ट्यूनिंग और अनुकूलन की अनुमति देती है। यह गाइड Diffusers रिपॉजिटरी का उपयोग करने पर केंद्रित है, क्योंकि Lora अभी तक Kohya रिपॉजिटरी में लागू नहीं किया गया है। प्रक्रिया में एक विशेष स्क्रिप्ट और डेटासेट रूपांतरण उपकरण का उपयोग करना शामिल है ताकि सर्वोत्तम परिणाम प्राप्त किए जा सकें।

Lora प्रशिक्षण प्रक्रिया शुरू करने से पहले, अपने वातावरण को सही ढंग से सेट करना आवश्यक है। आवश्यक निर्भरताएँ स्थापित करने के लिए pip का उपयोग करें: ```bash pip install huggingface_hub datasets pillow xformers bitsandbytes transformers accelerate wandb dadaptation prodigyopt torch -q pip install peft -q pip install git+https://github.com/huggingface/diffusers.git -q ``` स्थापना के बाद, `accelerate config default` कमांड चलाएँ ताकि त्वरक सेटिंग्स को कॉन्फ़िगर किया जा सके।

प्रशिक्षण के लिए मुख्य स्क्रिप्ट `train_dreambooth_lora_sdxl_advanced.py` है। इस स्क्रिप्ट को चलाने के लिए, निम्नलिखित कमांड संरचना का उपयोग करें: ```bash #!/usr/bin/env bash accelerate launch train_dreambooth_lora_sdxl_advanced.py \ --pretrained_model_name_or_path="playgroundai/playground-v2.5-1024px-aesthetic" \ --dataset_name="$dataset_name" \ --instance_prompt="$instance_prompt" \ --validation_prompt="$validation_prompt" \ --output_dir="$output_dir" \ --caption_column="$caption_column" \ --do_edm_style_training \ --mixed_precision="bf16" \ --resolution=1024 \ --train_batch_size=3 \ --repeats=1 \ --report_to="wandb"\ --gradient_accumulation_steps=1 \ --gradient_checkpointing \ --learning_rate=1e-5 \ --optimizer="AdamW"\ --lr_scheduler="constant" \ --rank="$rank" \ --max_train_steps=2000 \ --checkpointing_steps=2000 \ --seed="0" \ --push_to_hub ``` सुनिश्चित करें कि प्लेसहोल्डर वेरिएबल (जैसे, $dataset_name, $instance_prompt) को अपने विशिष्ट मानों से बदलें।

मुख्य पैरामीटर को समझना सफल Lora प्रशिक्षण के लिए महत्वपूर्ण है: 1. dataset_name: आपके HuggingFace डेटासेट का पथ। 2. instance_prompt: बैकअप कैप्शन और मॉडल के README के लिए उपयोग किया जाता है। 3. validation_prompt: प्रशिक्षण के दौरान छवियाँ उत्पन्न करता है ताकि सीखने की प्रक्रिया को देखा जा सके। 4. caption_column: आपके HuggingFace डेटासेट में कैप्शन के लिए कॉलम नाम निर्दिष्ट करता है। ये पैरामीटर आपको अपने विशिष्ट आवश्यकताओं और डेटासेट संरचना के अनुसार प्रशिक्षण प्रक्रिया को अनुकूलित करने की अनुमति देते हैं।

प्रयोग के आधार पर, निम्नलिखित सेटिंग्स सर्वोत्तम परिणाम उत्पन्न करने के लिए दिखी हैं: 1. लर्निंग रेट: 1e-5 या Prodigy ऑप्टिमाइज़र का उपयोग करना। 2. बैच आकार: 3 (जैसा कि स्क्रिप्ट में निर्दिष्ट है)। 3. अधिकतम प्रशिक्षण चरण: 2000 (अपने डेटासेट के आकार और इच्छित प्रशिक्षण समय के आधार पर समायोजित करें)। प्रशिक्षण प्रक्रिया के दौरान ओवरफिटिंग की निगरानी करना महत्वपूर्ण है। मॉडल की प्रगति का आकलन करने के लिए वैलिडेशन प्रॉम्प्ट और उत्पन्न छवियों का उपयोग करें और यदि आवश्यक हो तो पैरामीटर समायोजित करें।

आपके Lora प्रशिक्षण और अनुमान में और सहायता के लिए, निम्नलिखित संसाधन उपलब्ध हैं: 1. अनुमान के लिए ComfyUI कार्यप्रवाह: Hugging Face या GitHub पर उपलब्ध। 2. प्रशिक्षण के लिए Colab नोटबुक: प्रशिक्षण प्रक्रिया को निष्पादित करने के लिए एक उपयोगकर्ता-अनुकूल इंटरफ़ेस प्रदान करता है। 3. डेटासेट रूपांतरण स्क्रिप्ट: Kohya-फॉर्मेट डेटासेट को HuggingFace फॉर्मेट में परिवर्तित करने में मदद करता है। ये संसाधन निम्नलिखित पर पाए जा सकते हैं: - https://huggingface.co/artificialguybr/Playground-V2.5-Lora-Colab-Inference-Comfyui - https://github.com/artificialguybr/Playground-V2.5-LoraCreator-Inference/tree/main इन अतिरिक्त उपकरणों का उपयोग आपके कार्यप्रवाह को सरल बना सकता है और Playground V2.5 के साथ आपके Lora प्रशिक्षण अनुभव को बढ़ा सकता है।