Varoriya AI

ฟรักซ์ ดาต้าเซ็ต คอมโพสเซอร์

การเตรียม Data Set เพื่อเทรน LoRA: แนวคิดพื้นฐานและการใช้งานบน Varoriya.com สำหรับ Flux Model

นำเสนอแนวคิดพื้นฐานของการเรียนรู้ของปัญญาประดิษฐ์ (AI) ในบริบทของการเทรน LoRA (Low-Rank Adaptation) รวมถึงขั้นตอนการเตรียมชุดข้อมูล (Dataset) ที่สำคัญ เพื่อให้ได้ผลลัพธ์การสร้างภาพที่ดีและแม่นยำ โดยเน้นข้อมูลจากการใช้งานเทคโนโลยีใหม่ของโมเดล Flux บนแพลตฟอร์ม Varoriya.com.

1. หลักการเรียนรู้ของ AI: บริบทและคำเฉพาะ

AI เรียนรู้ลักษณะเดียวกับที่มนุษย์เรียนรู้ภาษาใหม่ โดยการพยายามเชื่อมโยงและคาดเดาความหมายจากบริบทต่างๆ รอบตัว แม้จะไม่รู้คำศัพท์นั้นทั้งหมด ตัวอย่างเช่น การเรียนรู้ว่า “Apple” คืออะไร และสามารถกินได้ ก็มาจากการเจอในบริบทที่หลากหลาย.

ในการเทรน LoRA เราไม่สามารถใช้ปากกาไปวงในรูปภาพเพื่อบอก AI ว่าต้องการให้เรียนรู้อะไร แต่เราต้องให้ AI เรียนรู้จาก บริบท (Context) และ ข้อมูล (Data) ที่เราใส่เข้าไปพร้อมกัน.

Trigger Word (คำศัพท์เฉพาะ): เมื่อเราต้องการให้ AI เรียนรู้ใบหน้าของเรา ซึ่งไม่ใช่บุคคลที่มีชื่อเสียงระดับโลก (เช่น Iron Man) ที่ AI รู้จักอยู่แล้วในโมเดลหลัก (Checkpoint) เราต้องกำหนด Trigger Word หรือคำศัพท์เฉพาะ (เช่น “1next”) เพื่อระบุว่าใบหน้านี้คือใคร. การใช้คำเฉพาะนี้จะช่วยให้ AI แยกแยะใบหน้าของเราออกจากคำทั่วไปที่ AI รู้จักดีอยู่แล้ว เช่น “One Man” หรือ “One Girl”.

การทำงานร่วมกับแคปชั่น: ชุดข้อมูลการเทรนทั่วไปจะใช้รูปภาพที่เราต้องการเทรน บวกกับข้อความกำกับภาพ (Text กำกับภาพ หรือ แคปชั่น). แคปชั่นเหล่านี้ช่วยเฉพาะเจาะจงสิ่งที่อยู่ในภาพ เช่น ถ้าภาพเป็นผู้ชายใส่แว่น นั่งบนเก้าอี้ ฉากหลังเป็นห้องนั่งเล่น ก็จะมีการระบุบริบทเหล่านี้ลงไป. AI จะอ่านข้อความเหล่านี้ และพยายามเชื่อมโยงคำที่ไม่รู้จัก (เช่น “1next”) เข้ากับลักษณะของสิ่งที่เหลืออยู่ในภาพที่มันไม่เคยเรียนรู้มาก่อน (เช่น ใบหน้าของเรา).

2. การจัดเตรียม Data Set: สิ่งสำคัญเพื่อหลีกเลี่ยงข้อผิดพลาด

การเตรียม Data Set ให้ชัดเจนเป็นสิ่งสำคัญอย่างยิ่ง เนื่องจากในการเทรนแบบพื้นฐานที่ใช้เพียงข้อมูลภาพอย่างเดียว (Data Set ล้วนๆ) AI จะต้องกรองข้อมูลด้วยตัวเอง โดยอาศัยเฉพาะข้อมูลที่เราให้เท่านั้น.

