Stable Diffusion 2 1 Base

🚀 Stable Diffusion v2-1-base模型卡片

Stable Diffusion v2-1-base是一款強大的基於文本生成圖像的模型，它在原有的基礎上進行了優化和調整，能夠根據文本提示更精準地生成和修改圖像，為圖像生成領域帶來了新的可能性。

🚀 快速開始

可以通過以下兩種方式使用stable-diffusion-2-1-base模型：

• 結合stablediffusion倉庫使用：可從此處下載v2-1_512-ema-pruned.ckpt文件。
• 結合🧨diffusers使用。

✨ 主要特性

• 文本驅動圖像生成：能夠根據輸入的文本提示生成相應的圖像。
• 模型微調優化：在stable-diffusion-2-base基礎上進行了220k額外步驟的微調，提升了性能。
• 多場景應用：可用於藝術創作、教育工具、研究等多個領域。

📦 安裝指南

使用🤗的Diffusers庫可以簡單高效地運行Stable Diffusion 2，首先安裝必要的依賴：

pip install diffusers transformers accelerate scipy safetensors

💻 使用示例

基礎用法

運行以下代碼示例（如果不更換調度器，將使用默認的PNDM/PLMS調度器，本示例中更換為EulerDiscreteScheduler）：

from diffusers import StableDiffusionPipeline, EulerDiscreteScheduler
import torch

model_id = "stabilityai/stable-diffusion-2-1-base"

scheduler = EulerDiscreteScheduler.from_pretrained(model_id, subfolder="scheduler")
pipe = StableDiffusionPipeline.from_pretrained(model_id, scheduler=scheduler, torch_dtype=torch.float16)
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")

高級用法

注意事項：

• 雖然不是必需依賴，但強烈建議安裝xformers以實現內存高效注意力（提升性能）。
• 如果GPU顯存較低，在將模型發送到cuda後添加pipe.enable_attention_slicing()以減少顯存使用（但會降低速度）。

📚 詳細文檔

模型詳情

• 開發者：Robin Rombach, Patrick Esser
• 模型類型：基於擴散的文本到圖像生成模型
• 支持語言：英語
• 許可證：CreativeML Open RAIL++-M License
• 模型描述：這是一個可用於根據文本提示生成和修改圖像的模型，它是一個潛在擴散模型，使用固定的預訓練文本編碼器(OpenCLIP-ViT/H)。
• 更多信息資源：GitHub倉庫
• 引用格式：

@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}
}

使用場景

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：

• 安全部署有潛在生成有害內容風險的模型。
• 探究和理解生成模型的侷限性和偏差。
• 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。

禁止使用場景

模型不應被用於故意創建或傳播對人造成敵對或疏離環境的圖像，包括生成可能令人不安、痛苦或冒犯的圖像，或傳播歷史或當前刻板印象的內容。

• 超出範圍的使用：模型並非用於生成對人或事件的真實或準確表示，因此使用該模型生成此類內容超出了其能力範圍。
• 濫用和惡意使用：使用該模型生成對個人殘忍的內容屬於濫用，包括但不限於生成貶低、非人化或其他有害的人物、環境、文化、宗教等的表示；故意推廣或傳播歧視性內容或有害刻板印象；未經同意冒充個人；未經可能看到內容的人同意生成性內容；虛假和誤導性信息；嚴重暴力和血腥內容的表示；違反使用條款分享受版權或許可保護的材料；違反使用條款分享受版權或許可保護材料的修改版本。

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。
• 模型在涉及組合性的更復雜任務上表現不佳，例如渲染對應於“A red cube on top of a blue sphere”的圖像。
• 面部和人物的生成可能不夠理想。
• 模型主要使用英語字幕進行訓練，在其他語言中的表現不佳。
• 模型的自動編碼部分存在信息損失。
• 模型在大規模數據集LAION-5B的子集上進行訓練，該數據集包含成人、暴力和性內容。為部分緩解此問題，使用LAION的NFSW檢測器對數據集進行了過濾（見訓練部分）。

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。Stable Diffusion v2主要在LAION-2B(en)的子集上進行訓練，該子集的圖像僅限於英語描述。使用其他語言的社區和文化的文本和圖像可能未得到充分考慮，這影響了模型的整體輸出，因為白人和西方文化通常被設定為默認。此外，模型使用非英語提示生成內容的能力明顯低於使用英語提示的情況。Stable Diffusion v2反映並加劇了偏差，無論輸入或意圖如何，都建議觀眾謹慎使用。

