Text Inversion: 比 Lora 更简单地训练人脸【Stable Diffusion 炼丹教程】

Stable Diffusion的最大魅力体现在其DIY的能力上。它不是什么图都能画出来，但是我们可以根据自己的需求，训练它成为我们想要的样子。

其中，Text Inversion 就是一种最简单有效的训练方式。它比 Lora 训练更简单，对数据集的要求比较低，适合入门。它的训练过程和 Lora 有很多共通的地方，熟练掌握的话对于后期 Lora 训练也是很有帮助的。和 Lora 一样，它也可以用来训练任何人脸，生成任何人的照片。

其实，早在一年以前，就有很多关于它的教程。然而，那时的 WebUI 跟现在的有所不同，可能会让你感到困惑。而且，之后还出现了一些新的处理数据集的方法。所以，我觉得有必要写一篇新的文章，让大家从原理层面深入了解 Text Inversion。

在这篇教程中，我会用著名好莱坞女明星 Angelina Jolie 的照片进行训练。有人可能会问，Angelina 是个名人，Stable Diffusion 训练过她的照片。那么我再为她训练 Embedding 有什么意义呢？

如果你喜欢看视频教程，那么我非常欢迎你观看本文所对应的视频(B站同名帐号)：

让我来解释一下。我们都知道，Stable Diffusion 是用网络上公开的6亿张包含描述的图片训练而成的。这些图片的质量都不太高，而且未必符合我们心目中的 Angelina 的形象。如果我们要生成自己心目中 Angelina 的样子，就可以筛选出我们喜欢的照片，然后用它们来进行训练。这才是训练的真正意义。

看，下面是训练前后的对比图片。左边这列是原版的Angelina。右边是我训练的Angelina。它们的区别还是挺大的吧。

接下来，我将一步步引导大家通过实例学习Text Inversion的训练过程，包括数据集的准备、图片的预处理、训练过程以及测试训练结果。

Table of Contents

数据集的准备

训练开始前，数据集的准备是至关重要的一步，它直接影响到最终生成图像的质量。遵循以下两个原则以确保数据集的质量：

图片质量优于数量：选择高质量的图片比大量低质量图片更为重要。
多样化：尽可能选择角度、表情和背景各异的人脸图片，以便AI能全方位学习人物特征。

推荐至少准备10张以上的面部图像，并可以包含一些上半身或全身照片，以学习人物的体型和姿态。注意，图片中不应包含水印，以避免影响最终结果。

看，这是我用不同质量的数据集生成的效果。左边这列的是用质量比较差的数据集，跟右边的效果还是有差距的吧？

图片预处理

图片准备工作完成后，接下来的重要步骤是进行图片的预处理，包括裁剪和打标，以确保所有图片都有统一的分辨率，推荐尺寸为512×512。这一步骤对于提高训练效果和最终图像的质量至关重要。以下是详细的预处理步骤：

1️⃣ 选择合适的工具：由于新版本的WebUI已经移除了“图片预处理”功能，因此需要借助外部工具进行预处理。我在这里推荐一个在线批量处理图片的网站，使用起来非常方便。网址是：

https://www.birme.net/?target_width=512&target_height=512

2️⃣ 上传图片：

访问推荐的在线批量处理图片网站。
点击“BROWSE FROM YOUR COMPUTER”按钮打开文件浏览器。
进入包含要处理图片的文件夹，按Ctrl + A选择所有图片，然后点击“打开”。

3️⃣ 自动裁剪和焦点检测：

上传后，网站会自动识别每张图片的焦点，通常是面部，确保裁剪区域的准确性。
确认“Auto detect image focal point”（自动检测图像焦点）选项已勾选。

4️⃣ 手动调整：

预览处理效果，对于自动标注不准确的图片，手动调整裁剪区域。例如，如果某张图片的脸部被不当裁剪，可以通过拖动裁剪框来调整。

5️⃣ 保存和下载：

调整完成后，点击“SAVE AS ZIP”按钮，将处理后的图片保存为ZIP文件。
选择一个位置保存压缩文件，完成图片的批量裁剪和预处理。

通过上述步骤，我们可以确保数据集中的每张图片都被正确地裁剪和标注，为接下来的训练过程打下良好的基础。这一环节虽然看似简单，但对于提升最终生成图像的质量起到了决定性作用。

