1. 背景

ChatGPT, MidJourney, StableDiffusion已经证明了它们具有强大的AGI能力，但它仍然存在着局限。

ChatGPT深陷数据隐私的问题，三星不允许员工使用便是一例。但更深层次的，围栏是人类的本性，有人的地方就有圈子，在垂直细分领域，将大模型专精化，便有其革命之地。

限制大模型训练的一是训练数据，二是硬件需求。StableDiffusion基于LAION数据集训练，它有50亿个样本，需要几百台A100训练几周，一般人承受不起。就算小一点的ControlNet，基于合成的数据集，训练量级也在100万样本，100GPU小时（A100）。这都不是一般人玩得起的。

但好在pretrained+finetune在很多时候效果已经足够好，也就可以成为垂直领域的应用逻辑。它意味着小样本，小计算量就能得到一个不错的模型，影响的因素只有训练的数据了，谁的数据集好，谁就强。正如前文说的，垂直领域的数据并不是能公开获取到的，甚至是个人/企业/团体/机构私有的。于是用私有数据训练的AI就会成为垂直领域能力的放大器，甚至形成数据飞轮垄断市场。

笔者想探讨的是，垂直领域自用数据训练的效果能有多好？尽管Civit.ai上已经有很多模型，但还更多在绘画圈，并不能普适用于所有2D影像的生产。

游戏行业有一类特殊的图片是贴图，它有较为特别的要求：basecolor不包含光影信息，法线是特殊encode的信息，并非一般图片生成软件都能生成。传统的做法是使用Substance Designer等程序化贴图软件生成这类贴图（风格化+写实类），或者手绘，或者用照片生成（Photogrammy）。同样是2D图片，它能不能用Stable Diffusion之类模型生成？

当然可以，比如withpoly.com, barium.ai, dreamtexture等。但笔者想探讨的是能不能自己的pretrain+finetune？

2. 工具技术

Stable Diffusion笔者就不再赘述了，

为了降低训练成本，笔者直接使用LoRA技术finetune Stable Diffusion模型。笔者了解到一般训练方法有三种

khoya‘s https://github.com/kohya-ss/sd-scripts, 一套封装好的训练脚本
diffuser，huggingface官方的一套工具包
stable diffusion web ui + dreambooth extension，普及度最广的一个私炉方案。

khoya笔者没有尝试。

2.1 Diffuser

api简洁，pip install一个包就都够了，训练脚本直接可以用示例的

accelerate launch --mixed_precision="bf16"  train_text_to_image_lora.py \
  --pretrained_model_name_or_path="runwayml/stable-diffusion-v1-5"  \
  --dataset_name=maajor/stylized-texture \
  --dataloader_num_workers=8 \
  --resolution=512 --center_crop --random_flip \
  --train_batch_size=4 \
  --gradient_accumulation_steps=4 \
  --max_train_steps=2000 \
  --learning_rate=1e-04 \
  --max_grad_norm=1 \
  --lr_scheduler="cosine" --lr_warmup_steps=0 \
  --output_dir="/root/autodl-tmp/mydiffuser/stylized-texture-lora" \
  --checkpointing_steps=100 \
  --validation_prompt="A stylized texture of stone cliff" \
  --seed=1337 \
  --logging_dir="/root/tf-logs" \
  --validation_epochs=5

（插一句train_text_to_image_lora.py有两个缺陷：

checkpoint只输出了accelerator的state数据，没有输出stable diffusion pipeline的lora数据，没法直接载入某个checkpoint。
lora模型默认rank=4，比较小；相比之下stable diffusion web ui一般大家建议用32。构造的时候自己写死就行了

不过稍显麻烦但是也有价值的是需要整理自己的dataset，使用huggingface的datasets，几行代码就可以创建一个数据集。Create a dataset (huggingface.co)

1 2	```csharp 不过稍显麻烦但是也有价值的是需要整理自己的dataset，然后可以分享在huggingface网页上，参考官方文档。


这样很符合程序员的逻辑，方便以后复现。并且方便部署。

但笔者感觉主要问题是其训练效果和stable diffusion不太一致，

尽管效果凑活，下图：

prompt： A stylized texture of stone cliff, weathered, sharp, dry climate

从左到右：lora权重 0 ~ 1

![Untitled](/images/Untitled_12.jpg)

