【深度学习 AIGC】stable diffusion webUI 使用过程，参数设置，教程，使用方法

文章目录

docker快速启动
vae
.ckpt或者.safetensors
CFG指数/CFG Scale
面部修复/Restore faces
Refiner
Tiled VAE
Clip Skip
prompt提示词怎么写

docker快速启动

如果你想使用docker快速启动这个项目，你可以按下面这么操作（显卡支持CUDA11.8）。如果你不懂docker，请参考别的教程。

docker run -it --network=host --gpus '"device=0"' kevinchina/deeplearning:sdwebuiv1 bash
# 进入容器
su xiedong
cd ~/stable-diffusion-webui/
./webui.sh --enable-insecure-extension-access --skip-python-version-check --skip-torch-cuda-test --skip-install  --ckpt ./models/Stable-diffusion/majicmixRealistic_v7.safetensors --listen --no-download-sd-model

在这里插入图片描述

vae

模型文件即checkpoint已包含了与vae相关的参数。然而，稳定扩散官方和novelai泄露的文件都包含了额外的vae，用于改进面部或其他细节。因此，加载vae文件实际上替代了模型文件中原有的与vae相关的参数。这可能会导致问题，如果模型本身已经表现良好，盲目加载vae可能会适得其反。另外，如果模型文件已经包含了vae，再次加载相同的vae只会浪费时间。

.ckpt或者.safetensors

.ckpt 文件使用 pickle 序列化，可能携带恶意代码。如果你不信任模型来源，加载 .ckpt 文件可能会对安全构成风险。

.safetensors 文件则仅包含张量数据，使用 numpy 保存，没有附带代码，因此加载 .safetensors 文件更为安全且效率更高。

CFG指数/CFG Scale

“CFG指数”，即Classifier-Free Guidance（无分类器引导生成）指数的含义和作用。CFG指数用来调节文本提示对扩散过程的引导程度。

扩散模型中的前向扩散和反向去噪可以用随机微分方程来描述，但反向去噪需要一个分类器来拟合数据分布的梯度，以实现条件生成。
传统的分类器引导生成方式存在问题，因为需要额外训练分类器，而分类器的质量会影响生成效果。
作者提出了"无分类器引导生成"（Classifier-Free Guidance）的概念，其中使用两个梯度预估模型，一个是无条件生成的梯度预估模型，另一个是基于条件的梯度预估模型，避免了显式分类器的缺陷。
通过使用Classifier-Free Guidance，条件生成的训练代价大大减轻，不需要额外训练分类器，同时避免了对抗攻击的方式，生成是两个梯度的差值。
CFG指数用来控制文本提示对生成过程的引导程度。当CFG指数为0时，生成是无条件的，较高的数值会更加受文本提示的影响。
推荐的CFG指数范围为7-10，这是一个平衡的区间，提供创意性并遵循文本提示。较低的CFG数值会提高创意性，较高的数值会更受文本提示的影响。
当CFG指数超过20时，可能会导致一些奇怪的现象。

面部修复/Restore faces

推荐别开，开了效果不咋地。

下面的数值条可以控制CoderFormer的影响力度，为0时效果最强。
在这里插入图片描述

Refiner

Refiner在SD1.5里面是不起作用的。

SDXL完整出图流程 Base+refiner
Conditioning(Text,Image)->Latent Space(Base)->Latent Space(Refiner)->VAE Decoder->Pixel Image
在这里插入图片描述

Tiled VAE

作用就是减少显存方式进行超分。

Tiled Diffusion & Tiled VAE 搭配ControlNet-Tile 实测重绘放大
512×768重绘放大8倍(4096×6144)

Clip Skip

https://zhuanlan.zhihu.com/p/630875053
https://github.com/AUTOMATIC1111/stable-diffusion-webui/wiki/Features#clip-skip

**Clip Skip是一个设置，用于控制CLIP神经网络在处理提示文本时跳过的层数。**以下是文章的内容总结：

Clip Skip是什么：
Clip Skip是一个用于控制CLIP神经网络处理提示文本时跳过的层数的设置。CLIP是一个先进的神经网络，用于将提示文本转化为数值表示。这网络包括多个层次，以便将文本转化为数值表示。
Clip Skip的作用：
Clip Skip的作用是控制CLIP神经网络在处理提示文本时停止的层数。它的值可以设置为1或更高，表示在第几层停止。不同的层数会影响处理提示文本的深度，从而影响生成图像的质量和特征。
如何使用Clip Skip：
Clip Skip的值可以通过相应的设置选项进行调整。在生成图像时，可以调整Clip Skip的值，以改变生成图像的特征和质量。**通常，建议的Clip Skip值范围为1到5，而大于5的值可能会导致图像质量下降。**Clip Skip的设置可以通过特定的用户界面进行调整，以在生成图像时产生所需的效果。
Clip Skip与生成图像的影响：
Clip Skip的值会影响生成图像的质量和清晰度。当Clip Skip的值较大时，图像可能会变得模糊和不准确，因为较少的神经网络层处理了提示文本。较小的Clip Skip值通常会产生更准确和清晰的图像。
Clip Skip和CFG Scale的关系：
CFG Scale是另一个影响生成图像的因素，与Clip Skip相互独立。它们的值设置不会相互影响，但它们都可以影响生成图像的特征。
Clip Skip的应用：
Clip Skip可以用于不同的应用，如生成肖像或进行图像到图像的转换。具体应用取决于生成需求和预期的效果。Clip Skip的设置可以帮助调整图像的构图和特征，以满足用户的要求。