【stable diffusion】图片批量自动打标签、标签批量修改（BLIP、wd14）用于训练SD或者LORA模型

原创 已于 2025-02-21 09:57:55 修改 · 3w 阅读 · 51 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#stable diffusion #自动打标 #lora训练 #数据标记 #sd-webui

于 2023-06-12 18:11:30 首次发布
该文介绍了使用B站教学视频中的方法进行AI绘画的Lora训练，包括BLIP和Deepbooru打标模型的比较，以及使用sd-webui插件进行自动打标和编辑标签的过程。此外，还提及了稳定扩散模型的GUI环境安装和模型微调所需的技术栈如CUDA、PyTorch和Xformer。
部署运行你感兴趣的模型镜像

参考：

2025.02.20最新教程——【FLUX微调+风格训练】从零免费训练自定义图像风格

一、sd-webui通用的打标界面

1.1 打标界面
根据需求，选择通用打标模型（BLIP）还是动漫打标模型（deepbooru）
设置好后，选择预处理，会开始下载模型，可开代理加速
在这里插入图片描述
1.2 BLIP打标结果
在这里插入图片描述

1.3 Deepbooru标注结果 （标签效果比下一段介绍的wd-14差一些）
在这里插入图片描述

二、sd-webui插件下wd14自动对动漫打标

插件名称： stable-diffusion-webui-wd14-tagger

安装与下载方式

可参考

stable-diffusion-webui 扩展模块安装

在 extensions/文件夹下拉取源码

git clone https://github.com/toriato/stable-diffusion-webui-wd14-tagger.git extensions/tagger

2.1 选择Tagger下的Batch from directory

在这里插入图片描述

2.2 输入图片的路径

图片与服务器应在同一台电脑

批量打标

在这里插入图片描述

单张图片看效果

可以了解到一些打标签原理，他是一个多类分类器，输出得每个词都是有概率的，一般输出置信度40%以上的词。
在这里插入图片描述

2.3 等待模型自动下载（可能卡住）

在这里插入图片描述

2.4 打标结果

在这里插入图片描述

图片与对应tag结果1
在这里插入图片描述

图片与对应tag结果2

在这里插入图片描述

三、sd-webui编辑标签

https://github.com/toshiaki1729/stable-diffusion-webui-dataset-tag-editor
下载：
在这里插入图片描述

3.1 导入自动打标后的图片

在这里插入图片描述

3.2 批量修改添加

首先在所有tag前面加一个风格tag: cike567
在这里插入图片描述

打开txt查看

在这里插入图片描述

3.3 批量删除

在这里插入图片描述

四、lora训练集成开发工具自动打标

dreambooth、lora、sd模型微调的GUI环境安装（cuda驱动、pytorch、xformer）

（下载模型时间长，过程是类似的，本文暂不介绍了）
在这里插入图片描述

4.1 BLIP打标

首先会下载模型，下载非常慢
在这里插入图片描述

扩展——方法 阿里线上平台打标

https://modelscope.cn/aigc/modelTraining
在这里插入图片描述

上传图片后选择 打标方式

在这里插入图片描述

通义千问 单词打标

在这里插入图片描述
翻译
在这里插入图片描述

joycaption是连续的句子，适合flux之类的

在这里插入图片描述

详情
在这里插入图片描述

您可能感兴趣的与本文相关的镜像

Llama Factory

Llama Factory

模型微调
LLama-Factory

LLaMA Factory 是一个简单易用且高效的大型语言模型（Large Language Model）训练与微调平台。通过 LLaMA Factory，可以在无需编写任何代码的前提下，在本地完成上百种预训练模型的微调

