如何将个人NAS里的Stable Diffusion模型库挂载到PAI-EAS

本文涉及的产品
文件存储 NAS,50GB 3个月
简介: 本文讲述如何将自己文件存储NAS里的Stable Diffusion文件挂载到PAI-EAS,实现模型的加载和推理训练

通过在线迁移服务,您已经将SD公共模型库的模型文件转存到了自己的NAS文件目录中,该存储空间中的模型可以被用于SDWebUI,另外也可以将未来训练和推理的结果保存到该NAS目录中。您可以通过如下文件挂载方式来实现。


1.前往文件存储NAS控制台,查看存放模型库的NAS文件目录信息。

例如:041fa4940f,其中:041fa4940f为NAS文件目录名称;该NAS下已经有名为models的文件目录,该目录下存放所有类型模型。请注意此目录结构在控制台无法预览,只有被挂载到ECS,从操作系统中才能看到,此处不需要。


2.前往PAI-EAS控制台单击模型在线服务服务(EAS)操作列下的更新服务。如果您没有现有服务,请参考5分钟使用PAI-EAS一键部署Stable Diffusion AIGC绘画创建一个模型在线服务。


3.模型服务信息区域,选择NAS挂载,配置以下参数。

参数

描述

模型配置

单击填写模型配置,进行模型配置。

  • 模型配置选择NAS挂载,将NAS挂载点配置为你个人的NAS 名称,例如:041fa4940f。然后选择对应的挂载点。
  • NAS源路径:直接键入 / 即可。
  • 挂载路径:将您配置的NAS文件目录挂载到镜像的/code/stable-diffusion-webui/data-oss路径下。例如配置为:/code/stable-diffusion-webui/data-oss
  • 是否只读:开关关闭。

运行命令

运行命令中增加--data-dir 挂载目录,其中挂载目录需要与模型配置挂载路径的最后一级目录一致。例如:../webui.sh --listen --port=8000 --skip-version-check --no-hashing --no-download-sd-model --skip-install --api --filebrowser --blade --data-dir /code/stable-diffusion-webui/data-oss 


4.在最后页面单击部署

PAI会自动在您配置的NAS文件目录下创建如下目录结构,并复制必要的数据到该目录下。但是并不会覆盖已有的models目录,相反会自动识别该目录下的所有模型文件。


5.单击目标服务操作列下的>重启服务,服务重启成功后,即可生效。

PAI会自动在您配置的NAS文件目录下创建如下目录结构,并复制必要的数据到该目录下。但是并不会覆盖已有的models目录,相反会自动识别该目录下的所有模型文件。

image.png


6.后续您可以单击目标服务服务方式列下的查看Web应用,启动WebUI。在WebUI页面Stable Diffusion模型(ckpt)下拉列表中切换指定模型,进行模型推理验证。

输入如下信息:

  • 提示词:best quality, masterpiece, (best quality, masterpiece)(best quality, masterpiece), 1girl, happy, china dress, standing, looking at viewer, blurry background, earrings, hair bun, night, china town,.
  • 反向提示词:(((simple background))),monochrome ,lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, normal quality, jpeg artifacts, signature, watermark, username, blurry, lowres, bad anatomy, bad hands, text, error, extra digit, fewer digits, cropped, worst quality, low quality, normal quality, jpeg artifacts, signature, watermark, username, blurry, ugly,pregnant,vore,duplicate,morbid,mut ilated,tran nsexual, hermaphrodite,long neck,mutated hands,poorly drawn hands,poorly drawn face,mutation,deformed,blurry,bad anatomy,bad proportions,malformed limbs,extra limbs,cloned face,disfigured,gross proportions, (((missing arms))),(((missing legs))), (((extra arms))),(((extra legs))),pubic hair, plump,bad legs,error legs,username,blurry,bad feet.
  • 采样(Sampler)DPM++2MKarras
  • 相关性(CFG scale):7
  • 步数(Sampling steps):20
  • 随机种(seed):82742