精确打标

为了充分利用Stable Diffusion的能力，精确地为图片打标是一个不可忽视的步骤。这一过程通过添加描述性的提示词来为图片内容进行标注，是使用Text Inversion或Lora训练方法的关键环节。下面，我将详细介绍如何高效地完成这一任务。

打标的重要性

Stable Diffusion的训练依赖于大量带有描述的图片，正是这些描述使得我们能够通过提示词来生成特定的图片。因此，为你的训练图片准确打标，能够显著提高生成图像的质量和相关性。

使用WebUI的Tagger插件打标

安装Tagger插件：首先，确保你的WebUI中安装了Tagger插件。如果尚未安装，可以去Github上下载(https://github.com/toriato/stable-diffusion-webui-wd14-tagger)。也或者访问我分享的度盘链接(https://pan.baidu.com/s/1jvg7A0j20XiilvJK-NYmoA?pwd=v5d8)。

批量处理图片：进入WebUI后，切换到Tagger标签页并点击“从目录批量处理”，输入你的图片路径。这一路径依据你运行Stable Diffusion的环境而定，可能是本地或服务器。

选择模型和调整参数：

在“反向推导器”下拉列表中选择一个模型。对于处理人像图片，“ViT v2”模型通常是一个不错的选择。
调整权重阈值（Weight threshold）以控制标注的详细程度。记住，阈值设置得越小，生成的标注就越详细，但同时也可能增加无效标注的数量，从而需要更多时间进行手动修正。

开始打标：设置好参数后，点击“反向推导”按钮开始打标过程。这一过程完成后，你可以在输出目录中看到每张图片对应的文本文件，里面包含了生成的提示词。

审核和调整标注

完成自动打标后，不要忘记检查并调整这些文本文件中的提示词。尽管自动打标可以节省大量时间，但人工审核和精细调整是不可替代的，特别是当你追求最优的训练效果时。

查看并编辑文本文件：转到数据集的文件夹，你会发现许多与图片同名的文本文件。打开任一文件，检查里面的提示词。
精确调整：根据需要编辑或添加提示词，以确保它们尽可能准确地描述图片内容。更精确的标注意味着更优质的Text Inversion训练结果。

批量修改标注

在进行Text Inversion训练前，对图片的标注进行精确调整是关键一步，这不仅关乎训练效果的优化，还涉及到训练过程的高效性。以下是如何利用特定工具来批量修改标注的详细指导。

使用Dataset Tag Editor插件

为了高效管理和修改图片标注，我们将利用一个称为Dataset Tag Editor的插件。这个工具可以大幅简化标注的编辑过程。

安装插件：首先，确保安装了Dataset Tag Editor插件。如果尚未安装，可以去Github上下载(https://github.com/toshiaki1729/stable-diffusion-webui-dataset-tag-editor)。也或者访问我分享的度盘链接(https://pan.baidu.com/s/1L6_RFnU9By5hPmNkSv0hMw?pwd=r3kw)。
加载图片和标签：在Dataset Tag Editor的标签页内，填写图片和标签文件所在的路径，然后点击“加载”按钮。加载成功后，页面上将显示文件夹内的所有图片及其标签。

理解标注的重要性

如何处理标注呢？这个过程有一些反直觉。我们都知道，嘴唇是 Angelia 非常独特的特征。我们要 AI 学习这个特征的话，需要保留“lips”嘴唇这个词吗？我们的第一反应可能是需要。但实际上是不需要的。

因为我们是无法通过文字准确地描述出Angelia嘴唇的特征的，AI 真正依靠的是图片来学习，而不是文字。这一点跟人类是一样的。我们告诉一个画家Angelina嘴唇的厚度和形状，他就能准确的画出来吗？还是得给参考图片，你说对不对？文字只是用来让人类给 AI 发送指令。希望我这个解释你能够理解。

