Platform For AI:EASでKohya_ssを使用してLoRA SDモデルをデプロイする

前提条件

• EASが有効になり、デフォルトのワークスペースが作成されます。 詳細については、「PAIの有効化とデフォルトワークスペースの作成」をご参照ください。

• RAMユーザーを使用してモデルを展開する場合は、RAMユーザーにEASの管理権限が付与されていることを確認します。 詳細については、「EASを使用するために必要な権限の付与」をご参照ください。

• Object Storage Service (OSS) バケットは、PAIワークスペースが存在するリージョンに作成されます。 OSSバケットは、トレーニングファイル、出力モデルファイル、およびログを保存するために使用されます。 オブジェクトのアップロード方法については、「オブジェクトのアップロード」をご参照ください。

準備

1. OSS コンソールにログインします。 トレーニング用に作成したバケットのパスに移動します。 バケットはPAIワークスペースと同じリージョンにあります。 例: oss:// kohya-demo/kohya/

2. バケットパスにプロジェクトフォルダを作成します。 例: KaraDetroit_loar。 このプロジェクトフォルダーに、Image、Log、Modelフォルダーを作成します。 JSON設定ファイルがある場合は、このプロジェクトフォルダにアップロードすることもできます。

   

   • Image: トレーニングに使用されるソースファイルを保存します。

   • Model: 出力モデルファイルを格納します。

   • Log: ログを保存します。

   • SS_config.json: 複数のパラメーターを同時に設定するために使用されるJSONファイル。 ファイルはオプションです。 フォルダパスや出力モデル名など、JSONファイル内の関連パラメーターを変更できます。 設定の詳細については、「GitHub」をご参照ください。 サンプルファイルSS_config.jsonは参照を提供します。

3. トレーニングで使用する画像を圧縮ファイルにパッケージ化し、圧縮ファイルをImageフォルダーにアップロードします。 この例では、100_pic.tgzという名前のサンプルファイルを使用しています。

   

   重要

   • パッケージ化されたフォルダーの名前は、number_name形式である必要があります。 例: 100_pic。

   • イメージは次の形式である必要があります。. png、. jpg、. jpeg、. webp、または. bmp。

   • 各イメージには、同じ名前の説明ファイルが必要です。 説明ファイルは、. txt形式を指定します。 説明はファイルの最初の行にある必要があります。 複数の説明はコンマ (,) で区切ります。

   パラメーター	説明
   Number	各画像のトレーニングセッションの数。 値は100以上である必要があります。 トレーニングセッションの総数は1500を超える必要があります。 たとえば、フォルダには10個の画像が含まれており、各画像は1500/10 = 150回トレーニングする必要があります。 Numberパラメーターの値は150です。 たとえば、フォルダには20個の画像が含まれており、各画像は1500/20 = 75回トレーニングする必要があります。 この場合、計算値は100未満の75であるため、Numberパラメータの値は100に増加します。
   アンダースコア	"_" を使用します。 このフィールドは必須です。
   Name	OSSのファイル名の要件を満たす文字列。 この例では「pic」という名前が使用されています。

Kohya_ssサービスのデプロイ

1. PAI コンソールにログインします。 ページ上部のリージョンを選択します。 次に、目的のワークスペースを選択し、[Elastic Algorithm Service (EAS) の入力] をクリックします。

2. [サービスのデプロイ] をクリックします。 [カスタムモデルのデプロイ] セクションで、[カスタムデプロイ] をクリックします。

3. [サービスの作成] ページで、フォームまたはJSONスクリプトを使用してパラメーターを設定します。

   フォームを使用したパラメーターの設定

   • モデルサービス情報の設定

     

     パラメーター	説明
     サービス名	サービスの名前です。 この例では、kohya_ss_demoという名前が使用されます。
     デプロイ方法	[イメージを使用したWebアプリのデプロイ] を選択します。
     画像の選択	[PAIイメージ] をクリックします。 イメージのドロップダウンリストからkohya_ssを、イメージのバージョンのドロップダウンリストから1.2を選択します。 説明 モデルサービスをデプロイするときに、イメージの最新バージョンを選択できます。
     モデル設定	OSSパスのマウントを選択します。 この例では、マウントOSSパスが使用されています。 ワークスペースと同じリージョンのOSSパスを選択します。 この例では、パスoss:// kohya-demo/kohya/ が使用されています。 カスタムマウントパスを使用できます。 この例では、パス /workspaceが使用されます。 重要 読み取り専用モードの有効化をオフにします。 そうしないと、モデルファイルをOSSにエクスポートできません。
     実行するコマンド	イメージを選択すると、システムは自動的に実行するコマンドを設定します。 例: python -u kohya_gui.py -- listen=0.0.0.0 -- server_port=8000 -- headless -- listen: プログラムを指定されたオンプレミスIPアドレスに関連付けて、外部要求を受信および処理します。 -- server_port: リスニング用のポート番号。