模型库中也有Lora的模型文件,您可以在可选附加网络(LoRA插件)选择不同类型模型。

相关实践学习
基于ECS和NAS搭建个人网盘
本场景主要介绍如何基于ECS和NAS快速搭建个人网盘。
阿里云文件存储 NAS 使用教程
阿里云文件存储(Network Attached Storage,简称NAS)是面向阿里云ECS实例、HPC和Docker的文件存储服务,提供标准的文件访问协议,用户无需对现有应用做任何修改,即可使用具备无限容量及性能扩展、单一命名空间、多共享、高可靠和高可用等特性的分布式文件系统。 产品详情:https://www.aliyun.com/product/nas
相关文章
|
2天前
|
机器学习/深度学习 人工智能 算法
机器学习算法的优化与改进:提升模型性能的策略与方法
机器学习算法的优化与改进:提升模型性能的策略与方法
32 13
机器学习算法的优化与改进:提升模型性能的策略与方法
|
2月前
|
人工智能 JSON 算法
Qwen2.5-Coder 系列模型在 PAI-QuickStart 的训练、评测、压缩及部署实践
阿里云的人工智能平台 PAI,作为一站式、 AI Native 的大模型与 AIGC 工程平台,为开发者和企业客户提供了 Qwen2.5-Coder 系列模型的全链路最佳实践。本文以Qwen2.5-Coder-32B为例,详细介绍在 PAI-QuickStart 完成 Qwen2.5-Coder 的训练、评测和快速部署。
Qwen2.5-Coder 系列模型在 PAI-QuickStart 的训练、评测、压缩及部署实践
|
23天前
|
编解码 机器人 测试技术
技术实践 | 使用 PAI+LLaMA Factory 微调 Qwen2-VL 模型快速搭建专业领域知识问答机器人
Qwen2-VL是一款具备高级图像和视频理解能力的多模态模型,支持多种语言,适用于多模态应用开发。通过PAI和LLaMA Factory框架,用户可以轻松微调Qwen2-VL模型,快速构建文旅领域的知识问答机器人。本教程详细介绍了从模型部署、微调到对话测试的全过程,帮助开发者高效实现定制化多模态应用。
|
2月前
|
机器学习/深度学习 PyTorch API
优化注意力层提升 Transformer 模型效率:通过改进注意力机制降低机器学习成本
Transformer架构自2017年被Vaswani等人提出以来,凭借其核心的注意力机制,已成为AI领域的重大突破。该机制允许模型根据任务需求灵活聚焦于输入的不同部分,极大地增强了对复杂语言和结构的理解能力。起初主要应用于自然语言处理,Transformer迅速扩展至语音识别、计算机视觉等多领域,展现出强大的跨学科应用潜力。然而,随着模型规模的增长,注意力层的高计算复杂度成为发展瓶颈。为此,本文探讨了在PyTorch生态系统中优化注意力层的各种技术,
79 6
优化注意力层提升 Transformer 模型效率:通过改进注意力机制降低机器学习成本
|
1月前
|
机器学习/深度学习 人工智能 算法
人工智能浪潮下的编程实践:构建你的第一个机器学习模型
在人工智能的巨浪中,每个人都有机会成为弄潮儿。本文将带你一探究竟,从零基础开始,用最易懂的语言和步骤,教你如何构建属于自己的第一个机器学习模型。不需要复杂的数学公式,也不必担心编程难题,只需跟随我们的步伐,一起探索这个充满魔力的AI世界。
49 12
|
2月前
|
机器学习/深度学习 Python
机器学习中评估模型性能的重要工具——混淆矩阵和ROC曲线。混淆矩阵通过真正例、假正例等指标展示模型预测情况
本文介绍了机器学习中评估模型性能的重要工具——混淆矩阵和ROC曲线。混淆矩阵通过真正例、假正例等指标展示模型预测情况,而ROC曲线则通过假正率和真正率评估二分类模型性能。文章还提供了Python中的具体实现示例,展示了如何计算和使用这两种工具来评估模型。
68 8
|
2月前
|
机器学习/深度学习 Python
机器学习中模型选择和优化的关键技术——交叉验证与网格搜索
本文深入探讨了机器学习中模型选择和优化的关键技术——交叉验证与网格搜索。介绍了K折交叉验证、留一交叉验证等方法,以及网格搜索的原理和步骤,展示了如何结合两者在Python中实现模型参数的优化,并强调了使用时需注意的计算成本、过拟合风险等问题。
66 6
|
2月前
|
机器学习/深度学习 数据采集 算法
从零到一:构建高效机器学习模型的旅程####
在探索技术深度与广度的征途中,我深刻体会到技术创新既在于理论的飞跃,更在于实践的积累。本文将通过一个具体案例,分享我在构建高效机器学习模型过程中的实战经验,包括数据预处理、特征工程、模型选择与优化等关键环节,旨在为读者提供一个从零开始构建并优化机器学习模型的实用指南。 ####
|
2月前
|
人工智能 边缘计算 JSON
DistilQwen2 蒸馏小模型在 PAI-QuickStart 的训练、评测、压缩及部署实践
本文详细介绍在 PAI 平台使用 DistilQwen2 蒸馏小模型的全链路最佳实践。
|
2月前
|
机器学习/深度学习 人工智能 算法
探索机器学习中的线性回归模型
本文深入探讨了机器学习中广泛使用的线性回归模型,从其基本概念和数学原理出发,逐步引导读者理解模型的构建、训练及评估过程。通过实例分析与代码演示,本文旨在为初学者提供一个清晰的学习路径,帮助他们在实践中更好地应用线性回归模型解决实际问题。

相关产品

  • 文件存储 NAS