Torben

🚀 Stable Diffusion v1 - 5 モデルカード

Stable Diffusionは、任意のテキスト入力を元に写真のようにリアルな画像を生成できる潜在的なテキストから画像への拡散モデルです。Stable Diffusionの機能の詳細については、🤗のStable Diffusionブログを参照してください。

Stable - Diffusion - v1 - 5 チェックポイントは、Stable - Diffusion - v1 - 2 チェックポイントの重みで初期化され、その後、解像度512x512で595,000ステップ、「laion - aesthetics v2 5+」で微調整され、テキスト条件付けを10%ドロップして分類器なしガイダンスサンプリングを改善しました。

このモデルは、🧨DiffusersライブラリとRunwayML GitHubリポジトリの両方で使用できます。

🚀 クイックスタート

Diffusers

from diffusers import StableDiffusionPipeline
import torch

model_id = "runwayml/stable-diffusion-v1-5"
pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16, revision="fp16")
pipe = pipe.to("cuda")

prompt = "a photo of an astronaut riding a horse on mars"
image = pipe(prompt).images[0]  
    
image.save("astronaut_rides_horse.png")

より詳細な説明、使用例、およびJAXでの例については、こちらの説明に従ってください。

オリジナルのGitHubリポジトリ

1. 重みをダウンロードします。
   • v1 - 5 - pruned - emaonly.ckpt - 4.27GB、emaのみの重み。VRAMの使用量が少なく、推論に適しています。
   • v1 - 5 - pruned.ckpt - 7.7GB、ema + 非emaの重み。VRAMの使用量が多く、微調整に適しています。
2. こちらの説明に従ってください。

✨ 主な機能

Stable Diffusionは、テキスト入力を元に写真のようにリアルな画像を生成できる潜在的なテキストから画像への拡散モデルです。このモデルは、🧨DiffusersライブラリとRunwayML GitHubリポジトリの両方で使用できます。

📚 ドキュメント

モデルの詳細

@InProceedings{Rombach_2022_CVPR,
    author    = {Rombach, Robin and Blattmann, Andreas and Lorenz, Dominik and Esser, Patrick and Ommer, Bj"orn},
    title     = {High - Resolution Image Synthesis With Latent Diffusion Models},
    booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
    month     = {June},
    year      = {2022},
    pages     = {10684 - 10695}
}

用途

直接的な使用

このモデルは研究目的のみを意図しています。考えられる研究分野やタスクには以下が含まれます。

• 有害なコンテンツを生成する可能性のあるモデルの安全なデプロイ。
• 生成モデルの制限とバイアスの調査と理解。
• アートワークの生成とデザインやその他の芸術的なプロセスでの使用。
• 教育または創造的なツールでの応用。
• 生成モデルに関する研究。

除外される使用については以下で説明します。

誤用、悪意のある使用、および想定外の使用

注: このセクションは [DALLE - MINIモデルカード](https://huggingface.co/dalle - mini/dalle - mini) から引用されていますが、Stable Diffusion v1にも同様に適用されます。

このモデルは、人々に敵意や疎外感を与える環境を生み出す画像を意図的に作成または拡散するために使用してはなりません。これには、人々が不快、苦痛、または不快感を感じるであろう画像や、歴史的または現在のステレオタイプを広めるコンテンツの生成が含まれます。

想定外の使用

このモデルは、人や出来事の事実的または真実の表現を生成するように訓練されていないため、そのようなコンテンツを生成するためにモデルを使用することは、このモデルの能力範囲外です。

誤用と悪意のある使用

このモデルを、個人に残酷なコンテンツを生成するために使用することは、このモデルの誤用です。これには以下が含まれますが、これらに限定されません。

• 人やその環境、文化、宗教などの侮辱的、非人間的、またはその他の有害な表現の生成。
• 差別的なコンテンツまたは有害なステレオタイプの意図的な宣伝または拡散。
• 本人の同意なしでの個人のなりすまし。
• 見る人の同意なしの性的なコンテンツ。
• 誤情報と偽情報。
• 重大な暴力やグロテスクな表現。
• 著作権またはライセンスされた素材の使用条件に違反した共有。
• 著作権またはライセンスされた素材の改変コンテンツを使用条件に違反して共有すること。

