ChromeDriver下载地址整理：自动化测试lora-scripts Web功能必备

ChromeDriver 与 lora-scripts 的自动化测试实践：打通 AI 模型训练与 WebUI 验证闭环

在如今的 AI 工具链开发中，一个常见的痛点是：模型能训出来，但效果难验证。尤其是使用 LoRA（Low-Rank Adaptation）进行风格化微调时，开发者往往需要反复手动将.safetensors权重文件复制到 Stable Diffusion WebUI、重启服务、输入提示词、点击生成——这一连串操作不仅耗时，还容易因环境差异导致结果不一致。

有没有办法让整个流程像 CI/CD 一样“一键触发”？答案是肯定的。通过ChromeDriver + Selenium + lora-scripts的组合，我们可以构建一套完整的“训练—部署—测试”自动化流水线，真正实现从模型产出到效果验证的端到端闭环。

为什么选择 ChromeDriver 而不是 Puppeteer？

很多人会问：为什么不直接用更轻量的 Puppeteer？毕竟它也是基于 Chromium 的自动化工具。

关键在于技术栈匹配。lora-scripts 是 Python 编写的训练框架，而 ChromeDriver 原生支持 Python、Java、C# 等多种语言，尤其与 Selenium 配合得天衣无缝。相比之下，Puppeteer 主要面向 Node.js 生态，若要在 Python 环境中调用，必须借助额外桥接层（如pyppeteer或进程通信），增加了复杂性和不稳定因素。

更重要的是，WebUI 操作本质上是 UI 层交互——你需要点按钮、填文本框、等待加载完成。这类任务对调试可视化要求高，ChromeDriver 支持带界面运行（非 headless），便于排查定位问题；而 Puppeteer 默认无头模式，在出错时难以直观判断页面状态。

所以结论很明确：如果你的技术栈以 Python 为主，且目标平台是 WebUI 类应用，ChromeDriver 是最稳妥的选择。

版本匹配：别再被“Session Not Created”困扰了

最常见的错误长这样：

Message: session not created: This version of ChromeDriver only supports Chrome version XXX

这说明你下载的 ChromeDriver 和本地浏览器主版本号不一致。比如 Chrome 是 126.0.6478，你就必须使用 ChromeDriver 126.x 版本，哪怕差一个小版本都不行。

那怎么查当前 Chrome 的版本？

google-chrome --version # 输出示例：Google Chrome 126.0.6478.126

然后去官方地址下载对应驱动：

🔗 官方下载页：https://chromedriver.chromium.org/downloads

但这个页面只列出部分主版本，无法精确到次级更新。更好的方式是通过版本号动态获取最新补丁：

CHROME_VERSION=$(google-chrome --version | grep -oE '[0-9]+\.[0-9]+\.[0-9]+') DRIVER_VERSION=$(curl -s "https://chromedriver.storage.googleapis.com/LATEST_RELEASE_$CHROME_VERSION") wget "https://chromedriver.storage.googleapis.com/$DRIVER_VERSION/chromedriver_linux64.zip"

建议的做法是在项目中建立drivers/目录统一管理，并写一个脚本自动检测版本并提示下载链接。例如：

import subprocess import re def get_chrome_version(): try: output = subprocess.check_output(['google-chrome', '--version'], text=True) return re.search(r'(\d+\.\d+\.\d+)', output).group(1) except Exception as e: print("Chrome 未安装或路径不在 PATH 中") return None chrome_ver = get_chrome_version() if chrome_ver: print(f"👉 当前 Chrome 版本：{chrome_ver}") print(f"📥 下载地址：https://chromedriver.storage.googleapis.com/LATEST_RELEASE_{chrome_ver}")

