Stable Diffusion V1 5 GGUF

🚀 stable-diffusion-v1-5-GGUF

Stable-diffusion-v1-5-GGUF 是一個基於 Stable Diffusion 架構的文本到圖像生成模型，能夠根據輸入的文本生成逼真的圖像。該模型經過量化處理，支持多種量化格式，可在不同硬件環境下高效運行。

🚀 快速開始

使用🧨Diffusers庫

from diffusers import StableDiffusionPipeline
import torch

model_id = "sd-legacy/stable-diffusion-v1-5"
pipe = StableDiffusionPipeline.from_pretrained(model_id, 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")

更多詳細說明、用例和 JAX 示例，請參考此處。

使用 GitHub 倉庫（現已棄用）、ComfyUI 或 Automatic1111

1. 下載權重
   • v1-5-pruned-emaonly.safetensors - 僅 EMA 權重，使用較少的顯存，適合推理。
   • v1-5-pruned.safetensors - EMA + 非 EMA 權重，使用較多的顯存，適合微調。
2. 遵循此處的說明（現已棄用）。
3. 可在本地使用 ComfyUI、AUTOMATIC1111、SD.Next、InvokeAI。

✨ 主要特性

• 文本到圖像生成：能夠根據輸入的文本生成高質量的圖像。
• 多種量化格式支持：支持 FP16、Q8_0、Q4_1、Q4_0 等量化格式。
• 多平臺支持：可與 🧨Diffusers 庫、RunwayML GitHub 倉庫（現已棄用）、ComfyUI、Automatic1111、SD.Next、InvokeAI 等兼容。

📦 安裝指南

文檔中未提及具體安裝步驟，可參考上述快速開始部分的使用說明。

📚 詳細文檔

模型信息

模型使用

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。
• 藝術品生成以及在設計和其他藝術過程中的應用。
• 在教育或創意工具中的應用。
• 生成模型的研究。

濫用、惡意使用和超出範圍使用

該模型不應被用於故意創建或傳播對人們造成敵對或疏離環境的圖像。這包括生成人們可預見會感到不安、痛苦或冒犯的圖像；或傳播歷史或當前刻板印象的內容。

• 超出範圍使用：該模型未被訓練為對人或事件的事實或真實表示，因此使用該模型生成此類內容超出了該模型的能力範圍。
• 濫用和惡意使用：使用該模型生成對個人殘酷的內容是對該模型的濫用。這包括但不限於：
  • 生成貶低、非人化或以其他方式傷害人們或其環境、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。
  • 在未經個人同意的情況下冒充個人。
  • 未經可能看到該內容的人的同意而生成性內容。
  • 錯誤信息和虛假信息。
  • 令人髮指的暴力和血腥內容的表示。
  • 違反版權或許可材料使用條款的共享。
  • 違反版權或許可材料使用條款的修改內容的共享。

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困難任務上表現不佳，例如渲染與 “A red cube on top of a blue sphere” 對應的圖像。
• 面部和人物總體上可能無法正確生成。
• 模型主要使用英語字幕進行訓練，在其他語言中的效果不佳。
• 模型的自動編碼部分是有損的。
• 模型在大規模數據集 LAION - 5B 上進行訓練，該數據集包含成人內容，在沒有額外安全機制和考慮的情況下不適合產品使用。
• 未使用額外措施對數據集進行去重。因此，我們觀察到對於訓練數據中重複的圖像存在一定程度的記憶現象。可以在 [https://rom1504.github.io/clip - retrieval/](https://rom1504.github.io/clip - retrieval/) 上搜索訓練數據，以幫助檢測記憶的圖像。

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 v1 在 LAION - 2B(en) 的子集上進行訓練，該數據集主要由英語描述的圖像組成。來自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置為默認。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。

安全模塊

該模型的預期用途是與 Diffusers 中的 Safety Checker 一起使用。該檢查器通過將模型輸出與已知的硬編碼 NSFW 概念進行比較來工作。這些概念被故意隱藏，以降低對該過濾器進行逆向工程的可能性。具體來說，檢查器在圖像生成後，在 CLIPTextModel 的嵌入空間中比較有害概念的類概率。這些概念與生成的圖像一起傳入模型，並與每個 NSFW 概念的手工設計權重進行比較。

訓練信息

訓練數據

模型開發者使用以下數據集進行模型訓練：

• LAION - 2B (en) 及其子集（見下一節）

訓練過程

Stable Diffusion v1 - 5 是一個潛在擴散模型，它將自動編碼器與在自動編碼器的潛在空間中訓練的擴散模型相結合。在訓練期間：

• 圖像通過編碼器進行編碼，將圖像轉換為潛在表示。自動編碼器使用相對下采樣因子 8，將形狀為 H x W x 3 的圖像映射到形狀為 H/f x W/f x 4 的潛在表示。
• 文本提示通過 ViT - L/14 文本編碼器進行編碼。
• 文本編碼器的非池化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。

