T2i Adapter Depth Midas Sdxl 1.0

🚀 T2I-Adapter-SDXL - Depth-MiDaS

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、特定の基本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する深度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

• モデルの種類: 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

• モデルの複雑さ: | | 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描きのモノクロ画像
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描きのモノクロ画像
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。

Canny 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.midas import MidasDetector
import torch

# アダプターをロード
adapter = T2IAdapter.from_pretrained(
  "TencentARC/t2i-adapter-depth-midas-sdxl-1.0", torch_dtype=torch.float16, varient="fp16"
).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()

midas_depth = MidasDetector.from_pretrained(
  "valhalla/t2iadapter-aux-models", filename="dpt_large_384.pt", model_type="dpt_large"
).to("cuda")

• 条件画像

url = "https://huggingface.co/Adapter/t2iadapter/resolve/main/figs_SDXLV1.0/org_mid.jpg"
image = load_image(url)
image = midas_depth(
  image, detect_resolution=512, image_resolution=1024
)

• 生成

prompt = "A photo of a room, 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_mid.png')

高度な使用法

学習

学習スクリプトは、ここで提供され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300万件の高解像度画像とテキストの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: 一定の学習率1e-5
• 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。