2.1 คุณภาพและขนาดของภาพ

โมเดล Flux LoRA ควรใช้ภาพที่มีขนาดประมาณ 1024 x 1024 พิกเซล (บวกลบได้เล็กน้อย) เพราะหากใช้ภาพขนาดเล็ก (เช่น 500 x 500) ภาพจะไม่ชัดเจน. หากมีภาพขนาดเล็กมาก (เช่น 300 x 300) และเบลอ ควรหาภาพใหม่ แต่หากจำเป็น แพลตฟอร์มก็มีเครื่องมือสำหรับ อัปสเกล (Upscale) ภาพให้มีความคมชัดขึ้นได้.

2.2 การครอปภาพ (Cropping)

เพื่อให้ AI เรียนรู้ส่วนที่ต้องการอย่างชัดเจน ต้องมีการ ครอปภาพ (Crop) ส่วนที่ไม่สำคัญทิ้งไป.

  • บริบทของใบหน้า: หากต้องการเทรนใบหน้า ไม่ควรครอปให้เหลือแต่ส่วนหน้ากลมๆ เพียงอย่างเดียว เพราะ AI จะสับสน. แต่ควรรวมส่วนคอและอาจเห็นคอเสื้อติดมาด้วย เพื่อให้ AI รู้ว่า “ก้อนกลมๆ” นี้คือใบหน้าซึ่งตั้งอยู่บนคอของมนุษย์ (“One Man”).
  • ความหลากหลายของตำแหน่ง: การครอปภาพสามารถทำได้หลายแบบ ไม่จำเป็นต้องให้ใบหน้าอยู่ตำแหน่งเดิมเสมอไป เช่น อาจเว้นช่องว่างด้านบนมาก หรือชิดซ้ายชิดขวา เพื่อให้ข้อมูลมีความหลากหลาย (ไม่ให้ AI คิดว่าใบหน้าต้องอยู่มุมซ้ายเท่านั้น).

2.3 การจัดการพื้นหลัง (Background)

พื้นหลังไม่ควร “รกเกินไป”. ฉากหลังที่ควรใช้คือฉากหลังที่เรียบง่าย หรือเป็นสิ่งที่ AI รู้จักอยู่แล้ว (เช่น Green Screen, ห้องน้ำ, Living Room). เมื่อ AI รู้จักฉากหลังเหล่านี้อยู่แล้ว มันจะตัดสิ่งเหล่านั้นทิ้งไป และสามารถโฟกัสไปยังลักษณะซ้ำๆ ที่เราต้องการให้เทรน (เช่น หน้ากลมๆ ของเรา).

2.4 ปัญหาจากการเทรน: Overfitting และ Underfitting

Overfitting (การเรียนรู้มากเกินไป): Overfitting คือการที่ AI เรียนรู้ลักษณะจำเพาะเจาะจงในชุดข้อมูลซ้ำซากเกินไป จนจำภาพที่เห็นอย่างจำกัด.

  • ตัวอย่าง: หากเราใช้ภาพหันขวาและฉากหลังเดิมๆ ซ้ำๆ AI จะจำว่าใบหน้าของเราต้องหันไปทางขวาเสมอ. เวลาเรียกใช้โมเดล AI จะสร้างภาพใบหน้าของเราในมุมนั้น. หรือหากเทรนในฉากหลังสีเขียวอย่างเดียว AI จะจำว่าบุคคลนี้ต้องอยู่คู่กับฉากหลังสีเขียวเท่านั้น.
  • ผลกระทบ: AI จะไม่สามารถปรับตัว (Adapt) หรือสร้างภาพใบหน้าในมุมที่แตกต่างกันได้ถูกต้อง.

Underfitting (ข้อมูลไม่เพียงพอ): Underfitting คือการที่ AI มีข้อมูลน้อยเกินไปหรือไม่ซับซ้อนเพียงพอ ที่จะสร้างโครงร่างหรือแพทเทิร์นลักษณะเฉพาะได้.

