T2i Adapter Canny Sdxl 1.0

🚀 T2I-Adapter-SDXL - Canny

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してCannyエッジ検出による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。

✨ 主な機能

📚 詳細ドキュメント

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

• 使用言語: 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 Canny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

まずはじめに、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.canny import CannyDetector
import torch

# アダプターをロード
adapter = T2IAdapter.from_pretrained("TencentARC/t2i-adapter-canny-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()

canny_detector = CannyDetector()

• 条件画像

url = "https://huggingface.co/Adapter/t2iadapter/resolve/main/figs_SDXLV1.0/org_canny.jpg"
image = load_image(url)

# 高周波の詳細を避けるために低解像度でCannyマップを検出
image = canny_detector(image, detect_resolution=384, image_resolution=1024)#.resize((1024, 1024))

• 生成

prompt = "Mystical fairy in real, magic, 4k picture, high quality"
negative_prompt = "extra digit, fewer digits, cropped, worst quality, low quality, glitch, deformed, mutated, ugly, disfigured"

gen_images = pipe(
  prompt=prompt,
  negative_prompt=negative_prompt,
  image=image,
  num_inference_steps=30,
  guidance_scale=7.5, 
  adapter_conditioning_scale=0.8, 
  adapter_conditioning_factor=1
).images[0]
gen_images.save('out_canny.png')

🔧 技術詳細

学習

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-テキストペアで学習されています。

• 学習ステップ: 20000
• 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: 固定学習率1e-5。
• 混合精度: fp16

📄 ライセンス

このプロジェクトは、Apache 2.0ライセンスの下で公開されています。