制限とバイアス

制限

• このモデルは完全な写真のようなリアリズムを達成しません。
• このモデルは読み取り可能なテキストをレンダリングできません。
• このモデルは、「青い球の上に赤い立方体」に対応する画像をレンダリングするなど、構成性を伴うより難しいタスクではうまく機能しません。
• 顔や人全体が適切に生成されない場合があります。
• このモデルは主に英語のキャプションで訓練されており、他の言語ではうまく機能しません。
• このモデルの自動符号化部分は損失があります。
• このモデルは、成人向けの素材を含む大規模なデータセット [LAION - 5B](https://laion.ai/blog/laion - 5b/) で訓練されており、追加の安全メカニズムと考慮なしでは製品での使用に適していません。
• データセットの重複排除に追加の対策は使用されていません。その結果、訓練データに重複する画像についてある程度の記憶が見られます。訓練データは [https://rom1504.github.io/clip - retrieval/](https://rom1504.github.io/clip - retrieval/) で検索でき、記憶された画像の検出に役立つ可能性があります。

バイアス

画像生成モデルの能力は印象的ですが、社会的なバイアスを強化または悪化させる可能性もあります。Stable Diffusion v1は、[LAION - 2B(en)](https://laion.ai/blog/laion - 5b/) のサブセットで訓練されており、これは主に英語の説明に限定された画像で構成されています。他の言語を使用するコミュニティや文化のテキストと画像は、十分に考慮されていない可能性があります。これは、白人と西洋の文化がしばしばデフォルトとして設定されるため、モデルの全体的な出力に影響を与えます。さらに、非英語のプロンプトでコンテンツを生成するモデルの能力は、英語のプロンプトと比較して大幅に劣ります。

セーフティモジュール

このモデルの意図された使用方法は、Diffusersの セーフティチェッカー を使用することです。このチェッカーは、モデルの出力を既知のハードコードされたNSFW概念と照合することで機能します。これらの概念は、このフィルターの逆エンジニアリングの可能性を減らすために意図的に隠されています。具体的には、チェッカーは画像生成後の CLIPTextModel の埋め込み空間で有害な概念のクラス確率を比較します。これらの概念は生成された画像とともにモデルに渡され、各NSFW概念の手動で設計された重みと比較されます。

トレーニング

トレーニングデータ

モデル開発者は、以下のデータセットをモデルのトレーニングに使用しました。

• LAION - 2B (en) とそのサブセット (次のセクションを参照)

トレーニング手順

Stable Diffusion v1 - 5は、オートエンコーダーとオートエンコーダーの潜在空間で訓練される拡散モデルを組み合わせた潜在拡散モデルです。トレーニング中は以下のようになります。

• 画像はエンコーダーを通じてエンコードされ、画像が潜在表現に変換されます。オートエンコーダーは相対的なダウンサンプリング係数8を使用し、形状H x W x 3の画像を形状H/f x W/f x 4の潜在表現にマッピングします。
• テキストプロンプトはViT - L/14テキストエンコーダーを通じてエンコードされます。
• テキストエンコーダーの非プール出力は、クロスアテンションを介して潜在拡散モデルのUNetバックボーンに供給されます。
• 損失は、潜在表現に追加されたノイズとUNetによる予測との間の再構成目的です。

現在、6つのStable Diffusionチェックポイントが提供されており、以下のように訓練されています。

• [stable - diffusion - v1 - 1](https://huggingface.co/CompVis/stable - diffusion - v1 - 1): [laion2B - en](https://huggingface.co/datasets/laion/laion2B - en) で解像度 256x256 で237,000ステップ。[laion - high - resolution](https://huggingface.co/datasets/laion/laion - high - resolution) (LAION - 5Bから解像度 >= 1024x1024 の170Mの例) で解像度 512x512 で194,000ステップ。

• [stable - diffusion - v1 - 2](https://huggingface.co/CompVis/stable - diffusion - v1 - 2): stable - diffusion - v1 - 1 から再開。「laion - improved - aesthetics」(laion2B - enのサブセットで、元のサイズ >= 512x512、推定美学スコア > 5.0、推定ウォーターマーク確率 < 0.5 の画像にフィルタリングされたもの。ウォーターマークの推定はLAION - 5Bのメタデータから、美学スコアは [改良された美学推定器](https://github.com/christophschuhmann/improved - aesthetic - predictor) を使用して推定されます) で解像度 512x512 で515,000ステップ。

