Sdxl Base

🚀 SD-XL 1.0-base模型卡片

SD-XL 1.0-base是一款基於擴散模型的文本到圖像生成模型，能夠根據文本提示生成和修改圖像。它採用了專家集成的潛在擴散管道，可獨立使用基礎模型，也可結合細化模型或高分辨率模型進行圖像生成。

🚀 快速開始

安裝依賴

確保將diffusers升級到 >= 0.19.0：

pip install diffusers --upgrade

此外，還需安裝transformers、safetensors、accelerate以及invisible_watermark：

pip install invisible_watermark transformers accelerate safetensors

使用基礎模型

from diffusers import DiffusionPipeline
import torch

pipe = DiffusionPipeline.from_pretrained("stabilityai/stable-diffusion-xl-base-1.0", torch_dtype=torch.float16, use_safetensors=True, variant="fp16")
pipe.to("cuda")

# 如果使用torch < 2.0
# pipe.enable_xformers_memory_efficient_attention()

prompt = "An astronaut riding a green horse"

images = pipe(prompt=prompt).images[0]

使用基礎模型 + 細化模型

from diffusers import DiffusionPipeline
import torch

# 加載基礎模型和細化模型
base = DiffusionPipeline.from_pretrained(
    "stabilityai/stable-diffusion-xl-base-1.0", torch_dtype=torch.float16, variant="fp16", use_safetensors=True
)
base.to("cuda")
refiner = DiffusionPipeline.from_pretrained(
    "stabilityai/stable-diffusion-xl-refiner-1.0",
    text_encoder_2=base.text_encoder_2,
    vae=base.vae,
    torch_dtype=torch.float16,
    use_safetensors=True,
    variant="fp16",
)
refiner.to("cuda")

# 定義步數和高噪聲比例
n_steps = 40
high_noise_frac = 0.8

prompt = "A majestic lion jumping from a big stone at night"

# 運行基礎模型
image = base(
    prompt=prompt,
    num_inference_steps=n_steps,
    denoising_end=high_noise_frac,
    output_type="latent",
).images
# 運行細化模型
image = refiner(
    prompt=prompt,
    num_inference_steps=n_steps,
    denoising_start=high_noise_frac,
    image=image,
).images[0]

提高推理速度（torch >= 2.0）

pipe.unet = torch.compile(pipe.unet, mode="reduce-overhead", fullgraph=True)

GPU顯存受限處理

- pipe.to("cuda")
+ pipe.enable_model_cpu_offload()

更多關於使用diffusers運行Stable Diffusion XL的信息，請參考Stable Diffusion XL文檔。

✨ 主要特性

• 專家集成管道：採用專家集成的潛在擴散管道，先由基礎模型生成（有噪聲的）潛在變量，再由細化模型進行最終去噪處理。
• 多種使用方式：基礎模型可獨立使用，也可結合細化模型或高分辨率模型進行圖像生成。
• 支持多種框架：支持diffusers和Optimum框架，可結合OpenVINO和ONNX Runtime進行推理。

📦 安裝指南

安裝Optimum（OpenVINO）

pip install optimum[openvino]

安裝Optimum（ONNX Runtime）

pip install optimum[onnxruntime]

💻 使用示例

使用Optimum（OpenVINO）

- from diffusers import StableDiffusionXLPipeline
+ from optimum.intel import OVStableDiffusionXLPipeline

model_id = "stabilityai/stable-diffusion-xl-base-1.0"
- pipeline = StableDiffusionXLPipeline.from_pretrained(model_id)
+ pipeline = OVStableDiffusionXLPipeline.from_pretrained(model_id)
prompt = "A majestic lion jumping from a big stone at night"
image = pipeline(prompt).images[0]

使用Optimum（ONNX）

- from diffusers import StableDiffusionXLPipeline
+ from optimum.onnxruntime import ORTStableDiffusionXLPipeline

model_id = "stabilityai/stable-diffusion-xl-base-1.0"
- pipeline = StableDiffusionXLPipeline.from_pretrained(model_id)
+ pipeline = ORTStableDiffusionXLPipeline.from_pretrained(model_id)
prompt = "A majestic lion jumping from a big stone at night"
image = pipeline(prompt).images[0]

更多示例可參考Optimum 文檔。

📚 詳細文檔

模型

SDXL採用了專家集成的潛在擴散管道： 第一步，使用基礎模型生成（有噪聲的）潛在變量，然後使用專門用於最終去噪步驟的細化模型（可在https://huggingface.co/stabilityai/stable-diffusion-xl-refiner-1.0/獲取）對其進行進一步處理。請注意，基礎模型可以作為獨立模塊使用。

或者，我們可以使用以下兩階段管道： 首先，使用基礎模型生成所需輸出大小的潛在變量。第二步，使用專門的高分辨率模型，並對第一步生成的潛在變量應用一種稱為SDEdit（https://arxiv.org/abs/2108.01073，也稱為“img2img”）的技術，使用相同的提示。這種技術比第一種稍慢，因為它需要更多的函數評估。

源代碼可在https://github.com/Stability-AI/generative-models獲取。

模型描述

模型來源

出於研究目的，我們推薦使用generative-models GitHub倉庫（https://github.com/Stability-AI/generative-models），該倉庫實現了最流行的擴散框架（包括訓練和推理），並將逐步添加新功能，如蒸餾。 Clipdrop提供免費的SDXL推理。

• 倉庫：https://github.com/Stability-AI/generative-models
• 演示：https://clipdrop.co/stable-diffusion

評估

上圖評估了用戶對SDXL（有/無細化）相對於SDXL 0.9以及Stable Diffusion 1.5和2.1的偏好。SDXL基礎模型的性能明顯優於之前的版本，結合細化模塊的模型整體性能最佳。

使用方式

直接使用

該模型僅用於研究目的。可能的研究領域和任務包括：

• 藝術品生成，以及在設計和其他藝術過程中的應用。
• 教育或創意工具中的應用。
• 生成模型的研究。
• 安全部署可能生成有害內容的模型。
• 探索和理解生成模型的侷限性和偏差。

排除的使用方式如下所述。

超出範圍的使用

該模型並非用於生成真實或準確反映人物或事件的內容，因此使用該模型生成此類內容超出了其能力範圍。

侷限性和偏差

侷限性

• 模型無法實現完美的照片級真實感。
• 模型無法渲染清晰可讀的文本。
• 模型在處理涉及組合性的複雜任務時存在困難，例如渲染與“A red cube on top of a blue sphere”對應的圖像。
• 面部和人物的生成可能不夠理想。
• 模型的自動編碼部分存在信息損失。

偏差

雖然圖像生成模型的能力令人印象深刻，但它們也可能強化或加劇社會偏差。

📄 許可證

本模型採用CreativeML Open RAIL++-M許可證。