🗒初墨

🍊Hello，各位好，我是标志物！

厌倦了千篇一律的AI流程？教你用Python打造专属ComfyUI插件，让Stable Diffusion听你指挥!

第一篇：科研课题初步确定与 AI 绘画基础流程探索

一、课题确定

在 2024 年 9 月 25 日，我们初步确定了科研实训课题，主要围绕基本标志物识别展开。这一课题的确定为我们后续的研究方向奠定了基础，明确了在标志物科研实训中需要重点关注的内容，即通过对标志物的识别与相关技术的应用，来提升标志物制作以及相关图像处理等方面的能力。

标志物识别在多个领域具有广泛的应用，例如医学影像分析、自动驾驶、工业检测等。通过深入研究标志物识别技术，我们不仅能够提高标志物检测的准确性和效率，还能够为相关领域的技术创新提供支持。因此，我们的研究将聚焦于标志物识别的核心算法、数据处理方法以及实际应用场景中的优化策略。

二、AI 绘画基础流程学习

（一）了解 Stable Diffusion 的 lora 训练基本流程

我们开始了解通过 Stable Diffusion 的 lora 训练 AI 绘画的基本流程。这一步骤对于后续利用 AI 技术进行标志物相关图像的生成与处理至关重要。通过对 lora 训练流程的学习，我们掌握了如何利用这一技术来对模型进行优化和调整，使其能够更好地适应我们对于标志物图像生成的特定需求，例如生成具有特定标志物的标志物图像等。

Stable Diffusion 是一种基于扩散模型的生成模型，能够生成高质量的图像。而 lora（Low-Rank Adaptation）是一种高效的模型微调技术，能够在保持模型原有性能的基础上，通过少量数据的训练，实现对模型的快速调整。通过学习 lora 训练的基本流程，我们能够更好地利用这一技术来优化我们的标志物识别模型，提高其在特定场景下的表现。

具体来说，lora 训练的基本流程包括以下几个步骤：

数据准备：收集和整理与标志物相关的图像数据，确保数据集的多样性和代表性。 模型初始化：加载预训练的 Stable Diffusion 模型，作为基础模型。 微调训练：利用 lora 技术对模型进行微调，通过少量数据的训练，使模型能够更好地适应标志物图像的生成任务。 模型评估：对微调后的模型进行评估，检查其在标志物图像生成任务中的表现，并根据评估结果进行进一步的优化。

（二）上手文生图基本流程

在 2024 年 9 月 29 日，我们上手了 AI 绘画的文生图基本流程。安装了 B 站秋叶的 WebUI 整合包，这让我们能够更便捷地进行 AI 绘画操作。同时，我们打通了 lora 训练的基本流程，进行了人物的 lora 训练，并学会了为 lora 数据集图片打标签。这些操作不仅让我们熟悉了 AI 绘画的工具和流程，还为我们后续在标志物图像生成中应用类似技术提供了宝贵的经验。例如，在生成标志物图像时，我们可以为数据集图片打上与标志物特征相关的标签，从而让模型更好地学习和生成符合我们要求的标志物图像。

文生图的基本流程包括以下几个步骤：

安装与配置：安装 B 站秋叶的 WebUI 整合包，配置相关环境，确保工具能够正常运行。 数据准备：收集和整理与标志物相关的图像数据，为每张图片打上与标志物特征相关的标签。 模型训练：利用 lora 技术对模型进行训练，使其能够根据输入的文本描述生成相应的标志物图像。 图像生成：通过输入与标志物相关的文本描述，生成符合要求的标志物图像。 结果评估：对生成的图像进行评估，检查其是否符合预期，并根据评估结果进行进一步的优化。 通过这些步骤，我们不仅掌握了 AI 绘画的基本操作流程，还积累了宝贵的实践经验，为后续的标志物图像生成任务打下了坚实的基础。

第二篇：标志物图片拍摄与生图流程实现及问题分析

一、图片拍摄

在 2024 年 10 月 15 日，我们拍摄了处于干净背景中以黑白对角标志物为中心的各种视角的图片。这一工作为后续的图像生成提供了基础的数据素材。通过从不同视角拍摄标志物，我们能够确保在后续生成图像时，能够涵盖各种可能的视角情况，从而让生成的标志物图像更加丰富多样，更符合实际应用场景中的需求。