• [stable - diffusion - v1 - 3](https://huggingface.co/CompVis/stable - diffusion - v1 - 3): stable - diffusion - v1 - 2 から再開 - 「laion - improved - aesthetics」で解像度 512x512 で195,000ステップ、テキスト条件付けを10%ドロップして分類器なしガイダンスサンプリングを改善します。

• [stable - diffusion - v1 - 4](https://huggingface.co/CompVis/stable - diffusion - v1 - 4) stable - diffusion - v1 - 2 から再開 - 「laion - aesthetics v2 5+」で解像度 512x512 で225,000ステップ、テキスト条件付けを10%ドロップして分類器なしガイダンスサンプリングを改善します。

• [stable - diffusion - v1 - 5](https://huggingface.co/runwayml/stable - diffusion - v1 - 5) stable - diffusion - v1 - 2 から再開 - 「laion - aesthetics v2 5+」で解像度 512x512 で595,000ステップ、テキスト条件付けを10%ドロップして分類器なしガイダンスサンプリングを改善します。

• [stable - diffusion - inpainting](https://huggingface.co/runwayml/stable - diffusion - inpainting) stable - diffusion - v1 - 5 から再開 - その後、「laion - aesthetics v2 5+」で解像度512x512で440,000ステップのインペイントトレーニングを行い、テキスト条件付けを10%ドロップします。インペイントの場合、UNetには追加の5つの入力チャンネル (エンコードされたマスク画像用の4つとマスク自体用の1つ) があり、非インペイントチェックポイントを復元した後、その重みはゼロで初期化されます。トレーニング中は、合成マスクを生成し、25%のマスクですべてをマスクします。

• ハードウェア: 32 x 8 x A100 GPU

• オプティマイザー: AdamW

• 勾配蓄積: 2

• バッチ: 32 x 8 x 2 x 4 = 2048

• 学習率: 10,000ステップで0.0001にウォームアップし、その後一定に保ちます。

評価結果

異なる分類器なしガイダンススケール (1.5、2.0、3.0、4.0、5.0、6.0、7.0、8.0) と50 PNDM/PLMSサンプリングステップでの評価は、チェックポイントの相対的な改善を示しています。


COCO2017検証セットからの10000のランダムなプロンプトを使用して50 PLMSステップで評価され、解像度512x512で評価されました。FIDスコアに最適化されていません。

環境への影響

Stable Diffusion v1 推定排出量

この情報に基づいて、Lacoste et al. (2019) で提示された Machine Learning Impact calculator を使用して、以下のCO2排出量を推定しています。ハードウェア、実行時間、クラウドプロバイダー、およびコンピュートリージョンは、炭素排出量の影響を推定するために利用されました。

• ハードウェアタイプ: A100 PCIe 40GB
• 使用時間: 150000時間
• クラウドプロバイダー: AWS
• コンピュートリージョン: US - east
• 排出された炭素 (電力消費 x 時間 x 電力網の位置に基づいて生成される炭素): 11250 kg CO2 eq.

引用

@InProceedings{Rombach_2022_CVPR,
    author    = {Rombach, Robin and Blattmann, Andreas and Lorenz, Dominik and Esser, Patrick and Ommer, Bj\"orn},
    title     = {High-Resolution Image Synthesis With Latent Diffusion Models},
    booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
    month     = {June},
    year      = {2022},
    pages     = {10684-10695}
}

このモデルカードは、Robin RombachとPatrick Esserによって作成され、[DALL - E Miniモデルカード](https://huggingface.co/dalle - mini/dalle - mini) に基づいています。

📄 ライセンス

このモデルはオープンアクセスであり、すべての人が利用できます。CreativeML OpenRAIL - Mライセンスにより、さらに権利と使用方法が規定されています。

CreativeML OpenRAILライセンスは以下を規定しています。

1. このモデルを使用して、意図的に違法または有害な出力やコンテンツを生成したり共有したりしてはなりません。
2. CompVisは、あなたが生成した出力に対して何らの権利も主張しません。あなたはそれらを自由に使用でき、その使用について責任を負い、ライセンスに定められた規定に違反してはなりません。
3. あなたは重みを再配布し、モデルを商用および/またはサービスとして使用することができます。その場合、ライセンスと同じ使用制限を含め、すべてのユーザーにCreativeML OpenRAIL - Mのコピーを共有する必要があることに注意してください (ライセンス全体を注意深く読んでください)。

完全なライセンスについては、[こちら](https://huggingface.co/spaces/CompVis/stable - diffusion - license) を注意深く読んでください。