[linux-sd-webui]图生文，blip/deepdanbooru
liguandong
05-11 3316
同步发布在我的博客 https://blog.thisis.plus/2023/04/22/clip_interrogator%E6%95%99%E7%A8%8B/文字生成图片是近年来多模态和大模型研究的热门方向，openai提出的CLIP提供了一个方法建立起了图片和文字的联系，…blip是个多模态的视觉-语言模型，在webui中使用了blipv1，目前blip已经有v2版本了，deepbooru适合二次元的场景，除此之外的场景建议使用blip，blip有两个版本，，还有一个原作者团队整合的。
AIGC文生图lora微调训练案例；SD-Train界面训练stable Diffusion lora模型
weixin_42357472的博客
07-03 1497
lora仓库（1000多个lora微调模型分享）：参考：tab=readme-ov-file （微调脚本基本也是上面官方diffusers的例子）训练时间有点久，200轮。
第四讲：LORA模型训练-Tag标签处理，精准解析图片元素
umbato的博客
01-07 6005
Tag标签文本是对应到每张素材图中的英文内容描述。即Tag标签中的文本内容就是将素材图中展示的主体内容和部分元素特征用英文字词或短句的形式描述出来。通过SD软件中的训练-图像预处理功能，我们可以实现自动对数据集中的每张素材图进行Tag标签的标注。
Stable Diffusion WebUI使用python调用WD 1.4标签器（tagger），获取并处理标签tag权重
weixin_42375356的博客
05-27 7217
使用Stable Diffusion的AI标签自动识别图片内的元素，实现图片标签权重智能分类，含API使用
如何快速掌握ComfyUI-WD14-Tagger：AI图像标签提取神器使用指南
最新发布
gitblog_00340的博客
10-23 376
ComfyUI-WD14-Tagger是一款强大的ComfyUI扩展工具，能够帮助用户自动从图像中提取booru标签，轻松实现图像内容识别与分类。无论是AI绘画爱好者还是图像处理新手，都能通过这款免费工具快速获取精准的图像标签信息。 ## ???? 项目核心价值：为什么选择ComfyUI-WD14-Tagger？ 作为一款专为ComfyUI设计的标签提取扩展，该工具具备三大核心优势： - **多模...
stable diffusion 反推提示词插件 tagger 的安装，很详细
热门推荐
studio_1的博客
09-11 1万+
最近想下载 stable diffusion 反推提示词插件 tagger ，也是好一番折腾，这里做个记录。在安装之前确保能正常访问 github ，没有就安装个 steam++ ，如果会魔法就更好了，没有也不要紧。
手把手教你用LoRA训练自己的Stable Diffusion模型
m0_59162248的博客
03-04 1374
Stable Diffusion大家已经很熟悉了，那么如何训练自己的sd模型呢，今天我就介绍一下用LoRA训练sd的方法。我们以Chilloutmix为例，Chilloutmix可以生成好看的小姐姐。为了实验LoRA的能力，我们用小哥哥的图片对它进行微调，看效果如何。
AnyLabeling自动打标签教程
qq_51511878的博客
05-15 8501
1、支持多边形，矩形，圆，线和点图像标注。2、通过YOLOv5 和 Segment Anything自动标注。3、支持文本检测，识别和KIE(关键信息提取)标注。4、支持英语，越南语，汉语。一、AnyLabeling安装使用Anaconda安装环境。1、安装环境2、安装anylabeling3、开始使用。
批量打标签、图片批量重命名、批量修改图片尺寸
weixin_50742178的博客
03-08 903
批量打标签、图片批量重命名、批量修改图片尺寸
人工智能图片打标签工具
09-04
人工智能学习，用于图片打标签的工具。可以标注训练数据集目标在图中的位置。
如何批量生成带图片的标签
sqxskj的博客
01-24 939
　　之前我们制作过一个精油的分类标签，很多朋友看过之后给我们点赞并表示这样的标签真的很方便。上次我们制作的标签是一个很简单的样式，今天小编打算给大家制作一款带图片的精油标签，就是每款精油标签上都有一张相对应的图片。好了，下面我们就看看如何制作的。 　　首先启动软件后，新建一个标签，标签的尺寸要根据标签纸的尺寸设定。点击软件左侧的图片按钮，选择来自电脑，选择一张图片，添加到标签中，勾选打印或导出时先读取数据源的字段值作为文件名，然后从该文件中读取图片。再点击“图片文件名整理工具”。 　　点击选择按钮，
Label Image 打标签工具
11-23
Label Image 打标签工具，版本包括1.3,1.5, 1.7三个。
图像处理---------使用MATLAB批量为特征数据打标签
03-06
使用分类器对特征数据做分类器，需要使用正负样本，本程序旨在为正负样本数据做标签
labelImg-master图像识别打标签工具
10-26
labelImg-master是一款简单易用的图像识别打标签工具，图片标注主要是用来创建自己的数据集，方便进行深度学习训练。
图片打标签工具labelImg.zip
07-15
