1.腾讯T2I-adapter源码分析（1）-运行源码跑训练
2.cv方向的跑码跑马步态识别在gethub的gaitset源码怎么跑通呀,卡了两
3.代码跑五个小时正常吗

腾讯T2I-adapter源码分析（1）-运行源码跑训练

       稳定扩散、midjourney等AI绘图技术，源码游戏源码为人们带来了令人惊叹的跑码跑马效果，不禁让人感叹技术发展的源码游戏源码日新月异。然而，跑码跑马AI绘图的源码游戏源码小猪pigcms 源码 2015可控性一直不是很好，通过prompt描述词来操控图像很难做到随心所欲。跑码跑马为了使AI绘制的源码游戏源码图像更具可控性，Controlnet、跑码跑马T2I-adapter等技术应运而生。源码游戏源码本系列文章将从T2I-adapter的跑码跑马源码出发，分析其实现方法。源码游戏源码

       本篇是跑码跑马第一篇，主要介绍源码的源码游戏源码运行方法，后续两篇将以深度图为例，跑码跑马分别分析推理部分和训练部分的代码。分析T2I-Adapter，也是为了继续研究我一直在研究的课题：“AI生成同一人物不同动作”，例如：罗培羽：stable-diffusion生成同一人物不同动作的android系统日志源码尝试（多姿势图），Controlnet、T2I-adapter给了我一些灵感，后续将进行尝试。

       T2I-Adapter论文地址如下，它与controlnet类似，都是在原模型增加一个旁路，然后对推理结果求和。

       T2I-Adapter和controlnet有两个主要的不同点，从图中可见，其一是在unet的编码阶段增加参数，而controlnet主要是解码阶段；其二是controlnet复制unit的上半部结构，而T2I-Adapter使用不同的模型结构。由于采用较小的模型，因此T2I-Adapter的模型较小，默认下占用M左右，而controlnet模型一般要5G空间。

       首先确保机器上装有3.6版本以上python，然后把代码clone下来。树莓派 raspbian 源码随后安装依赖项，打开requirements.txt，可以看到依赖项的内容。然后下载示例，下载的会放到examples目录下。接着下载sd模型到model目录下，再下载T2I-Adapter的模型到目录下，模型可以按需到huggingface.co/TencentA...下载。这里我下载了depth和openpose。sd模型除了上述的v1-5，也还下载了sd-v1-4.ckpt。

       根据文档，尝试运行一个由深度图生成的例子，下图的左侧是深度图，提示语是"desk, best quality, extremely detailed"，右侧是生成出来的。运行过程比较艰辛，一开始在一台8G显存的首页页面源码服务器上跑，显存不够；重新搭环境在一台G显存的服务器上跑，还是不够；最后用一台G显存的服务器，终于运行起来了。

       接下来尝试跑openpose的例子，下图左侧是骨架图，提示词为"Iron man, high-quality, high-res"，右侧是生成的图像。

       既然能跑推理，那么尝试跑训练。为了后续修改代码运行，目标是准备一点点数据把训练代码跑起来，至于训练的效果不是当前关注的。程序中也有训练的脚步，我们以训练深度图条件为例，来运行train_depth.py。

       显然，习惯了，会有一些问题没法直接运行，亚视包青天 源码需要先做两步工作。准备训练数据，分析代码，定位到ldm/data/dataset_depth.py，反推它的数据集结构，然后准备对应数据。先创建文件datasets/laion_depth_meta_v1.txt，用于存放数据文件的地址，由于只是测试，我就只添加两行。然后准备，图中的.png和.png是结果图，.depth.png和.depth.png是深度图，.txt和.txt是对应的文本描述。

       文本描述如下，都只是为了把代码跑起来而做的简单设置。设置环境变量，由于T2I-Adapter使用多卡训练，显然我也没这个环境，因此要让它在单机上跑。而代码中也会获取一些环境变量，因此做简单的设置。

       做好准备工作，可以运行程序了，出于硬件条件限制，只能把batch size设置为1。在A显卡跑了约8小时，完成，按默认的配置，模型保存experiments/train_depth/models/model_ad_.pth。那么，使用训练出来的模型试试效果，能生成如下（此处只是为了跑起来代码，用训练集来测试），验证了可以跑起来。

       运行起来，但这还不够，我们还得看看代码是怎么写法，下一篇见。

       PS：《直观理解AI博弈原理》是笔者写的一篇长文，从五子棋、象棋、围棋的AI演进讲起，从深度遍历、MAX-MIN剪枝再到蒙特卡罗树搜索，一步步介绍AI博弈的原理，而后引出强化学习方法，通俗易懂地介绍AlphaGo围棋、星际争霸强化学习AI、王者荣耀AI的一些强化学习要点，值得推荐。

       AUTOMATIC的webui是近期很流行的stable-diffusion应用，它集合stable-diffusion各项常用功能，还通过扩展的形式支持controlnet、lora等技术，我们也分析了它的源码实现，写了一系列文章。

cv方向的步态识别在gethub的gaitset源码怎么跑通呀,卡了两

       本篇文章聚焦于对GaitSet源码在GitHub上的测试流程解析。首先，深入探讨了测试部分的架构，从初始化阶段开始，测试代码与训练部分紧密相连，但存在关键差异。

       在测试阶段，重点关注的是test.py文件中的测试函数，这里与训练过程中在initialization.py的初始化环节相呼应。测试函数通过改变DataLoader中的sampler和collate_fn参数，确保测试样本的采样方式符合特定需求。具体而言，当训练阶段设置self.sample_type='all'时，测试阶段的采样策略也相应地采取全采样策略。

       测试流程继续，样本通过网络处理后，生成特征维度被记录。接下来，通过返回m变量，进入evaluation阶段，具体为evaluator.py文件。这一部分涉及到探针集（probe set）和画廊集（gallery set）的概念，详细解释可参考相关文章。最终，通过计算acc（准确率），测试阶段对rank-1准确度（包含相同视角）和rank-1准确度（不包含相同视角）进行了评估。

       至此，测试部分解析完成。对于GaitSet源码的代码开源计划已在GitHub上启动，对于入门步态识别领域的人来说，GaitSet提供了一个相当不错的起点。然而，后续将不再深入探讨GaitSet的代码细节，转而关注最新的步态识别框架OpenGait。如果在阅读GaitSet代码过程中遇到问题，鼓励通过私聊或评论方式与作者交流，作者将及时提供回复。

       若文章内容对读者有所帮助，请考虑进行一键三连操作，表达支持。感谢大家的阅读与关注！

代码跑五个小时正常吗

       正常。如果是纯写，没有可拷贝和利用的源代码的话，一个小时写-行代码比较正常，那么5个小时可写-行代码，评价代码质量一般按千行BUG数，这样的速度写出来的第一版程序千行BUG数以上为较差。