T2i Adapter Openpose Sdxl 1.0

🚀 T2I-Adapter-SDXL - Openpose

T2I Adapterは、Stable Diffusionに追加の条件付けを提供するネットワークです。各T2Iチェックポイントは、異なるタイプの条件付けを入力として受け取り、特定のベースのStable Diffusionチェックポイントと共に使用されます。

このチェックポイントは、StableDiffusionXLチェックポイントに対してOpenposeの条件付けを提供します。これは、Tencent ARCとHugging Faceの共同プロジェクトです。

📚 ドキュメント

モデルの詳細

• 開発者: T2I-Adapter: Learning Adapters to Dig out More Controllable Ability for Text-to-Image Diffusion Models

• モデルのタイプ: 拡散ベースのテキストから画像への生成モデル

• 言語: 英語

• ライセンス: Apache 2.0

• 詳細情報のリソース: GitHubリポジトリ、論文。

• モデルの複雑性: | | SD-V1.4/1.5 | SD-XL | T2I-Adapter | T2I-Adapter-SDXL | | --- | --- | --- | --- | --- | | パラメータ | 860M | 2.6B | 77 M | 77/79 M |

• 引用方法:

@misc{
    title={T2I-Adapter: Learning Adapters to Dig out More Controllable Ability for Text-to-Image Diffusion Models}, 
    author={Chong Mou, Xintao Wang, Liangbin Xie, Yanze Wu, Jian Zhang, Zhongang Qi, Ying Shan, Xiaohu Qie},
    year={2023},
    eprint={2302.08453},
    archivePrefix={arXiv},
    primaryClass={cs.CV}
}

チェックポイント

モデル名	制御画像の概要	制御画像の例	生成画像の例
TencentARC/t2i-adapter-canny-sdxl-1.0 キャニーエッジ検出で学習	黒い背景に白いエッジがあるモノクロ画像。
TencentARC/t2i-adapter-sketch-sdxl-1.0 PidiNetエッジ検出で学習	黒い背景に白い輪郭がある手書きのモノクロ画像。
TencentARC/t2i-adapter-lineart-sdxl-1.0 ラインアートエッジ検出で学習	黒い背景に白い輪郭がある手書きのモノクロ画像。
TencentARC/t2i-adapter-depth-midas-sdxl-1.0 Midas深度推定で学習	黒が深い領域、白が浅い領域を表すグレースケール画像。
TencentARC/t2i-adapter-depth-zoe-sdxl-1.0 Zoe深度推定で学習	黒が深い領域、白が浅い領域を表すグレースケール画像。
TencentARC/t2i-adapter-openpose-sdxl-1.0 OpenPose骨格画像で学習	OpenPose骨格画像。

💻 使用例

基本的な使用法

まず、必要な依存関係をインストールします。

pip install -U git+https://github.com/huggingface/diffusers.git
pip install -U controlnet_aux==0.0.7 # 条件付けモデルと検出器用
pip install transformers accelerate safetensors

1. 画像を適切な制御画像形式でダウンロードします。
2. 制御画像とプロンプトをStableDiffusionXLAdapterPipelineに渡します。

Openpose Adapterを使用した簡単な例を見てみましょう。

依存関係

from diffusers import StableDiffusionXLAdapterPipeline, T2IAdapter, EulerAncestralDiscreteScheduler, AutoencoderKL
from diffusers.utils import load_image, make_image_grid
from controlnet_aux import OpenposeDetector
import torch
import numpy as np
from PIL import Image

# アダプターをロード
adapter = T2IAdapter.from_pretrained(
    "TencentARC/t2i-adapter-openpose-sdxl-1.0", torch_dtype=torch.float16
).to("cuda")

# euler_aスケジューラーをロード
model_id = 'stabilityai/stable-diffusion-xl-base-1.0'
euler_a = EulerAncestralDiscreteScheduler.from_pretrained(model_id, subfolder="scheduler")
vae = AutoencoderKL.from_pretrained("madebyollin/sdxl-vae-fp16-fix", torch_dtype=torch.float16)
pipe = StableDiffusionXLAdapterPipeline.from_pretrained(
    model_id, vae=vae, adapter=adapter, scheduler=euler_a, torch_dtype=torch.float16, variant="fp16", 
).to("cuda")
pipe.enable_xformers_memory_efficient_attention()

open_pose = OpenposeDetector.from_pretrained("lllyasviel/Annotators")

条件画像

url = "https://huggingface.co/Adapter/t2iadapter/resolve/main/people.jpg"
image = load_image(url)
image = open_pose(image, detect_resolution=512, image_resolution=1024)
image = np.array(image)[:, :, ::-1]           
image = Image.fromarray(np.uint8(image)) 

生成

prompt = "A couple, 4k photo, highly detailed"
negative_prompt = "anime, cartoon, graphic, text, painting, crayon, graphite, abstract, glitch, deformed, mutated, ugly, disfigured"

gen_images = pipe(
    prompt=prompt,
    negative_prompt=negative_prompt,
    image=image,
    num_inference_steps=30,
    adapter_conditioning_scale=1,
    guidance_scale=7.5,  
).images[0]
gen_images.save('out_pose.png')

学習

私たちの学習スクリプトは、ここで提供している公式の学習スクリプトをベースに構築されています。

このモデルは、LAION-Aesthetics V2の300万の高解像度画像テキストペアを使用して学習されています。

• 学習ステップ: 35000
• バッチサイズ: 単一GPUのバッチサイズが16のデータ並列で、合計バッチサイズは256。
• 学習率: 1e-5の一定の学習率。
• 混合精度: fp16

📄 ライセンス

このモデルは、Apache 2.0ライセンスの下で提供されています。