訓練

訓練數據

模型開發者使用以下數據集進行模型訓練：

• LAION-5B及其子集（詳情如下）。訓練數據使用LAION的NSFW檢測器進行了進一步過濾，“p_unsafe”分數為0.1（保守）。更多詳情，請參考LAION-5B的NeurIPS 2022論文和相關評審討論。

訓練過程

Stable Diffusion v2是一個潛在擴散模型，它將自動編碼器與在自動編碼器潛在空間中訓練的擴散模型相結合。訓練過程如下：

• 圖像通過編碼器編碼為潛在表示，自動編碼器使用相對下采樣因子8，將形狀為H x W x 3的圖像轉換為形狀為H/f x W/f x 4的潛在表示。
• 文本提示通過OpenCLIP-ViT/H文本編碼器進行編碼。
• 文本編碼器的輸出通過交叉注意力輸入到潛在擴散模型的UNet主幹中。
• 損失是添加到潛在表示的噪聲與UNet預測之間的重建目標，還使用了所謂的“v-objective”，詳見https://arxiv.org/abs/2202.00512。

目前為不同版本提供了以下檢查點：

• 版本2.1：
  • 512-base-ema.ckpt：在512-base-ema.ckpt 2.0基礎上進行220k額外步驟的微調，在相同數據集上punsafe=0.98。
  • 768-v-ema.ckpt：從768-v-ema.ckpt 2.0恢復訓練，在相同數據集上額外進行55k步驟（punsafe=0.1），然後再進行155k額外步驟的微調，punsafe=0.98。
• 版本2.0：
  • 512-base-ema.ckpt：在LAION-5B的一個子集上以256x256分辨率訓練550k步驟，該子集使用LAION-NSFW分類器過濾了明確的色情內容，punsafe=0.1且美學分數 >= 4.5；在相同數據集上以512x512分辨率訓練850k步驟。
  • 768-v-ema.ckpt：從512-base-ema.ckpt恢復訓練，在相同數據集上使用v-objective訓練150k步驟；在數據集的768x768子集上再訓練140k步驟。
  • 512-depth-ema.ckpt：從512-base-ema.ckpt恢復訓練並微調200k步驟，添加一個額外的輸入通道來處理MiDaS (dpt_hybrid)產生的（相對）深度預測，作為額外的條件。處理此額外信息的U-Net額外輸入通道初始化為零。
  • 512-inpainting-ema.ckpt：從512-base-ema.ckpt恢復訓練並訓練200k步驟，遵循LAMA中提出的掩碼生成策略，結合掩碼圖像的潛在VAE表示作為額外條件。處理此額外信息的U-Net額外輸入通道初始化為零，與訓練1.5-inpainting檢查點使用的策略相同。
  • x4-upscaling-ema.ckpt：在包含>2048x2048圖像的LAION 10M子集上訓練1250k步驟，模型在512x512大小的裁剪圖像上訓練，是一個文本引導的潛在上採樣擴散模型。除了文本輸入外，它還接收一個noise_level作為輸入參數，可根據預定義的擴散調度向低分辨率輸入添加噪聲。

訓練硬件：32 x 8 x A100 GPUs 優化器：AdamW 梯度累積：1 批次大小：32 x 8 x 2 x 4 = 2048 學習率：在10000步內預熱到0.0001，然後保持不變

評估結果

使用不同的無分類器引導尺度（1.5、2.0、3.0、4.0、5.0、6.0、7.0、8.0）和50步DDIM採樣步驟進行評估，結果顯示了檢查點的相對改進：

評估使用50步DDIM和來自COCO2017驗證集的10000個隨機提示，在512x512分辨率下進行，未針對FID分數進行優化。

環境影響

基於Lacoste等人（2019）提出的機器學習影響計算器，估計Stable Diffusion v1的二氧化碳排放量如下：

• 硬件類型：A100 PCIe 40GB
• 使用時長：200000小時
• 雲服務提供商：AWS
• 計算區域：美國東部
• 碳排放：（功耗 x 時間 x 基於電網位置產生的碳排放量）15000 kg CO2 eq.

📄 許可證

本模型遵循CreativeML Open RAIL++-M License。

本模型卡片由Robin Rombach、Patrick Esser和David Ha編寫，基於Stable Diffusion v1和DALL-E Mini模型卡片。