   • リソース配置情報を設定します。

     

     パラメーター	説明
     リソースグループタイプ	[パブリックリソースグループ] を選択します。
     リソース設定モード	[一般] を選択します。
     リソース設定	[GPU] タブから [インスタンスタイプ] を選択します。 費用対効果の観点から、ml.gu7i.c16m60.1-gu30インスタンスタイプを使用することを推奨します。 この例では、ml.gu7i.c8m30.1-gu30インスタンスタイプが使用されています。

   • ビジネス要件に基づいて他のパラメーターを設定できます。

   JSONスクリプトを使用してパラメーターを設定する

   • [設定エディター] でJSONスクリプトを設定します。

     

   • サンプルJSONファイル:

     重要

     4行目の "name" の値と18行目の "oss" の値を実際の値に置き換えます。

     {
         "metadata":
         {
             "name": "kohya_ss_demo",
             "instance": 1,
             "enable_webservice": true
         },
         "cloud":
         {
             "computing":
             {
                 "instance_type": "ecs.gn6e-c12g1.12xlarge",
                 "instances": null
             }
         },
         "storage": [
         {
             "oss":
             {
                 "path": "oss://kohya-demo/kohya/",
                 "readOnly": false
             },
             "properties":
             {
                 "resource_type": "model"
             },
             "mount_path": "/workspace"
         }],
         "containers": [
         {
             "image": "eas-registry-vpc.cn-hangzhou.cr.aliyuncs.com/pai-eas/kohya_ss:1.2",
             "script": "python -u kohya_gui.py --listen=0.0.0.0 --server_port=8000 --headless",
             "port": 8000
         }]
     }

4. [デプロイ] をクリックします。 モデルのデプロイが完了するまでに数分かかります。 [サービスステータス] が [実行中] の場合、サービスはデプロイされます。

LoRAモデルのトレーニング

1. 表示するサービスの [サービスタイプ] 列で、[Webアプリの表示] をクリックします。

2. [Dreambooth LoRA] をクリックします。

   

3. [設定ファイル] をクリックして、設定ファイルのパスを指定します。 SS_config.jsonファイルがない場合は、この手順をスキップします。

   

   説明

   設定ファイルのパスは、Configure parameters by using a formステップで指定したMount path、OSSで作成したフォルダーのパス、およびSS_config.jsonファイルで構成されます。 例: /workspace/KaraDetroit_loar/SS_config.json

4. [ソースモデル] タブでパラメーターを設定します。 この例では、トレーニング済みモデルをパラメーターとして保存すると、safetensorsに設定され、checkpointよりもセキュリティが確保されます。

   

5. [フォルダー] タブでパラメーターを設定します。 出力ファイルの名前と、OSSで作成したImage、Log、およびModelフォルダーのパスを使用します。 下表に、各パラメーターを説明します。

   

   パラメーター	説明
   画像フォルダ	トレーニングに使用する画像のフォルダーパス。 パスは、フォームを使用してパラメーターを設定ステップで指定した [マウントパス] と、OSSで作成した [イメージ] フォルダーのパスで構成されます。 例: /workspace/KaraDetroit_loar/Image
   Loggingフォルダ	出力ログのフォルダパス。 パスは、フォームを使用してパラメーターを設定ステップで指定したマウントパスと、OSSで作成したLogフォルダーのパスで構成されます。 例: /workspace/KaraDetroit_loar/Log
   出力フォルダ	出力モデルのフォルダパス。 パスは、フォームを使用してパラメーターを設定ステップで指定したマウントパスと、OSSで作成したモデルフォルダーのパスで構成されます。 例: /workspace/KaraDetroit_loar/Model
   モデル出力名	出力モデルの名前。 例: my_model。