目前提供了六個 Stable Diffusion 檢查點，它們的訓練方式如下：

• [stable - diffusion - v1 - 1](https://huggingface.co/CompVis/stable - diffusion - v1 - 1)：在 [laion2B - en](https://huggingface.co/datasets/laion/laion2B - en) 上以分辨率 256x256 訓練 237,000 步。在 [laion - high - resolution](https://huggingface.co/datasets/laion/laion - high - resolution)（來自 LAION - 5B 的 170M 個分辨率 >= 1024x1024 的示例）上以分辨率 512x512 訓練 194,000 步。
• [stable - diffusion - v1 - 2](https://huggingface.co/CompVis/stable - diffusion - v1 - 2)：從 stable - diffusion - v1 - 1 繼續訓練。在 “laion - improved - aesthetics”（laion2B - en 的一個子集，過濾為原始大小 >= 512x512、估計美學分數 > 5.0 且估計水印概率 < 0.5 的圖像。水印估計來自 LAION - 5B 元數據，美學分數使用 [改進的美學估計器](https://github.com/christophschuhmann/improved - aesthetic - predictor) 估計）上以分辨率 512x512 訓練 515,000 步。
• [stable - diffusion - v1 - 3](https://huggingface.co/CompVis/stable - diffusion - v1 - 3)：從 stable - diffusion - v1 - 2 繼續訓練 - 在 “laion - improved - aesthetics” 上以分辨率 512x512 訓練 195,000 步，並丟棄 10% 的文本條件以改進 無分類器引導採樣。
• [stable - diffusion - v1 - 4](https://huggingface.co/CompVis/stable - diffusion - v1 - 4)：從 stable - diffusion - v1 - 2 繼續訓練 - 在 “laion - aesthetics v2 5+” 上以分辨率 512x512 訓練 225,000 步，並丟棄 10% 的文本條件以改進 無分類器引導採樣。
• [stable - diffusion - v1 - 5](https://huggingface.co/sd - legacy/stable - diffusion - v1 - 5)：從 stable - diffusion - v1 - 2 繼續訓練 - 在 “laion - aesthetics v2 5+” 上以分辨率 512x512 訓練 595,000 步，並丟棄 10% 的文本條件以改進 無分類器引導採樣。
• [stable - diffusion - inpainting](https://huggingface.co/sd - legacy/stable - diffusion - inpainting)：從 stable - diffusion - v1 - 5 繼續訓練 - 然後在 “laion - aesthetics v2 5+” 上以分辨率 512x512 進行 440,000 步的修復訓練，並丟棄 10% 的文本條件。對於修復，UNet 有 5 個額外的輸入通道（4 個用於編碼的掩碼圖像，1 個用於掩碼本身），其權重在恢復非修復檢查點後初始化為零。在訓練期間，我們生成合成掩碼，並在 25% 的情況下掩蓋所有內容。

訓練參數

• 硬件：32 x 8 x A100 GPUs
• 優化器：AdamW
• 梯度累積：2
• 批次大小：32 x 8 x 2 x 4 = 2048
• 學習率：在 10,000 步內熱身到 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 個 PNDM/PLMS 採樣步驟進行評估，顯示了檢查點的相對改進：


使用 50 個 PLMS 步驟和來自 COCO2017 驗證集的 10000 個隨機提示進行評估，在 512x512 分辨率下進行評估。未針對 FID 分數進行優化。

環境影響

Stable Diffusion v1 估計排放量

基於該信息，我們使用 Lacoste 等人 (2019) 中提出的 機器學習影響計算器 估計了以下 CO2 排放量。利用硬件、運行時間、雲提供商和計算區域來估計碳影響。

• 硬件類型：A100 PCIe 40GB
• 使用小時數：150000
• 雲提供商：AWS
• 計算區域：US - east
• 碳排放（功耗 x 時間 x 基於電網位置產生的碳）：11250 kg CO2 eq.

🔧 技術細節

量化信息

訓練過程技術細節

Stable Diffusion v1 - 5 是一個潛在擴散模型，結合了自動編碼器和在自動編碼器潛在空間中訓練的擴散模型。訓練過程中：

• 圖像通過編碼器轉換為潛在表示，自動編碼器的相對下采樣因子為 8，將圖像映射到低維潛在空間。
• 文本提示由 ViT - L/14 文本編碼器編碼，其非池化輸出通過交叉注意力輸入到 UNet 中。
• 損失函數是添加到潛在表示的噪聲與 UNet 預測之間的重建損失。

📄 許可證

該模型使用 [The CreativeML OpenRAIL M license](https://huggingface.co/spaces/CompVis/stable - diffusion - license)，這是一種基於 [Open RAIL M license](https://www.licenses.ai/blog/2022/8/18/naming - convention - of - responsible - ai - licenses) 的許可證，改編自 BigScience 和 the RAIL Initiative 在負責任的 AI 許可領域的工作。

📖 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}
    }

本模型卡片由 Robin Rombach 和 Patrick Esser 編寫，基於 [DALL - E Mini 模型卡片](https://huggingface.co/dalle - mini/dalle - mini)。