Lcm Ssd 1b

🚀 潛一致性模型 (LCM): SSD - 1B

潛一致性模型（LCM）由Simian Luo、Yiqin Tan等人在論文潛一致性模型：通過少步推理合成高分辨率圖像中提出。Simian Luo、Suraj Patil和Daniel Gu成功地將相同方法應用於為SDXL創建LCM。

此檢查點是[segmind/SSD - 1B](https://huggingface.co/segmind/SSD - 1B)的LCM蒸餾版本，可將推理步驟數減少至僅2 - 8步。

🚀 快速開始

安裝依賴

LCM SDXL從🤗 Hugging Face Diffusers庫的v0.23.0版本開始支持。要運行該模型，首先需要安裝Diffusers庫的最新版本以及peft、accelerate和transformers：

pip install --upgrade pip
pip install --upgrade diffusers transformers accelerate peft

✨ 主要特性

• 少步推理：能夠將推理步驟數大幅減少至2 - 8步，顯著提升推理速度。
• 多任務支持：支持文本到圖像、圖像到圖像、圖像修復、ControlNet和T2I Adapter等多種任務。

📦 安裝指南

運行以下命令安裝所需的庫：

pip install --upgrade pip
pip install --upgrade diffusers transformers accelerate peft

💻 使用示例

基礎用法 - 文本到圖像

該模型可以使用其基礎管道segmind/SSD - 1B加載。接下來，需要將調度器更改為LCMScheduler，這樣就可以將推理步驟數減少到2到8步。

from diffusers import UNet2DConditionModel, DiffusionPipeline, LCMScheduler
import torch

unet = UNet2DConditionModel.from_pretrained("latent-consistency/lcm-ssd-1b", torch_dtype=torch.float16, variant="fp16")
pipe = DiffusionPipeline.from_pretrained("segmind/SSD-1B", unet=unet, torch_dtype=torch.float16, variant="fp16")

pipe.scheduler = LCMScheduler.from_config(pipe.scheduler.config)
pipe.to("cuda")

prompt = "a close-up picture of an old man standing in the rain"

image = pipe(prompt, num_inference_steps=4, guidance_scale=1.0).images[0]

高級用法

圖像到圖像

支持圖像到圖像任務，具體文檔待補充。

圖像修復

支持圖像修復任務，具體文檔待補充。

ControlNet

支持ControlNet任務，具體文檔待補充。

T2I Adapter

支持T2I Adapter任務，具體文檔待補充。

📄 許可證

本項目使用的許可證為openrail++。