批量编辑标注

选择和删除标签：通过Dataset Tag Editor，你可以轻松查看并选择特定的标签，以便批量删除不需要的标签。例如，“lips”、“breasts”、“nose”等描述可能并不必要，而有关背景的标签如“white background”则可能需要保留。这样AI就不会把白色背景跟Angelina扯上关系。否则最后哪怕提示词里没有白色背景这个词，出来的图也可能是白色背景的。

执行批量删除：在“批量编辑图片描述”区域，使用“搜索和替换”、“移除”和“高清化”等功能来批量处理标签。选择“移除”选项卡，选择你想要删除的标签，并执行删除操作。

单个编辑标注：有些出现频率不高的词，我们还可以一个一个删除。然后点击”批量编辑图片描述“右边的”编辑所选图片的描述“按钮。这里出现了选中图片的描述，可以点击”复制并覆盖“按钮，把提示词复制到下方的文本框里进行编辑。

比如说我删掉”eyelashes“这个单词，然后点击”应用变更到所选图像“。

就这样通过批量编辑和单个编辑的功能，我们就可以完成对所有图片描述的编辑。最后再点击”保存所有更改“。

准备训练：基础设置指南

在启动Text Inversion训练之前，正确配置Stable Diffusion的WebUI设置是非常关键的一步。这些设置不仅影响训练的效率，还关系到最终训练结果的质量。下面是如何进行这些基础设置的详细指导。

访问WebUI设置

在WebUI中，点击“设置”标签页。
向下滚动，找到“训练”的设置选项并点击。
进入后，根据需要进行一些基本配置。

基础设置项

训练时将VAE和CLIP从显存(VRAM)释放到内存(RAM)：如果你的设备显存较小，可以勾选第一个选项以优化显存使用。这有助于在显存受限的情况下进行训练，但可能会略微影响训练速度。
启用Dataloader的pin_memory：追求更快的训练速度可以勾选第二个选项，但需注意这会增加内存的使用。
将优化器状态保存为单独的optim文件：勾选第三个选项会在训练文件夹内生成备份文件，使得训练可以在中断后无损恢复，这对长时间的训练尤为重要。
在每次训练开始时将文本倒置和超网络设置保存在文本文件中：第四个选项通常默认勾选，负责自动备份训练过程，可以保持默认。
训练进度保存：“每N步保存一个CSV文件”的选项可以帮助你跟踪训练进度。默认值可能设置为每500步保存一次，根据需要你可以调整为更频繁的保存，比如每50步，这有助于更密切地监控训练过程中的loss变化。

应用设置

设置完成后，别忘了点击“应用设置”，随后点击“重新加载WebUI”以确保所有设置生效。这一步是准备训练的最后环节，确保了训练环境根据你的具体需求进行了优化。

启动Text Inversion训练

在完成所有基础设置之后，下一步就是实际开始Text Inversion训练。本节将指导你如何进入训练界面，创建embedding，并选择合适的底模进行训练。

进入训练界面

在WebUI中，找到并点击“训练”按钮以进入训练界面。
训练界面是Text Inversion训练的操作中心，在这里你将配置和启动你的训练任务。

创建Embedding

训练的首要步骤是创建一个embedding，这是一个表示你要训练图像特征的向量。正确设置embedding对于训练结果的质量至关重要。

选择合适的底模

底模的选择对训练的成功和最终效果有着重大影响。推荐选择版本为1.5的底模，因为它提供了更好的泛化性，即训练好的模型可以在基于1.5版本的其他模型上表现良好。

避免选择SDXL模型：请注意，选择SDXL模型可能会导致训练过程出错。
下载底模：如果你还没有1.5版本的底模，可以在Hugging Face上进行下载(https://huggingface.co/runwayml/stable-diffusion-v1-5/tree/main)。较大的这个模型，可以提供更优秀的训练效果。