拍摄过程中，我们特别注重以下几点：

背景干净：为了减少背景干扰，我们选择了纯色背景进行拍摄，确保标志物成为图像的唯一焦点。 多视角覆盖：从不同角度、不同距离拍摄标志物，以确保生成的图像能够涵盖各种可能的视角情况。 光线均匀：在拍摄过程中，保持光线均匀，避免阴影和反光对标志物细节的影响。 这些措施为我们后续的图像生成工作提供了高质量的数据基础，确保了生成图像的多样性和实用性。

二、生图流程实现

我们进行了生图流程，实现了图片的生成。然而，在这一过程中，我们发现加入了 lora 训练的生图工作流的成片结果基本过拟合，无法生成背景，缺乏泛化性。这表明我们在利用 lora 训练进行图像生成时，还存在一些问题需要解决。可能是由于训练数据集的局限性，导致模型在生成图像时过于依赖训练数据中的特征，而无法很好地泛化到新的背景和场景中。例如，lora 无法训练不同模糊度、不同数量、不同大小的图片，训练出的图片大多是固定大小、固定模糊度、不同视角的图片。对于训练不同视角的图片，由于基本标志物的细节要严格与实物一致，所以训练的 lora 基本上都要过拟合，缺乏泛化性。

针对这些问题，我们尝试了多种方法来解决：

调整训练数据集：通过增加不同模糊度、不同数量、不同大小的图片样本，来提高模型的泛化能力。我们希望能够通过丰富数据集的多样性，使模型能够更好地适应各种不同的生成任务。 优化训练参数：调整 lora 训练的参数设置，以减少过拟合现象的发生。我们尝试了不同的学习率、批次大小等参数，以期找到最佳的训练配置。 引入正则化技术：在训练过程中引入正则化技术，如 dropout 和权重衰减，以抑制模型的过拟合倾向。 然而，尽管我们尝试了多种方法，lora 训练的生图结果仍然无法满足我们的需求。生成的图像往往过于依赖训练数据中的特征，无法很好地泛化到新的背景和场景中。因此，我们决定放弃利用现有 lora 技术训练标志物的想法。

三、问题分析与未来改进方向

通过这次实验，我们发现 lora 训练在标志物图像生成中存在以下几个主要问题：

过拟合现象严重：由于标志物的细节需要严格与实物一致，lora 训练往往会导致模型过拟合，无法生成多样化的图像。 泛化能力不足：lora 训练生成的图像缺乏泛化性，无法适应不同的背景和场景。 数据集局限性：训练数据集的多样性和全面性不足，导致模型在生成图像时过于依赖训练数据中的特征。

第三篇：基于 ComfyUI 的 AI 绘画工作流搭建与问题解决

一、学习 ComfyUI

在 2024 年 11 月 13 日，我们学习了基于 Stable Diffusion 的图形操作界面 ComfyUI。ComfyUI 作为一种通过节点搭建 AI 绘画工作流的工具，为我们提供了更灵活、更强大的图像生成能力。通过学习，我们掌握了如何利用 ComfyUI 来实现生成不同大小、不同清晰度、不同背景的图片，包括利用 iclight 模型实现不同光效，通过图片融合再调整尺寸来改变图片数量，手动拍摄不同视角的图片并调整成纯色背景，以及通过 API 调用来实现批量生成等功能。

ComfyUI 的核心优势在于其基于节点的工作流设计，用户可以通过连接不同的节点来构建复杂的图像生成流程。例如，我们可以通过“Checkpoint 加载器”选择不同的模型，通过“CLIP 文本编码器”输入正向和负向提示词，通过“K 采样器”控制图像的生成过程，最后通过“VAE 解码器”将潜在空间中的图像转换为最终的像素图像 1。此外，ComfyUI 还支持插件扩展，例如 ComfyUI-Manager，可以帮助我们管理插件、模型和依赖项，进一步提升工作效率 1。

在学习过程中，我们还深入了解了 ComfyUI 的硬件配置要求。为了确保流畅运行，建议使用显存至少 4GB 以上的 NVIDIA 显卡（如 RTX3060），系统内存至少 8GB，并使用固态硬盘来加快模型文件的加载速度 1。通过这些配置，我们能够更高效地进行图像生成实验。

