本文介绍了GitHub上的一个名为EasyPhoto的Diffusion WebUI扩展插件，该插件可以替代妙鸭相机生成AI照片，并支持大部分参数自定义，安装和使用简单。用户可以通过上传个人照片训练角色模型，然后使用该模型生成各种照片。文章提供了插件的安装步骤和使用教程，包括基础设置、模型训练和图像生成等。此外，文章还提供了插件的依赖安装和运行方法，并展示了插件生成的照片效果。
一、介绍：
GitHub：
https://github.com/aigc-apps/sd-webui-EasyPhoto
table Diffusion WebUI扩展插件EasyPhoto，翻译中文为简单照片。
最近通过AI生成照片的一个APP很火，叫做妙鸭相机，通过上传几张你的个人照片就可以训练出角色模型，然后用户可以自由生成各种照片。
可这有两个缺点，毕竟要上传个人照片到别人的服务器，而且妙鸭相机官方对于用户安全隐私的协议定义模糊，已经导致很多用户不满，上传后的照片使用权居然归官方所有。
其二就是需要收费，对于量大的用户来说也是一个痛点。
而站长在体验了EasyPhoto之后认为，这真的可以完美取代妙鸭相机，有过之而无不及，大部分参数都可以自定义，可用性极强，训练也极其简单。
二、下载模型
快捷安装
这种方式最为简单，下载后直接解压该文件，你将会得到一个名为sd-webui-EasyPhoto的文件夹，将其移动至.\stable-diffusion-webui\extensions目录内即可完成安装。
在线安装
此方法适用于魔法环境没有问题的朋友，可以通过在线安装的方式一键安装，非常方便。
打开Stable Diffusion的扩展界面后，点击从网址安装按钮，然后在扩展的git仓库网址输入框中粘贴如下网址，最后点击安装按钮即可，然后等待安装脚本自动执行。
https://github.com/aigc-apps/sd-webui-EasyPhoto.git
这可能需要等待几分钟，不要刷新或关闭网页。
安装完成后点击页面最下方的重载UI按钮，UI重新启动后就可以在主菜单中看到EasyPhoto选项卡。
其它依赖
本插件还依赖于阿里的魔塔和huggingface的一些模型，如果你的魔法网络环境没有问题，那么你可以直接正常使用，该插件会自动下载相关内容。
但如果你的魔法网络存在问题，可以使用本站所提供的环境依赖包，关于该依赖的详细安装方式如下。
该插件的辅助模型默认路径为%USERPROFILE%\.cache，如果你是初次使用，可能不存在此路径，可以在CMD中执行如下代码判断该路径是否存在，如果不存在则自动创建。
if not exist %USERPROFILE%\.cache mkdir %USERPROFILE%\.cache
执行完上面的代码之后，我们可以通过在CMD中执行下面的代码，自动打开模型目录。
start %USERPROFILE%\.cache
将我们下载完成的模型文件解压缩，你将会得到两个文件夹，名称分别为huggingface和modelscope，移动至刚刚打开的文件夹（.cache）下即可。
三、使用教程
基础设置
在使用此插件功能之前，我们还需要设置一下Controlnet。
我们至少需要三个Controlnets用于推理。
因此，您需要设置Multi ControlNet: Max models amount (requires restart)。
模型训练
以下是程序的主界面，站长来讲解一下基础功能。
在开始即用之前，我们需要训练一个自己的角色模型，方便以后生成的图像都使用该模型，来确定角色的形象可以与所需要的人物一致。
我们点击Upload Photos按钮，上传5张至20张之间的同一个角色照片，比如站长本次使用的是樱景宁宁写真图，共计20张图片。
在右侧The base checkpoint you use.选择基础模型，也就是你希望训练模型时使用哪个模型做为训练时的基础Base，这很重要，这关乎于以后的出图风格。
如果要设置参数，以下是每个参数的解析：
|
参数名
|
含义
|
|
resolution
|
训练时喂入网络的图片大小，默认值为512。
|
|
validation & save steps
|
验证图片与保存中间权重的steps数，默认值为100，代表每100步验证一次图片并保存权重。
|
|
max train steps
|
最大训练步数，默认值为800。
|
|
max steps per photos
|
每张图片的最大训练次数，默认为200。
|
|
train batch size
|
训练的批次大小，默认值为1。
|
|
gradient accumulationsteps
|
是否进行梯度累计，默认值为4，结合train batch size来看，每个Step相当于喂入四张图片。
|
|
dataloader num workers
|
数据加载的works数量，windows下不生效，因为设置了会报错，Linux正常设置。
|
|
learning rate
|
训练Lora的学习率，默认为1e-4。
|
|
rank Lora
|
权重的特征长度，默认为128。
|
|
network alpha
|
Lora训练的正则化参数，一般为rank的二分之一，默认为64。
|
在你设置完所有参数后，点击Start Training按钮，即可开始训练。
此时网页会自动弹出一个窗口，让你输入一个名字，也就是角色的ID，方便让你知道以后应该选用哪个模型做为你的角色。
随便输入，只要你能记得这是谁就好。
训练期间你可以多次点击Refresh Log按钮，来查看训练的进度。
默认设置的最大部署为800，也就是当训练步数达到800时就会完成模型训练，
其实全部保持默认，训练后的效果也还不错。
站长2080TI的显卡，20张超大原图分辨率图像的训练时间为5个小时左右，如果你的图像并不大，经过裁切之后可以大幅缩短训练时间。
图像生成
模型训练完成之后，我们可以来到Inference选项卡，里面内置了一些模板，你可以直接点击一张照片模板，然后在下面选择对应的基础模型和你训练的模型ID，比如本站设置训练樱景宁宁的角色ID为NN，那么在User id (The User id you provide while training)内你就可以选择为NN的模型，如果你没有看到该模型，可以点击��按钮刷新模型列表，这将会自动查找最新模型。
四、运行
python face_vilify.py
五、效果展示
出自：https://mp.weixin.qq.com/s/UQ7zEnlxZjYPMJxek5gRRA
本文档由网友提供，仅限参考学习，如有不妥或产生版权问题，请联系我们及时删除。
客服请加微信：skillupvip