其他设置

VAE设置：在设置时，VAE（变分自编码器）最好选择为“无”。
命名你的训练任务：给你的训练任务起一个名字，这个名字可以是任意的，但最好能反映出训练的内容或目标。例如，在本例中，我们将训练任务命名为“ajaj”。
初始化文本：留空，确保从零开始训练，避免受到底模影响。
每个token的向量数：理论上，数值越高，能表现的特征也越多。实际上，1或2已足够。

参数设置好以后，点击“创建embedding”，一个空的embedding就被创建好了。现在，一切准备就绪，你可以启动训练过程，开始创建属于你的定制化模型。

Text Inversion训练的底层逻辑解析

Text Inversion训练的过程和目的是利用Diffusion模型，通过训练使得特定的embedding能够生成与训练图像高度相似的结果。为了帮助大家更好地理解这一过程，下面是对Text Inversion底层逻辑的详细讲解，包括embedding的作用以及训练过程中的关键步骤。

Embedding的角色

什么是Embedding：在AI和机器学习领域，embedding是一种将离散变量（如单词）映射为连续向量的技术。这些向量代表了高维空间中的点，能够捕捉到变量之间的某些关系，如语义相似性。
名称与提示词：在Text Inversion中，我们给定的名称（如”ajaj”）实际上是一个提示词，它代表了我们想要生成的特定图像特征的embedding。训练开始时，这个embedding是空的，或者说，它并未包含足够的信息来指导Diffusion模型生成我们期望的图像。

训练过程

从噪点到图像：训练开始时，Stable Diffusion将使用的训练图（如Angelina Jolie的照片）转换成一堆像素或噪点。这些噪点通过训练逐步组织成有意义的图像，过程中embedding起到了指导作用。
图像生成与对比：Diffusion模型会尝试根据当前的embedding去除噪点中的随机性，生成图像的初步版本。然后，模型会将这个版本与原训练图进行对比，评估二者之间的差异。
损失计算（Loss）：通过比较生成图像与训练图之间的差异，模型计算出一个loss值，这个值表示两者之间的差异程度。Loss值越低，意味着生成的图像与训练图越相似。
迭代优化：根据loss值，Stable Diffusion会不断调整embedding，通过反复的迭代过程，逐步减少生成图像与训练图之间的差异，直到达到一个理想的状态，此时的embedding能够指导模型生成与训练图高度相似的图像。

通过上述讲解，我们可以看到Text Inversion训练实质上是一个不断迭代的过程，旨在优化embedding，以便Diffusion模型能够根据这个优化后的embedding生成与训练图非常接近的图像。这个过程涉及到对训练图的深入理解，以及如何通过不断调整和优化embedding来减少loss值，从而提高生成图像的质量和相似度。

启动Text Inversion训练：深入设置与优化指南

在深入了解Text Inversion的底层逻辑后，是时候将这些理论应用到实践中，启动我们的训练过程了。下面的指南将帮助你进行更精细化的设置，以优化训练效果和效率。

我们点击“训练”，进入训练参数的设置界面。Embedding就选择我们刚才创建好的embedding。如果在下拉列表里找不到的话，可以点击右边的刷新按钮。

“超网络”、“超网络学习率”、“梯度裁剪”都不用设置。这几个都是关于训练”超网络“的。比较重要的是”学习率“。

Text Inversion训练中的学习率策略

在Text Inversion训练过程中，合理设置学习率对于达到最佳训练效果至关重要。学习率决定了AI模型学习的速度，太高或太低都可能影响最终结果。下面详细介绍如何在训练中设置和调整学习率。

学习率的重要性

学习率可以被视为训练过程中的“步伐大小”。一个适当的学习率使得模型能够有效地学习，避免过快学习导致的过拟合或学习不足。

高学习率：在训练初期使用较高的学习率可以快速达到一个较好的起始点，类似于快速雕刻出佛像的轮廓。
低学习率：随着训练的进行，逐渐降低学习率可以帮助模型更细致地调整，精确雕刻出细节，防止过度拟合。