二、问题分析与解决

在使用 ComfyUI 的过程中，我们也遇到了一些问题，以下是主要问题及其解决方案的总结：

在使用插件时，可能会遇到插件报错或与当前版本不兼容的问题。例如，某些插件可能依赖特定的 Python 库或模型文件，缺失或不兼容会导致运行失败 4。

解决方案：

通过 Google 搜索报错信息，查找相关解决方案。例如，GitHub 上通常会有开发者提供的解决方案 4。 更新插件到最新版本，或卸载不兼容的插件。例如，freeu 插件与某些内核不兼容时，可以通过 ComfyUI-Manager 卸载并重新安装 5。 手动调整插件代码。例如，clipseg 插件与 OpenCV 版本不兼容时，可以通过修改插件代码解决问题 5。 过拟合与泛化性问题

在训练和生成图像时，我们发现模型容易过拟合，导致生成的图像缺乏背景或多样性。例如，使用 lora 训练生成的图像大多是固定大小、固定模糊度的图片，无法适应不同背景和场景的需求[[用户输入]]。

解决方案：

增加训练数据集的多样性，包括不同模糊度、不同数量、不同大小的图片样本。 调整训练参数，例如降低学习率或引入正则化技术，以减少过拟合现象[[用户输入]]。 尝试其他模型微调技术，如 adapter 或 prefix-tuning，以提高模型的泛化能力[[用户输入]]。 内存溢出与性能问题

在生成高分辨率图像或运行复杂工作流时，可能会遇到内存溢出（Out of Memory）的问题，导致程序崩溃 5。

解决方案：

关闭不必要的后台程序，释放系统内存。 降低图像分辨率或减少批量生成的数量。 升级硬件配置，例如增加内存条或使用更高显存的显卡 5。 工作流导入与模型名称不一致问题

在导入他人分享的工作流时，可能会出现模型名称不一致的问题，导致工作流无法正常运行 4。

解决方案：

检查工作流中的模型名称，确保与本地模型名称一致。 手动下载缺失的模型并放置到对应目录中 4。

第四篇：ComfyUI 工作流优化与新功能尝试

一、工作流优化

在 2024 年 11 月 20 日，我们通过 ComfyUI 搭建了一个工作流，实现了批量并随机生成不同大小、不同数量、不同模糊度、不同背景、不同视角的灰度图像。以 24 张不同视角的标志物图片作为工作流基础数据，生成了随机的图片集。这一工作流的搭建，大大提高了我们生成图像的效率和多样性。同时，我们也对工作流进行了微调和优化，以进一步提高生成图像的质量和符合我们需求的程度。

在搭建工作流的过程中，我们重点关注了以下几个方面：

数据准备：我们以 24 张不同视角的标志物图片为基础数据，确保生成图像的多样性和覆盖性。这些图片涵盖了标志物的主要视角和细节特征，为后续的随机生成提供了坚实的基础。 随机参数设置：在工作流中，我们引入了随机参数生成器，通过设置不同的大小、数量、模糊度、背景和视角参数，实现了图像的多样化生成。例如，通过调整图像的分辨率、模糊度参数和背景颜色，我们能够生成不同风格和效果的图像。 灰度图像生成：为了满足特定需求，我们将生成的图像统一转换为灰度图像。这一步骤不仅简化了图像处理的复杂度，还提高了图像的通用性和适用性。 批量生成：通过 ComfyUI 的批量生成功能，我们能够一次性生成大量图像，显著提高了工作效率。同时，我们还对生成结果进行了自动分类和存储，便于后续的分析和使用。 通过对工作流的微调和优化，我们进一步提高了生成图像的质量和符合需求的程度。例如，我们调整了模糊度参数的生成范围，使其更符合实际应用中的需求；同时，我们优化了背景生成算法，使生成的背景更加自然和多样化。

二、新功能尝试

在优化工作流的同时，我们还尝试了一些新功能，包括动态提示词与图片反推提示词的节点流效果，以及使用工业相机拍摄基本标志物在实际场景下的样例照片。这些新功能的尝试，为我们提供了更多的图像生成思路和方法。