  • ตัวอย่าง: หากมีภาพใบหน้าเพียง 3 รูป (หน้าตรง หน้าหันซ้าย หน้าก้ม) เมื่อสั่งให้ AI สร้างภาพเงยหน้า มันอาจจะวาดออกมาไม่เหมือน. หรือการใช้รูปนางแบบเพียงใบเดียวไปเทรน LoRA แม้จะสลับฉากหลังให้หลากหลาย แต่ข้อมูลใบหน้าหลักไม่เพียงพอ ผลลัพธ์ที่ได้ก็จะถูกจำกัดอยู่ในมุมนั้น.
  • ผลกระทบ: AI ไม่สามารถจดจำหรือสร้างความเชื่อมโยงที่สมบูรณ์ได้ ทำให้เมื่อสั่งสร้างภาพในมุมมองใหม่ๆ ภาพจะไม่เหมือน.

ดังนั้น ชุดข้อมูลจึงต้องมี ความหลากหลาย ทั้งในเรื่องของมุมมอง อิริยาบถ และสถานการณ์ เพื่อป้องกันทั้ง Overfitting และ Underfitting.

3. ขั้นตอนการเทรน LoRA บน Varoriya.com

Flux LoRA Training บน Varoriya.com มีขั้นตอนที่ค่อนข้างง่าย หลังจากเตรียม Data Set เรียบร้อยแล้ว.

  1. การเลือกประเภทการเทรน: มีสองประเภทหลัก:
    • Explorer: สามารถเทรนและสร้างภาพได้เฉพาะบนเว็บไซต์ Varoriya เท่านั้น และไม่สามารถโหลดไฟล์ LoRA ออกมาใช้งานภายนอกได้. เหมาะสำหรับผู้ที่ไม่มั่นใจและต้องการทดลองใช้ก่อน.
    • Warrior: สามารถโหลดไฟล์ LoRA ออกมาใช้ที่อื่นได้. หากเริ่มด้วย Explorer แล้วผลลัพธ์น่าพอใจ สามารถอัปเกรดเป็น Warrior ได้ในภายหลัง.
    • การตั้งค่าความเป็นส่วนตัว: หากไม่กดตั้งค่าเป็น Public ไฟล์ LoRA จะเป็น Private และมีเพียงผู้ใช้คนเดียวเท่านั้นที่ใช้ได้.
  2. การเตรียม Data Set บนเว็บไซต์ (Dataset Composer):
    • ผู้ใช้สามารถอัปโหลดไฟล์ภาพ (JPX, PNG) หรือไฟล์ Zip ที่รวมรูปภาพไว้ (โดยไม่ต้องมีโฟลเดอร์ย่อย).
    • มีเครื่องมือสำหรับ Crop ภาพ และ Upscale ภาพขนาดเล็ก.
    • มีฟังก์ชัน Auto Caption ซึ่งใช้ Varoriya AI ในการอ่านและระบุรายละเอียดของภาพ (เช่น ผู้ชายผมสีเข้ม มีหนวด นั่งบนเก้าอี้). แม้จะไม่ได้ใช้แคปชั่นในการเทรนแบบ Data Set ล้วนๆ แต่สามารถเรียกใช้เพื่อตรวจสอบหรือแก้ไขได้.
    • เมื่อเตรียมภาพทั้งหมดเสร็จแล้ว ให้กดปุ่ม Pack Dataset.
  3. การเริ่มเทรนและการใช้งาน:
    • กำหนด Trigger Word (เช่น “1next”) และ Keyword บริบทของข้อมูล (เช่น “Man”).
    • เลือกใช้หรือไม่ใช้ Auto Caption (หากเทรนแบบ Data Set ล้วนๆ อาจปล่อยให้ระบบจัดการไป).
    • กด Start Training ใช้เวลาประมาณ 30-60 นาที.
    • เมื่อเทรนเสร็จ สามารถไปที่หน้า Single LoRA เพื่อเริ่มสร้างภาพ โดยใส่ Prompt และ Trigger Word.
    • สามารถปรับ น้ำหนัก (Weight) ของ LoRA (เช่น 0.6, 0.8, 0.9) เพื่อดูว่าค่าใดทำให้ใบหน้าเหมือนจริงที่สุด.

หากผลลัพธ์ไม่น่าพอใจ เช่น ภาพในมุมหันข้างไม่เหมือนจริง แสดงว่ายังขาดข้อมูล Data Set ที่เป็นภาพหันข้างอย่างชัดเจน ซึ่งจำเป็นต้องเพิ่มข้อมูลส่วนนั้นเข้าไปเพื่อการเรียนรู้ที่สมบูรณ์.