这样可以避免团队成员因版本混乱导致脚本失败。

实战：控制 WebUI 自动生成图像

假设你已经用 lora-scripts 训好了一个名为my_style_lora.safetensors的模型，现在想自动验证它的输出效果。

以下是一个完整的 Python 脚本示例，展示如何通过 ChromeDriver 控制 Stable Diffusion WebUI 提交生成请求：

from selenium import webdriver from selenium.webdriver.chrome.service import Service from selenium.webdriver.common.by import By from selenium.webdriver.support.ui import WebDriverWait from selenium.webdriver.support import expected_conditions as EC import time import os # 设置 chromedriver 路径（推荐放入环境变量或配置文件） driver_path = "/usr/local/bin/chromedriver" # 浏览器选项 options = webdriver.ChromeOptions() options.add_argument("--start-maximized") options.add_argument("--disable-gpu") options.add_argument("--no-sandbox") options.add_argument("--disable-dev-shm-usage") # options.add_argument("--headless=new") # 服务器运行时启用 service = Service(executable_path=driver_path) driver = webdriver.Chrome(service=service, options=options) try: # 打开本地 WebUI driver.get("http://localhost:7860") # 等待页面加载，直到出现提示词输入框 prompt_input = WebDriverWait(driver, 15).until( EC.presence_of_element_located((By.XPATH, '//textarea[@placeholder="Prompt"]')) ) # 输入正向提示词，包含 LoRA 调用语法 prompt_input.clear() prompt_input.send_keys("cyberpunk cityscape with neon lights, lora:my_style_lora:0.8") # 输入负向提示词 neg_input = driver.find_element(By.XPATH, '//textarea[@placeholder="Negative prompt"]') neg_input.clear() neg_input.send_keys("low quality, blurry, distorted") # 点击生成按钮（注意：实际 ID 可能随 WebUI 更新变化） generate_btn = driver.find_element(By.ID, "generate") generate_btn.click() print("✅ 图像生成任务已提交，正在等待...") # 可选：等待新图片出现（根据输出区域 class 判断） time.sleep(10) # 根据硬件性能调整等待时间 # 截图保存当前结果 timestamp = int(time.time()) screenshot_path = f"test_result_{timestamp}.png" driver.save_screenshot(screenshot_path) print(f"📸 截图已保存至：{screenshot_path}") finally: driver.quit()

关键细节说明：

• 使用WebDriverWait替代固定time.sleep()，提升稳定性；
• 元素定位优先使用语义化属性（如placeholder），比纯 class 或 id 更健壮；
• LoRA 调用格式为lora:model_name:weight，这是 WebUI 的标准语法；
• 若 WebUI 启用了用户名密码登录，需提前处理认证弹窗（可通过--user-data-dir加载已有配置）。

与 lora-scripts 的协同工作流

lora-scripts 的价值在于把复杂的 PyTorch 训练流程封装成一条命令。典型训练如下：

python train.py --config configs/my_lora_config.yaml

其中配置文件定义了数据路径、基础模型、学习率等参数。训练完成后，权重会导出到指定目录。

此时你可以编写一个 Shell 或 Python 脚本，串联以下步骤：

1. 执行train.py开始训练；
2. 训练结束后，将生成的.safetensors文件复制到 WebUI 的models/lora/目录；
3. 重启 WebUI 进程使其加载新模型（可通过 API 或杀进程重启）；
4. 触发上面的 ChromeDriver 自动化脚本进行批量测试。

这就形成了一个完整的“训练 → 部署 → 验证”闭环。

如何应对 WebUI 界面变更？

这是自动化测试中最现实的风险：今天能跑通的脚本，明天可能因为 WebUI 升级而失效。

几点应对策略：

1. 使用容错性更强的定位方式

不要依赖易变的id或class，而是结合结构和语义：

# 不推荐 driver.find_element(By.ID, "txt2img_prompt") # 推荐 driver.find_element(By.XPATH, '//label[text()="Prompt"]/following::textarea[1]')