动态提示词

动态提示词是一种通过随机生成或动态调整提示词来影响图像生成结果的技术。我们将其引入到工作流中，通过设置动态提示词生成器，使生成的图像更具变化性和创意性。例如，我们为标志物图像生成了不同的描述性提示词（如“金属质感”“反光效果”“复杂纹理”等），从而生成具有不同风格和特征的图像。这一技术的应用，不仅提高了生成图像的多样性，还为创意设计提供了更多可能性。

图片反推提示词

图片反推提示词是一种通过分析现有图片生成描述性提示词的技术。我们利用这一技术，对工业相机拍摄的实际场景照片进行了分析，生成了与标志物特征相关的提示词。这些提示词不仅帮助我们更好地理解实际场景中的标志物特征，还为后续的图像生成提供了重要的参考。例如，通过分析实际场景照片，我们生成了与光照、背景和材质相关的提示词，从而生成更贴近实际应用场景的图像。

工业相机拍摄

为了进一步提高生成图像的实用性和参考价值，我们使用工业相机拍摄了基本标志物在实际场景下的样例照片。这些照片不仅为我们提供了真实场景中的标志物数据，还为图像生成模型的优化提供了重要的参考。例如，通过分析实际场景中的光照、背景和视角变化，我们能够更好地调整生成模型的参数，使其生成的图像更贴近实际应用中的真实情况。

第五篇：图片生成任务执行与要求分析

一、图片生成任务执行

在 2024 年 12 月 4 日，我们添加了雨幕附加和高清放大的节点流程，重新回顾了 ComfyUI 的部署流程，并在 win10 服务器上部署了 ComfyUI。随后，我们进行了预计 1.5w ~ 2w 的图片生成任务，并成功完成了生成 1.5w ~ 2w 张图片的任务。这一大规模的图片生成任务的完成，不仅验证了我们之前搭建的工作流的有效性和稳定性，还为我们后续的研究和应用提供了大量的图像数据支持。

在任务执行过程中，我们重点关注了以下几个方面：

雨幕附加节点流程：为了模拟真实场景中的雨天效果，我们在工作流中添加了雨幕附加节点。通过调整雨幕的密度、透明度和分布，我们能够生成具有不同雨天效果的图像。这一步骤不仅提高了生成图像的多样性，还为后续在特定场景中的应用提供了可能。 高清放大节点流程：为了满足高分辨率图像的需求，我们在工作流中添加了高清放大节点。通过使用超分辨率技术，我们将生成的图像从原始分辨率提升至 1440 * 1080，确保了图像的清晰度和细节表现。 ComfyUI 部署与优化：在 win10 服务器上部署 ComfyUI 后，我们对工作流进行了进一步优化，以提高生成效率和稳定性。例如，我们调整了批量生成的参数，确保在高效生成的同时避免内存溢出等问题。 任务执行与监控：在生成任务执行过程中，我们实时监控生成进度和图像质量，确保每一张生成的图片都符合要求。同时，我们对生成结果进行了自动分类和存储，便于后续的分析和使用。 通过这次大规模图片生成任务的执行，我们不仅验证了工作流的有效性和稳定性，还积累了宝贵的实践经验，为后续的研究和应用奠定了坚实的基础。

二、图片要求分析

对于生成的图片，我们有明确的要求。这些要求涵盖了数量、分辨率、标志物出现数量、场景类别和图像格式等多个方面，确保了生成的图片能够满足我们在不同应用场景下的需求。

数量要求：生成图片的总数量要求达到 15000 张（包含），这一数量为我们后续的研究提供了充分的数据支持。通过大规模生成，我们能够覆盖更多的场景和变化，提高模型的泛化能力。 分辨率要求：生成图片的分辨率要求为 1440 * 1080，这一高分辨率确保了图像的清晰度和细节表现。通过高清放大节点，我们成功实现了这一目标，满足了高质量图像的需求。 标志物出现数量：根据不同的应用场景，我们对标志物出现数量进行了分类，包括 1 个、2 - 5 个、5 - 10 个、10 个以上等不同情况。这一分类使得生成的图片能够适应不同复杂度的场景需求。 场景类别：生成图片分为室内设计、学习环境、桥梁设计等不同类别，这些类别涵盖了标志物可能出现的多种应用场景。通过分类生成，我们能够更好地满足特定场景下的需求。 图像格式：生成图片分为线性、线性 + 模糊、线性 + 雨幕、线性 + 模糊 + 雨幕等不同格式。这些格式不仅提高了图像的多样性，还为后续在特定场景中的应用提供了可能。例如，线性 + 雨幕格式的图像可以用于模拟雨天环境中的标志物识别任务。 这些详细的要求，确保了生成的图片能够满足我们在不同应用场景下的需求，也为后续对图片的分类和分析提供了依据。通过对生成图片的进一步分析和处理，我们能够更好地理解标志物在不同场景中的表现，优化相关算法和模型。