LabelImg 是一个可视化的图像标定工具。在使用前需配置环境python + lxml。YOLO，SSD等目标检测网络所需要的数据集，均需要借此工具标定图像中的目标。生成的 xml文件是遵循 PASCAL VOC 的格式的。
Stable Diffusion XL之使用Stable Diffusion XL训练自己的AI绘画模型
weixin_43056275的博客
03-25 5981
其中config_file.toml文件中的配置文件包含了sdxl_arguments，model_arguments，dataset_arguments，training_arguments，logging_arguments，sample_prompt_arguments，saving_arguments，optimizer_arguments以及additional_network_arguments九个个维度的参数信息。但是切记不能在多尺度增强的时候将图片的主体特征裁剪掉（比如人脸，建筑等）。
mac sd lora训练实操
qq_30062125的博客
05-21 912
SD插件安装包：SD-插件-extensions.zipSD mac 安装包更多信息可以关注公众号【仗剑浮生】，获取更多AI资料。
训练Stable Diffusion(XL) Lora的图片是否需要caption？
让写点什么成为习惯
03-06 1333
两种方式训练的lora都存在着对某些事物比如青椒无法生成的问题。即使使用较早期的checkpoint-00008也存在同样的问题，调低lora scale到0.6可以得到缓解。从画面质量和文本图片匹配度来看，使用caption的方式训练效果略胜一筹。
stable diffusion wd14
08-15
Stable Diffusion 与 WD14（即 Waifu Diffusion 1.4）是两个相关的文本到图像生成模型，其中 WD14 是基于 Stable Diffusion 进行优化和调整的变体，专门用于生成高质量的动漫风格图像。以下是关于 WD14 模型的基本使用指南和相关注意事项。 ### 安装与部署 在使用 WD14 模型之前，需要确保已经安装了 Stable Diffusion WebUI 环境，这是一个广泛使用的图形界面工具，支持多种模型的加载与运行。安装步骤大致如下： 1. 下载并安装 Stable Diffusion WebUI，可以通过官方仓库或者国内镜像获取安装包。 2. 安装完成后，将 WD14 的模型文件（通常为 `.ckpt` 或 `.safetensors` 格式）放置在指定的模型目录中，例如 `stable-diffusion-webui/models/Stable-diffusion`。 3. 启动 Stable Diffusion WebUI，访问默认地址 `http://127.0.0.1:7860` 进行操作。 ### 模型选择与配置 在 WebUI 界面中，用户可以从模型选择区挑选 WD14 模型。WD14 提供了多种预训练版本，适用于不同的应用场景，如生成高质量的动漫角色、背景等。用户可以根据需求选择合适的模型，并调整相关参数以获得最佳效果。 ### 参数设置 WD14 模型的使用过程中，一些关键参数包括： - **Prompt**：输入描述性文本，用于指导图像生成的内容和风格。 - **Negative Prompt**：指定不希望出现在生成图像中的元素。 - **Sampling Steps**：采样步数，影响生成图像的质量和细节，通常建议设置在 20-50 之间。 - **CFG Scale**：控制生成图像与输入提示之间的匹配程度，数值越大，图像越贴近提示，但可能会牺牲一些多样性。 - **Seed**：随机种子，用于复现特定的生成结果。 ### 示例代码 以下是一个简单的 Python 脚本示例，展示如何调用 Stable Diffusion WebUI API 来生成图像： ```python import requests url = "http://127.0.0.1:7860/sdapi/v1/txt2img" payload = { "prompt": "a beautiful anime girl with long hair and big eyes", "negative_prompt": "low quality, blurry", "steps": 30, "cfg_scale": 7, "width": 512, "height": 512, "seed": 123456, "model": "wd14" } response = requests.post(url, json=payload) with open("output.png", "wb") as f: f.write(response.content) ``` ### 注意事项 - 在使用 WD14 模型时，需要注意模型文件的版权和使用许可，确保合法合规。 - 不同版本的 WD14 模型可能有不同的特性和表现，建议查阅官方文档或社区讨论，了解最新的信息和优化建议。 - 如果遇到性能问题，可以尝试调整 GPU 内存分配或其他硬件加速选项，以提高生成效率。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

曾小蛙

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值