inference的代码也很简单

```csharp
from diffusers import StableDiffusionPipeline

pipe = StableDiffusionPipeline.from_pretrained("runwayml/stable-diffusion-v1-5", torch_dtype=torch.float16, safety_checker=None)

lora_dir = "<dir>"
pipe.unet.load_attn_procs(lora_model)
pipe.to("cuda")

prompt = "A stylized texture of stone cliff, weathered, sharp, dry climate"
image = pipe(prompt, num_inference_steps=30, guidance_scale=7.5, cross_attention_kwargs={"scale": 1.0}).images[0]
image.save("image.jpg")

但使用起来终归没有web ui方便，笔者仅仅做了尝试。

2.2 Stable Diffusion Web UI

大家最常见的私炉了，笔者使用的AutoDL上的机器和第三方镜像，安装过程不过多赘述，

主要就是用了 https://github.com/d8ahazard/sd_dreambooth_extension 这个插件来做lora训练，训练过程也不多赘述，bilibili/youtube有很多视频，

总之就是比较方便测试使用。

2.3 Substance Designer

训练集大多是Substance Designer生成的，

注意现在Substance Designer一般安装自带一个sbsrender CLI工具，也就不用substance automation toolkit之类了；类似这样一个脚本就能让sbsrender基于一个sbsar生成特定参数特定大小的图片。

cmds = [
  sbsrender,
  'render',
  '--input',
  sbsar_path,
  '--output-path',
  output_path,
  '--output-bit-depth',
  '8',
  '--output-name',
  outname,
  '--set-value',
  '$outputsize@9,9', # 512 * 512
  '--set-value',
  f'$randomseed@{randomseed}', # 512 * 512
  '--no-report',
  '--output-format',
  'jpg'
]
subprocess.run(cmds)

3. Case Study

所有测试基底模型都是stable diffusion v2 base 512，

3.1 Lace

训练集

一个花纹训练集，数据来自一个Substance Designer资产包，总共40套，笔者训练了diffuse

Untitled

Stable Diffusion Web UI Dreambooth extention的训练参数

instance token: lace
class token: diffusemap
instance prompt: [filewords], symmetry, seamless pattern, best quality, 4k

另外每张图片的训练提示词通过BLIP生成后，手工标注了一些。

训练时间大概10分钟，

输出样本

lace pattern, crisp detailing, symmetry, seamless, best quality, 4k, tiger face pattern

lace pattern, diffusemap, sunflower pattern, 4k, best quality, symmetry, seamless, lora:lace_diffuse_3200:1

对比试验

同样的提示词：lace pattern, crisp detailing, symmetry, seamless, best quality, 4k, tiger face pattern

Lora权重的影响

没有Lora生成的结果

可以看出来基底模型的图案效果已经不错，但加上lora才有了训练集中纹理样式的感觉和密铺图案的样子。

3.2 Facade

训练集

同样来自一套Substance材质，总共16张

Untitled

训练参数：

instance token: facade
class token: texture
instance prompt: [filewords], building, architecture, wall, facade, high quality, 4k,

另外每张图片的训练提示词通过BLIP生成后，手工标注了一些。

输出样本

chinese architecture, facade, palace, wood, high quality, 4k lora:facade_diffuse_10032:0.4

neo-classic architecture, facade, modern, tokyo, stone material, glass, lora:facade_diffuse_10032:0.4

modern architecture, facade, tokyo, kengu kuma, bamboo and steel, lora:facade_diffuse_10032:0.4

对比试验

提示词：modern architecture, facade, stone material, high quality, 4k

没有Lora，注意到生成的大多不是正视图

没有 lora，勾选了tiling，注意tiling没啥用

Lora权重的影响，注意模型有些过拟合，权重0.4时候效果比较丰富而且是正投影，但是权重1.0就太像训练集了

提示词：chinese architecture, facade, palace, wood, high quality, 4k

没有LoRA，注意到生成的大多不是正视图

没有 LoRA，勾选了tiling，注意tiling没啥用

LoRA权重的影响，注意模型有些过拟合，权重0.4时候效果比较丰富而且是正投影，但是权重1.0就太像训练集了

3.3 Stylized Texture

训练集

同样来自一套Substance材质，总共90张

Untitled

训练参数：

instance token: game-stylized
class token: diffusemap
instance prompt: [fileword], cartoon, stylized, flat texture

输出样本

A stylized texture of stone cliff, weathered, sharp, dry climate, game-stylized, diffusemap, lora:stylized_texture_7425:0.8

A stylized texture of sandy land, sparsely growing grass, some small rock scattered on ground, weathered, game-stylized, diffusemap, lora:stylized_texture_7425:1.0

A stylized texture of wooden panel, craked and weathered, game-stylized, diffusemap, lora:stylized_texture_7425:1.0

对比试验

A stylized texture of stone cliff, weathered, sharp, dry climate, game-stylized, diffusemap, lora:stylized_texture_7425:1

训练Checkpoint的影响，注意并不是最后的结果是最好的，需要手动挑选checkpoint

Lora权重的影响， 0.8 ~ 1.0还是不错的

不带lora，但是tiling。注意到图案比较细碎

tiling.grid.jpg

A stylized texture of sandy land, sparsely growing grass, some small rock scattered on ground, weathered, game-stylized, diffusemap, lora:stylized_texture_7425:1.0

no lora, 勾选了tiling，注意石子位置怪怪的，没有草。

4. 总结

就训练过程和结果来看，笔者总结有如下两点

finetune的过程loss会波动，并且对结果的评价标准也比较主观，因此需要手动选择checkpoint和权重才能达到比较好的结果。训练还是需要一些技巧，大模型也不是银弹。
训练集价值比较大，没有finetune的情况下，Stable Diffusion模型较难达到预期，对finetune来说数据集的意义飞涨重要。
使用finetune能比较接近地达到训练集的风格样式，尽管目前质量并不完美，但随着大模型技术的飞速发展，笔者相信终有一天机器学习模型能够生成贴图。

笔者猜想，或许未来的资产批量化生产都可以交给AI，人类专家只需要生产训练样本就可以了。传统技术精英和传统方法仍有其存在价值，数据的获取和生产会成为垂直领域的壁垒，ScaleUp完全来自于数据训练出的AI，人类就这样被AI剥夺着剩余价值。

所以程序化生成还会存在吗？

笔者认为还是会的，只不过它会变成一个存量市场，现有的人类专家仍有存在的意义，但是对于新人就不那么友好了。