LyCORIS

LyCORIS 项目介绍

LyCORIS 项目是一个面向Stable Diffusion的创新性调参算法集，旨在提供多种参数高效的微调方法。这些算法能够优化模型的图像生成能力，灵活性和多样性，而不需要大量的训练资源。

项目背景

LyCORIS源自于LoCon项目。该项目致力于通过不同的技术手段优化Stable Diffusion模型，使其能在更少的参数调整下达到理想的输出效果。

算法概览

LyCORIS项目囊括了多种算法，包括LoRA（LoCon），LoHa，LoKr，(IA)^3，DyLoRA，和原生微调（又称梦展台技术）。另外，GLoRA以及GLoKr也将很快加入。每种算法都经过精心设计，以在不同场合下提供最佳的训练和生成效果。

以下是对部分算法的简单比较：

注：符号★、◉、●、▲分别表示性能的好坏等级，从好到差。

使用指南

图像生成

LyCORIS模型能在多个界面和在线服务中使用，如：

• ComfyUI
• InvokeAI
• CivitAI
• Tensor.Art

对于这些平台上的新模型类型可能需要请求支持更新。

模型训练

有三种方法可用于训练LyCORIS模型：

1. 使用kohya-ss/sd-scripts。
2. 使用Naifu-Diffusion。
3. 通过LyCORIS作为独立的包装器来使用任何pytorch模块进行训练。

具体安装步骤可以通过pip或源码进行：

• 使用pip：

  pip install lycoris-lora
  

工具功能

从Dreambooth模型中提取LoCon

可以通过命令行从Dreambooth模型中提取LoCon模块：

python3 extract_locon.py <settings> <base_model> <db_model> <output>

合并LyCORIS到模型中

将LyCORIS模型合并回检查点（基本模型）：

python3 merge.py <settings> <base_model> <lycoris_model> <output>

项目计划与更新

LyCORIS项目正在不断更新，包括支持更多量化线性层、强化API功能、修复已知BUG等。

计划中的研究任务还包括自动选择算法、探索其他低秩表示或独立参数方法以改进微调效果。

引用

如果您在研究中使用了LyCORIS项目，请按照以下bibtex引用：

@inproceedings{
  yeh2024navigating,
  title={Navigating Text-To-Image Customization: From Ly{CORIS} Fine-Tuning to Model Evaluation},
  author={SHIH-YING YEH and Yu-Guan Hsieh and Zhidong Gao and Bernard B W Yang and Giyeong Oh and Yanmin Gong},
  booktitle={The Twelfth International Conference on Learning Representations},
  year={2024},
}

LyCORIS项目致力于通过参数高效的算法为模型微调提供解决方案，使其能够在不同的应用场合下展现出色的图像生成能力。无论是在学术研究还是实际应用中，这些算法都能为模型的定制化优化提供支持。