第六篇：基于 SD1.5 大模型的图片生成与标注及模型训练尝试

一、图片生成与标注

在 2025 年 1 月 14 日，我们基于 sd1.5 大模型生成了 2w 张图片数据，实际上只生成了 5k 张，然后对这些图片进行了后期处理，大概可以分成清晰的、模糊的、清晰并附加噪点的、模糊附加噪点的。同时，我们发现通过 ComfyUI 利用SAM2技术可以实现对图片进行简单的标注，但如果一张图片中出现多张或多种标志物就不能准确识别了，有一定概率会识别不到。这表明在图片标注方面，还需要进一步优化和改进，以提高标注的准确性和可靠性。

在图片生成过程中，我们重点关注了以下几个方面：

图片分类：对生成的 5k 张图片进行了分类，包括清晰的、模糊的、清晰并附加噪点的、模糊附加噪点的。这些分类不仅提高了图片的多样性，还为后续的模型训练和测试提供了丰富的数据支持。 后期处理：通过图像处理技术，对生成的图片进行了后期处理，例如添加噪点、调整模糊度等。这些处理使得生成的图片更加贴近实际应用场景中的复杂情况。 SAM2 标注技术：利用 ComfyUI 的 SAM2 技术对图片进行简单标注。SAM2 技术能够自动识别图片中的标志物并生成标注信息，但在面对多张或多种标志物时，其识别准确率较低，存在一定的局限性。 为了提高标注的准确性和可靠性，我们计划在未来的研究中探索以下改进方向：

优化标注算法：通过引入更先进的图像分割和标注算法，提高在多张或多种标志物情况下的识别准确率。 人工辅助标注：结合人工辅助标注，对自动标注结果进行修正和补充，确保标注信息的准确性。 多模型融合：尝试将 SAM2 技术与其他标注模型（如 YOLO、Florence 等）结合，提高标注的全面性和可靠性。

二、模型训练尝试

我们熟悉了一下 yolo 模型的训练过程，大概就是对收集的图片数据进行标注，然后将标注后的数据进行模型训练。还尝试优化 ComfyUI 的工作流，调用其他大模型比如 sdxl、flux，但目前的实际效果感觉不如 sd1.5。此外，我们使用 Florence 进行图像分割，生成 BBOX 标注数据，但标注成功概率并非 100%。在尝试 flux 的 canny、depth 重绘模型时，发现与周围环境融为一体，无法生成物品的明显边界感；尝试 sdxl 的 controlnet++ 模型时，发现生成图片背景不过真实。这些尝试和探索，让我们对不同模型的特点和适用场景有了更深入的了解，也为后续选择合适的模型进行图像生成和处理提供了参考。

在模型训练和优化过程中，我们重点关注了以下几个方面：

YOLO 模型训练：熟悉了 YOLO 模型的训练流程，包括数据标注、模型训练和评估。通过这一过程，我们了解了如何利用 YOLO 模型进行目标检测和分类。 ComfyUI 工作流优化：尝试优化 ComfyUI 的工作流，调用 sdxl 和 flux 等大模型进行图像生成。尽管这些模型在某些方面表现不如 sd1.5，但通过对比实验，我们积累了宝贵的经验。 Florence 图像分割：使用 Florence 进行图像分割，生成 BBOX 标注数据。尽管标注成功概率并非 100%，但这一尝试为我们提供了另一种图像标注的思路。 模型对比与评估：通过对比 flux 的 canny、depth 重绘模型和 sdxl 的 controlnet++ 模型的表现，我们深入了解了不同模型的特点和适用场景。例如，flux 模型在处理复杂背景时表现欠佳，而 sdxl 模型在生成真实背景方面存在不足。

