Playground V2.5를 위한 Lora 훈련 마스터하기: 종합 가이드

Playground V2.5를 위한 Lora 훈련은 AI 모델의 미세 조정 및 사용자 지정을 가능하게 하는 고급 기술입니다. 이 가이드는 Lora가 Kohya 리포지토리에 아직 구현되지 않았기 때문에 Diffusers 리포지토리를 사용하는 데 중점을 둡니다. 이 과정은 최적의 결과를 얻기 위해 특정 스크립트와 데이터셋 변환 도구를 사용하는 것을 포함합니다.

Lora 훈련 과정을 시작하기 전에 환경을 올바르게 설정하는 것이 중요합니다. 필요한 종속성을 pip를 사용하여 설치하는 것으로 시작하세요: ```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 ``` 설치 후, `accelerate config default` 명령을 실행하여 가속 설정을 구성합니다.

훈련을 위한 주요 스크립트는 `train_dreambooth_lora_sdxl_advanced.py`입니다. 이 스크립트를 실행하려면 다음 명령 구조를 사용하세요: ```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 ``` 플레이스홀더 변수(예: $dataset_name, $instance_prompt)를 특정 값으로 교체하는 것을 잊지 마세요.

주요 매개변수를 이해하는 것은 성공적인 Lora 훈련에 매우 중요합니다: 1. dataset_name: HuggingFace 데이터셋의 경로입니다. 2. instance_prompt: 대체 캡션 및 모델의 README로 사용됩니다. 3. validation_prompt: 훈련 중에 이미지를 생성하여 학습 과정을 시각화합니다. 4. caption_column: HuggingFace 데이터셋에서 캡션의 열 이름을 지정합니다. 이러한 매개변수는 훈련 과정을 특정 요구 사항 및 데이터셋 구조에 맞게 사용자 지정할 수 있게 해줍니다.

실험을 기반으로 다음 설정이 최상의 결과를 생성하는 것으로 나타났습니다: 1. 학습률: 1e-5 또는 Prodigy 최적화기 사용. 2. 배치 크기: 3 (스크립트에 명시된 대로). 3. 최대 훈련 단계: 2000 (데이터셋 크기 및 원하는 훈련 시간에 따라 조정). 훈련 과정에서 과적합을 모니터링하는 것이 중요합니다. 검증 프롬프트와 생성된 이미지를 사용하여 모델의 진행 상황을 평가하고 필요에 따라 매개변수를 조정하세요.

Lora 훈련 및 추론을 지원하기 위해 다음 리소스가 제공됩니다: 1. 추론을 위한 ComfyUI 워크플로우: Hugging Face 또는 GitHub에서 이용 가능. 2. 훈련을 위한 Colab 노트북: 훈련 과정을 실행하기 위한 사용자 친화적인 인터페이스를 제공합니다. 3. 데이터셋 변환 스크립트: Kohya 형식의 데이터셋을 HuggingFace 형식으로 변환하는 데 도움을 줍니다. 이러한 리소스는 다음에서 찾을 수 있습니다: - https://huggingface.co/artificialguybr/Playground-V2.5-Lora-Colab-Inference-Comfyui - https://github.com/artificialguybr/Playground-V2.5-LoraCreator-Inference/tree/main 이 추가 도구를 활용하면 워크플로우를 간소화하고 Playground V2.5에서 Lora 훈련 경험을 향상시킬 수 있습니다.