学习率策略

一个经验丰富的Reddit用户分享了他们的学习率策略，该策略在多个数据集上都显示出了有效性。策略如下：

初始阶段：从第1步到第10步，使用较高的学习率0.05，快速捕捉基本特征。
中期调整：随后降低学习率，例如，10-20步降至0.02，20-60步降至0.01，逐步细化模型。
后期微调：从第3000步开始，学习率进一步降低至0.0005，进行精细调整直到训练结束。

实际应用

默认学习率：默认的学习率可能是固定的，例如0.05，这对于许多情况已经足够。但是，采用动态调整的学习率策略可能会带来更精细的控制和更好的结果。
个别数据集测试：对于特定的数据集，测试不同的学习率策略，观察效果，选择最适合你项目的设置。

通过采用这种分阶段调整学习率的策略，可以在训练的不同阶段对模型进行不同程度的调整，既保证了快速收敛，又避免了过拟合，最终获得满意的训练效果。记得在实际操作中，根据模型的反应和训练结果灵活调整学习率，以达到最佳的训练效果。

其他参数

Batch Size和梯度累计步数

Batch Size：影响训练速度和显存使用。较大的Batch Size可以加快训练速度，但也可能导致显存不足的问题。
梯度累计步数：如果提高了Batch Size，相应地也需要调整梯度累计步数，以保持训练的稳定性和效率。

它们两个的关系比较复杂，如果不是非常追求训练速度的话，建议维持默认就好。

数据集目录：指向你的训练数据集所在的路径。正确设置这一路径确保模型能够访问到所有训练用的图片。
日志目录：用于存放训练过程中生成的日志文件。可以使用默认设置，这样训练日志就会被保存在WebUI的根目录下的特定文件夹中。

提示词模板的选择和定制

可以从WebUI自带的模板中选择，或者使用自定义模板。WebUI本身自带了一些模板，对于训练人像的话，可以选择名称为“subject_filewords”的模板。

自带的模板存放在WebUI根目录的’textual_inversion_templates’文件夹。其中，’subject_filewords.txt’模板的内容是这样的。

我觉得很多内容是多余的，可能会影响训练的效果。于是把这个模板复制了一份，然后重命名一下。删掉大部分内容，最后只保留“[name], [filewords]”。这里的“name”代表了embedding的名称，也就是”ajaj”。“filewords”代表了图像的标注。

假如说，我们在某一阶段的训练图是下面这张。它对应的标注是“looking at camera”，看着镜头。

那么，根据模板，提示词就变成了“ajaj, looking at camera”。

于是，Diffusion 模型就根据这个提示词开始了训练。这个就是提示词模板的效果。

下面的宽度和高度不用改。

最大迭代步数

含义：代表训练过程中模型迭代的最大次数。每一次迭代，模型都会尝试减少生成图像与目标图像之间的差异。
设置建议：虽然默认值可能高达10万，但实际上设置为3000步往往就足以获得良好的训练结果。设置过高的迭代步数可能会导致模型过度拟合，例如使特定特征过于夸张。不过，设置的过高也不用担心。因为可以随时终止训练，之前的embedding都会被保存下来。最后选一个效果比较好的embedding就好了。

图像与Embedding的保存设置

每N步保存图像：此参数允许模型每隔N步将生成的图像保存至日志目录，有助于监控训练进度和效果。如果你在训练的过程中，想要频繁的看这个图的效果，可以设置的小一些。
每N步保存Embedding：与图像保存类似，此设置允许定期保存训练过程中的embedding状态，便于后续分析和选择最优模型。如果你追求最佳效果，可以把数值设置的小一些，这样可以多生成一些embedding的版本，从中选择一个最佳的。

训练速度优化选项

使用PNG alpha通道作为损失权重：此选项可以加快训练速度，但可能需要对数据集进行额外的处理，并调整其他相关参数，因此一般不推荐勾选。

额外功能

保存Embedding在PNG图像信息内：启用此功能将在训练过程中生成包含embedding信息的预览图，有助于追踪和管理训练状态。
按逗号随机打乱标签：此选项通过随机打乱提示词中的标签顺序，有助于平衡各个词汇对生成图像的影响，提升模型质量。