第七篇：论文相关工作推进与下一步计划明确

一、论文相关工作推进

在 2025 年 1 月 14 日，我们为论文出图调整了工作流，进行了语言描述工作流和论文写稿的工作。这些工作的推进，为我们的研究成果能够顺利地以论文的形式呈现出来奠定了基础。通过调整工作流，我们确保了生成的图像能够更好地满足论文中的展示需求；而语言描述工作流和论文写稿，则让我们能够将整个研究过程和成果进行系统、清晰的阐述。

在论文相关工作的推进过程中，我们重点关注了以下几个方面：

工作流调整：为了满足论文出图的需求，我们对之前的工作流进行了优化和调整。例如，我们增加了高清放大节点，确保生成的图像具有足够的分辨率和清晰度；同时，我们调整了随机参数生成器，使生成的图像更加多样化，能够覆盖论文中所需的不同场景和效果。 语言描述工作流：为了更好地描述我们的研究方法和成果，我们对工作流进行了详细的语言描述。这一过程不仅帮助我们理清了研究思路，还为论文的撰写提供了重要的素材。例如，我们详细描述了每个节点的功能、参数设置以及生成结果的意义，确保读者能够清晰地理解我们的工作流程。 论文写稿：在语言描述工作流的基础上，我们开始了论文的撰写工作。论文的结构包括引言、相关工作、方法、实验、结果与讨论、结论等部分。我们力求在每一部分中清晰地阐述我们的研究背景、方法、实验设计和结果分析，确保论文内容的完整性和逻辑性。 通过这些工作，我们为论文的最终完成和投稿奠定了坚实的基础。同时，这些工作也帮助我们进一步梳理了研究思路，发现了研究中存在的不足和改进空间。

二、下一步计划明确

我们明确了下一步的计划，包括为论文出图进一步优化工作流，完善语言描述工作流，以及继续进行论文的撰写和修改等工作。同时，我们还需要对之前的研究工作进行总结和梳理，确保论文内容的完整性和逻辑性。此外，我们还需要关注论文投稿的相关要求和流程，为后续的论文投稿做好充分的准备。

在下一步的工作中，我们将重点关注以下几个方面：

工作流进一步优化：为了确保论文中的图像展示更加完美，我们将继续优化工作流。例如，我们计划引入更高级的图像处理技术，如超分辨率重建和图像增强，以提高生成图像的质量；同时，我们将调整生成参数，使图像更加符合论文中的展示需求。 语言描述工作流完善：在现有语言描述的基础上，我们将进一步完善工作流的描述，确保每个步骤和节点都得到清晰、准确的解释。例如，我们将补充每个节点的详细参数设置和生成结果的分析，帮助读者更好地理解我们的研究方法。 论文撰写与修改：在论文写稿的基础上，我们将继续进行论文的撰写和修改工作。例如，我们将补充实验部分的详细数据和结果分析，确保论文内容的科学性和严谨性；同时，我们将对论文的语言进行润色，提高论文的可读性和学术水平。 研究工作总结与梳理：在论文撰写过程中，我们将对之前的研究工作进行总结和梳理，确保论文内容的完整性和逻辑性。例如，我们将整理研究过程中的关键数据和实验结果，分析研究中存在的不足和改进空间，为未来的研究提供参考。 论文投稿准备：为了确保论文能够顺利投稿，我们将关注相关期刊的投稿要求和流程。例如，我们将了解期刊的投稿格式、审稿周期和发表要求，为论文的最终投稿做好充分的准备。

第八篇：论文投稿与回顾总结

一、论文投稿

在 2025 年 1 月 22 日，我们完成了论文投稿的工作。这一成果标志着我们整个科研课题的一个重要阶段的结束，也是对我们之前所有努力的一个总结和展示。论文投稿后，我们还需要关注论文的审核情况，根据审稿人的意见进行相应的修改和完善，以提高论文的质量和被录用的可能性。