2. 添加重试机制

网络延迟或 GPU 渲染慢可能导致元素未及时出现：

from selenium.common.exceptions import TimeoutException def safe_find_and_input(driver, locator, text, timeout=10): try: elem = WebDriverWait(driver, timeout).until( EC.element_to_be_clickable(locator) ) elem.clear() elem.send_keys(text) return True except TimeoutException: print(f"❌ 元素未找到或不可交互：{locator}") return False

3. 记录日志与截图

每次失败都应保留现场信息：

import logging logging.basicConfig(filename='automation.log', level=logging.INFO) try: ... except Exception as e: driver.save_screenshot("error_screenshot.png") logging.error(f"[{time.strftime('%Y-%m-%d %H:%M:%S')}] {str(e)}") raise

在 CI/CD 中集成：GitHub Actions 示例

为了实现每日自动训练 + 测试，可将流程接入 GitHub Actions：

name: LoRA Training & Test on: schedule: - cron: '0 2 * * *' # 每天凌晨两点执行 workflow_dispatch: # 也支持手动触发 jobs: train-and-test: runs-on: ubuntu-latest steps: - name: Checkout code uses: actions/checkout@v4 - name: Install Miniconda uses: conda-incubator/setup-miniconda@v2 with: auto-update-conda: true python-version: 3.10 - name: Install Chrome run: | wget -q -O - https://dl.google.com/linux/linux_signing_key.pub | sudo apt-key add - echo "deb [arch=amd64] http://dl.google.com/linux/chrome/deb/ stable main" | sudo tee /etc/apt/sources.list.d/google-chrome.list sudo apt-get update sudo apt-get install -y google-chrome-stable - name: Download ChromeDriver run: | CHROME_VERSION=$(google-chrome --version | grep -oE '[0-9]+\.[0-9]+\.[0-9]+') DRIVER_VERSION=$(curl -s "https://chromedriver.storage.googleapis.com/LATEST_RELEASE_$CHROWN_VERSION") wget -O ~/chromedriver.zip "https://chromedriver.storage.googleapis.com/$DRIVER_VERSION/chromedriver_linux64.zip" unzip ~/chromedriver.zip -d ~/ chmod +x ~/chromedriver sudo mv ~/chromedriver /usr/local/bin/ - name: Setup Python dependencies run: | pip install selenium torch torchvision diffusers accelerate pyyaml - name: Start WebUI (background) run: | nohup python launch.py --listen --port=7860 > webui.log 2>&1 & sleep 30 # 等待服务启动 - name: Run training run: | python train.py --config configs/daily_train.yaml - name: Copy LoRA to WebUI run: | cp output/daily_lora/pytorch_model.safetensors models/lora/daily_test.safetensors - name: Restart WebUI run: | pkill python nohup python launch.py --listen --port=7860 > webui.log 2>&1 & sleep 30 - name: Run automated test run: | python tests/auto_generate.py - name: Upload screenshot if: always() uses: actions/upload-artifact@v3 with: name: test-result path: test_result_*.png

这套流程实现了真正的“无人值守”模型迭代。

最后一点思考：自动化不只是省时间

表面上看，这套方案节省的是每天几十分钟的人工操作。但更深层的价值在于：

• 可复现性：所有测试都在相同条件下进行，排除人为干扰；
• 快速反馈：一旦模型退化（如过拟合、输出崩坏），能在第一时间发现；
• 规模化能力：可轻松扩展为批量测试多个 LoRA 组合、不同提示词模板；
• 质量评分集成：后续可加入图像哈希比对、CLIP Score 计算，实现自动化打分。

当“训练一个模型”变成像“提交一次代码”那样标准化、可度量的操作时，AI 工程才真正走向成熟。

ChromeDriver 看似只是一个小小的驱动程序，但它正是连接算法世界与工程实践的关键桥梁。配合 lora-scripts 这样的高效训练工具，我们终于可以专注于更有价值的事：创造更好的模型，而不是重复点击按钮。