采样器选择

随机采样 vs 确定性采样：虽然官方推荐使用随机采样，社区中有提议使用确定性采样（”deterministic”），这可能会对模型训练的稳定性和重现性有所帮助。

开始训练

一旦所有参数都设置好，点击“训练embedding”按钮即可开始训练过程。训练可以在任何时候暂停并重新开始，而且这种中断不会影响到训练的质量，因为训练的状态会被定期保存。这样的设计确保了训练的灵活性和可控性，允许研究者在训练过程中进行必要的调整以获得最佳结果。

开始训练以后，向上滚动。通过右边的预览区域，我们可以监测训练过程和进度。

刚开始可能跟Angelina不太像。到后面会越来越像。预览图看上去效果可能不太好，有时候还会出现崩坏的手和脚。这是因为它是用底模生成的，而且提示词里面没有提升质量的词，比如“best quality”等等。也没有负面提示词来减弱诸如手脚崩坏的问题。等我们用训练好的embedding和其他模型，比如realistic vision生成Angelina的图片，效果就会好很多。当我们暂停训练或者训练已完成，就可以检查生成的embedding的效果了。Stable Diffusion 会在’text_inversion’文件夹内按照日期放置训练产生的数据。

日期文件夹里会按embedding的名称来组织文件。训练好的embedding会放在这个’embeddings’文件夹里面。我之前设置了每N步生成一个embedding，所以这里可以看到已经生成了很多个embedding。这些embedding的名称里的数字就代表步数。我这里用的是服务器，形式上跟本地电脑不太一样，但文件夹的结构是一样的。

这么多embedding，我们如何得知哪个效果最好呢？可以把测试的embedding拷贝到WebUI根目录下的embeddings文件夹。接着，就可以在WebUI中生成这些embedding的对比图来对比它们的实际效果了。

其实，之前我已经展示了几张对比图，都是用我将要介绍的方法生成的。

如何评估和选择最佳的Embedding

在Text Inversion的训练过程中，可能会生成多个不同步数的embeddings。为了确定哪个embedding的效果最佳，我们可以通过在WebUI中生成和比较这些embeddings的对比图来进行评估。下面是如何执行这个评估过程的详细指南。

准备Embeddings

将要测试的embeddings拷贝到WebUI根目录下的embeddings文件夹中。
在WebUI中，选择一个合适的底模进行测试。你可以选择Realistic Vision或1.5的底模，这取决于你的训练配置和目标。

设置提示词进行测试

在提示词输入框中，输入要开始测试的embedding名称，例如”ajaj-500″。
其他提示词可根据需要添加，但负面提示词通常可以留空。
保持下面的设置为默认，这些通常不需要调整。

生成对比图表

滚动到“脚本”部分，从下拉列表中选择“XYZ图表”脚本。
对于X轴（横轴），选择“提示词搜索/替换”，并在“X轴值”处输入不同步数下的embedding名称，例如”ajaj-500,ajaj-1000,ajaj-1500″等，用以测试不同步数的embedding效果。
对于Y轴（纵轴），也选择“提示词搜索/替换”，并输入不同的发型描述词汇，如波浪卷发，直发等，用逗号分隔。
确保所有输入的值末尾没有逗号，以避免错误。

评估和选择

生成的图表将展示不同步数的embedding与不同发型提示词组合的效果，使你能够直观地比较它们生成的Angelina的不同发型效果。
通过对比这些图表，你可以评估哪个步数的embedding最接近你的期望效果。

实用提示

测试过程可能需要一些时间，需要耐心等待图表的生成。
除了发型，还可以测试其他维度，如不同的表情、场景等，以全面评估embedding的效果。
Text Inversion虽然是一种较为简单的训练方法，但通过细致的评估和选择，仍然可以获得满意的结果。

通过上述步骤，你可以有效地评估不同训练步数下的embeddings，从而选择出最佳的embedding进行进一步的应用。这种方法提供了一种直观的方式来比较不同embeddings的效果，帮助你做出更加明智的选择。