在论文投稿的过程中，我们重点关注了以下几个方面：

论文格式与要求：我们仔细阅读了目标期刊的投稿指南，确保论文的格式、字数、引用风格等符合要求。例如，我们按照期刊的要求调整了论文的结构、图表格式和参考文献列表。 内容完善与润色：在投稿前，我们对论文内容进行了多次修改和润色，确保语言表达清晰、逻辑严谨。例如，我们补充了实验部分的详细数据和结果分析，并对论文的语言进行了润色，提高了论文的可读性和学术水平。 审稿意见应对：我们提前准备了应对审稿人意见的策略，例如针对可能提出的问题准备了详细的回复和修改方案，以确保在收到审稿意见后能够迅速做出回应。 论文投稿的完成不仅是对我们研究工作的总结，也是我们科研能力的一次重要展示。我们将密切关注论文的审稿进展，并根据审稿意见进行修改和完善，力争论文能够顺利发表。

二、回顾总结

回顾整个科研课题的历程，从最初的课题确定，到 AI 绘画基础流程的探索，再到标志物图片拍摄与生图流程实现，以及基于 ComfyUI 的工作流搭建与优化，图片生成任务的执行，基于 SD1.5 大模型的图片生成与标注及模型训练尝试，最后到论文相关工作的推进和论文投稿，每一步都充满了挑战和收获。

课题确定与 AI 绘画基础流程探索

在课题确定阶段，我们明确了研究方向，即以标志物识别为核心，结合 AI 绘画技术进行图像生成和处理。通过对 Stable Diffusion 和 lora 训练流程的学习，我们掌握了 AI 绘画的基本技术，为后续的研究奠定了基础。

标志物图片拍摄与生图流程实现

我们通过多角度拍摄标志物图片，搭建了生图流程，并尝试利用 lora 技术进行图像生成。尽管在过程中遇到了过拟合和泛化性不足的问题，但通过调整数据集和优化训练参数，我们积累了宝贵的经验。

基于 ComfyUI 的工作流搭建与优化

通过学习和实践，我们利用 ComfyUI 搭建了高效的工作流，实现了批量生成多样化图像的目标。我们还尝试了动态提示词、图片反推提示词等新功能，进一步拓展了图像生成的思路。

图片生成任务的执行与模型训练尝试

我们成功完成了大规模图片生成任务，并尝试了 YOLO、Florence 等模型的训练和应用。尽管部分模型的效果不如预期，但这些尝试让我们对不同模型的特点和适用场景有了更深入的了解。

论文相关工作推进与投稿

在论文撰写阶段，我们调整了工作流，优化了图像生成效果，并系统地总结了研究方法和成果。通过语言描述工作流和论文写稿，我们清晰地呈现了研究过程，最终完成了论文投稿。

三、经验与收获

在整个科研课题的研究过程中，我们不仅掌握了 AI 绘画和图像处理的相关技术，还培养了团队协作、问题解决和科研写作等多方面的能力。这些经验和收获将为我们未来的研究和工作提供宝贵的支持。

技术能力的提升

我们深入学习了 AI 绘画技术、模型训练方法以及图像处理工具，掌握了从数据准备到模型优化的全流程技术。

科研思维的培养

在解决实际问题的过程中，我们学会了如何设计实验、分析数据、总结规律，并形成系统的研究成果。

团队协作与沟通

在团队合作中，我们分工明确、紧密配合，高效完成了各项任务，同时通过定期讨论和分享经验，提升了整体研究效率。

科研写作能力的提高

通过论文撰写和修改，我们掌握了科研写作的技巧，能够清晰、准确地表达研究内容和成果。

四、未来展望

尽管我们已完成了论文投稿，但研究工作并未结束。在未来的工作中，我们将从以下几个方面继续努力：

论文修改与完善：根据审稿意见对论文进行修改，确保论文质量达到发表要求。 技术优化与创新：进一步优化图像生成和模型训练技术，探索更高效的解决方案。 跨学科合作：结合计算机视觉、深度学习等领域的最新技术，推动标志物识别和图像生成技术的创新发展。 实际应用拓展：将研究成果应用于更多实际场景，如自动驾驶、医学影像分析等，验证其在实际中的价值。 通过持续的努力和创新，我们希望能够在这一领域取得更多突破，为相关技术的发展和应用做出贡献。