6. [トレーニングパラメーター] タブでパラメーターを設定します。 次の例では、準備ステップでSS_config.jsonファイルの内容を使用します。

   パラメーター	説明
   LoRAタイプ	LoRAタイプ: LyCORIS/LoCon: Res、Block、Transformerなど、LoRAモデルの各レイヤーを調整できます。 LyCORIS/LoHa: モデルは、メモリを増やす必要なく、より多くの情報を処理できます。
   LoRAネットワークの重み	必要に応じて、 LoRAネットワークの重み。 以前のトレーニング結果に基づいてトレーニングを再開する場合は、最近トレーニングしたLoRAを選択します。 必要に応じて、
   列车のバッチサイズ	トレーニングバッチのサイズ。 値が大きいほど、GPUのパフォーマンスが高くなります。
   エポック	トレーニングエポックの数。 すべてのデータは1つのエポックに1回トレーニングされます。 ビジネス要件に基づいてパラメーターを設定します。 ほとんどの場合： Kohyaのトレーニングセッションの総数=トレーニングに使用された画像の数x繰り返しの数xトレーニングエポックの数 /トレーニングバッチの数 web UIのトレーニングセッションの総数=トレーニングに使用した画像の数 × 繰り返しの数 同じディレクトリ内の画像を使用する場合、トレーニングセッションの総数は2倍になり、モデルが保存される回数はKohyaで半分になります。
   すべてのNエポックを保存	トレーニング結果は、N回のトレーニング期間毎に保存される。 値を2に設定すると、トレーニングの2つのエポックごとにトレーニング結果が保存されます。
   キャプション拡張機能	必要に応じて、 キャプションファイルの名前拡張子。 例: .txt。 必要に応じて、
   混合精度	混合精度トレーニングの精度。 GPUのパフォーマンスに基づいてパラメーターを設定します。 有効な値: no、fp16、およびbf16。 使用するGPUのメモリが30 GBを超える場合は、値をbf16に設定することを推奨します。
   保存精度	モデルが保存される精度。 使用するGPUのメモリが30 GBを超える場合は、値をbf16に設定することを推奨します。
   コアあたりのCPUスレッド数	vCPUあたりのスレッド数。 ビジネス要件に基づいてパラメーターを設定します。
   学習率	学習率。 デフォルト値: 0.0001
   LRスケジューラ	学習率スケジューラ。 ビジネス要件に基づいてパラメーターを設定します。
   LRウォームアップ (% のステップ)	学習率のウォームアップステップ。 ビジネス要件に基づいてパラメーターを設定します。 デフォルト値は 10 です。 ウォームアップが必要ない場合は、値を0に設定できます。
   オプティマイザ	オプティマイザ。 ビジネス要件に基づいてパラメーターを設定します。 デフォルト値はAdamW8bitです。 値DAaptationは、自動最適化が有効であることを示します。
   最大解像度	最大解像度。 ビジネス要件に基づいてパラメーターを設定します。
   ネットワークランク (次元)	モデルの複雑さ。 値を128に設定することを推奨します。
   ネットワークアルファ	ほとんどの場合、このパラメーターの値は [ネットワークランク (ディメンション)] パラメーターの値以下です。 ネットワークランク (ディメンション) を128に、ネットワークアルファを64に設定することを推奨します。
   畳み込みランク (次元) 畳み込みアルファ	モデルがLoRAによって微調整される程度を示す畳み込み。 LoRAタイプに基づいてパラメーターを設定します。 Kohyaの公式ガイドに基づいて: LoRAタイプがLyCORIS/LoConの場合、畳み込みランク (ディメンション) を64以下の値に設定し、畳み込みアルファを1に設定します。 Convolution Alphaは、ビジネス要件に基づいて低い値に設定できます。 LoRAタイプがLyCORIS/LoHaの場合、畳み込みランク (ディメンション) を32以下の値に設定し、畳み込みアルファを1に設定します。
   クリップスキップ	CLIPモデルが使用される回数。 有効な値: 1 ~ 12。 値が小さいほど、生成された画像が画像または入力画像に近いことを示す。 リアリズム: 1に設定します。 アニメ、コミック、ゲーム (ACG): 2に設定。
   サンプルごとのnエポック	サンプルはNエポックごとに保存されます。 サンプルはNエポックごとに保存されます。
   サンプルプロンプト	サンプルプロンプト。 有効なパラメータ: -- n: プロンプト、または否定的なプロンプト。 -- w: イメージの幅。 -- h: 画像の高さ。 -- d: イメージのシード。 − 1: プロンプトに対する画像生成の関連性を示す分類器自由案内 (CFG) スケール。 -- s: 反復ステップの数。

7. [モデルのトレーニング] をクリックしてトレーニングを開始します。

8. [Elastic Algorithm Service (EAS)] ページで、表示するサービスの名前をクリックします。 [サービスログ] をクリックして、トレーニングの進行状況をリアルタイムで表示します。

   

   model savedがログに表示されると、トレーニングは完了です。

   

9. トレーニングが完了したら、指定したmodelフォルダーのディレクトリからLoRAモデルファイルを取得します。 例: my_model.safetensors

   

安定拡散に基づくAI画像生成にトレーニング済みLoRAモデルを使用

LoRAモデルをトレーニングした後、SD webアプリケーションのディレクトリにモデルをアップロードできます。 これにより、トレーニング済みのLoRAモデルを使用して画像を生成できます。 SDをデプロイする方法の詳細については、「数回クリックするだけでEASを使用したAIイメージ生成の安定した拡散をデプロイする」をご参照ください。

次のセクションでは、LoRAモデルをSD webアプリケーションにアップロードする方法について説明します。