T2i Adapter Depth Zoe Sdxl 1.0

🚀 T2I-Adapter-SDXL - Depth-Zoe

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。

✨ 主な機能

T2I Adapterは、Stable Diffusionに追加の条件付けを提供することで、画像生成の制御性を向上させます。このモデルは、深度情報を条件として使用することで、より自然な画像を生成することができます。

📦 インストール

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 timm==0.6.12 # for conditioning models and detectors
pip install transformers accelerate safetensors

💻 使用例

基本的な使用法

以下は、Depth-zoe Adapterを使用した簡単な例です。

# Dependency
from diffusers import StableDiffusionXLAdapterPipeline, T2IAdapter, EulerAncestralDiscreteScheduler, AutoencoderKL
from diffusers.utils import load_image, make_image_grid
from controlnet_aux import ZoeDetector
import torch

# load adapter
adapter = T2IAdapter.from_pretrained(
  "TencentARC/t2i-adapter-depth-zoe-sdxl-1.0", torch_dtype=torch.float16, varient="fp16"
).to("cuda")

# load euler_a scheduler
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()

zoe_depth = ZoeDetector.from_pretrained(
    "valhalla/t2iadapter-aux-models", filename="zoed_nk.pth", model_type="zoedepth_nk"
).to("cuda")

# Condition Image
url = "https://huggingface.co/Adapter/t2iadapter/resolve/main/figs_SDXLV1.0/org_zeo.jpg"
image = load_image(url)
image = zoe_depth(image, gamma_corrected=True, detect_resolution=512, image_resolution=1024)

# Generation
prompt = "A photo of a orchid, 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_zoe.png')

📚 ドキュメント

モデルの詳細

@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 Trained with canny edge detection	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 Trained with PidiNet edge detection	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 Trained with lineart edge detection	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 Trained with Midas depth estimation	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 Trained with Zoe depth estimation	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 Trained with OpenPose bone image	OpenPose bone画像。

学習

このモデルの学習スクリプトは、こちらにあ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: 25000
• バッチサイズ: データ並列で、単一GPUのバッチサイズは16、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。