Coreml Stable Diffusion V1 5

🚀 穩定擴散 v1-5 模型卡片

穩定擴散（Stable Diffusion）是一種潛在文本到圖像的擴散模型，能夠根據任何文本輸入生成逼真的圖像。本模型由 Hugging Face 使用 蘋果的倉庫 生成，該倉庫採用 ASCL 許可證。這些權重已轉換為 Core ML，可在蘋果硅硬件上使用。

🚀 快速開始

本模型可以根據文本提示生成和修改圖像。若需獲取 🧨 Diffusers 庫的權重，請 訪問此模型。如需瞭解穩定擴散的工作原理，請查看 🤗 的穩定擴散博客。

✨ 主要特性

• 能夠根據文本輸入生成逼真的圖像。
• 有 4 種 Core ML 權重變體，可用於不同的推理方式（Swift 推理和 Python 推理）和注意力機制（“original” 注意力和 “split_einsum” 注意力）。

📚 詳細文檔

模型詳情

用途

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。
• 探究和理解生成模型的侷限性和偏差。
• 生成藝術作品並用於設計和其他藝術過程。
• 在教育或創意工具中的應用。
• 對生成模型的研究。

濫用、惡意使用和超出範圍的使用

本模型不得用於故意創建或傳播對人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。

• 超出範圍的使用：該模型未經過訓練以真實或準確地表示人物或事件，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：
  • 生成對人或其環境、文化、宗教等有貶低、非人化或其他有害的表現形式。
  • 故意推廣或傳播歧視性內容或有害的刻板印象。
  • 在未經他人同意的情況下冒充他人。
  • 未經可能看到該內容的人的同意而生成色情內容。
  • 虛假和誤導性信息。
  • 令人髮指的暴力和血腥場面的表現形式。
  • 違反版權或許可材料使用條款的共享行為。
  • 違反版權或許可材料使用條款的對其進行修改後的內容共享。

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 “藍色球體上的紅色立方體” 對應的圖像。
• 面部和人物通常可能無法正確生成。
• 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存在信息損失。
• 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。穩定擴散 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。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，因為白人文化和西方文化通常被設定為默認值。此外，模型使用非英語提示生成內容的能力明顯比使用英語提示時差。

安全模塊

本模型的預期用途是與 Diffusers 中的 安全檢查器 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 之後，在 CLIPTextModel 的嵌入空間中比較有害概念的類別概率。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

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

穩定擴散 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。在訓練過程中：

• 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中的噪聲與 UNet 做出的預測之間的重建目標。

目前提供了六個穩定擴散檢查點，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 進行 237,000 步訓練。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 進行 194,000 步訓練。
• [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，過濾到原始大小 >= 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) 進行估計）上以分辨率 512x512 進行 515,000 步訓練。
• [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 進行 195,000 步訓練，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 進行 225,000 步訓練，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/runwayml/stable - diffusion - v1 - 5) 從 stable - diffusion - v1 - 2 繼續訓練 - 在 “laion - aesthetics v2 5+” 上以分辨率 512x512 進行 595,000 步訓練，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/runwayml/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被初始化為零。在訓練過程中，我們生成合成掩碼，並在 25% 的情況下將所有內容掩碼。

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 採樣步驟進行的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

穩定擴散 v1 估計排放量

根據這些信息，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、雲服務提供商和計算區域來估計碳影響。

• 硬件類型：A100 PCIe 40GB
• 使用時長：150000 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 基於電網位置的碳排放量）：11250 kg CO2 當量

🔧 技術細節

這些權重已轉換為 Core ML，適用於蘋果硅硬件。Core ML 權重有 4 種變體：

coreml-stable-diffusion-v1-5
├── original
│   ├── compiled              # Swift inference, "original" attention
│   └── packages              # Python inference, "original" attention
└── split_einsum
    ├── compiled              # Swift inference, "split_einsum" attention
    └── packages              # Python inference, "split_einsum" attention

詳情請參考 https://huggingface.co/blog/diffusers - coreml。

📄 許可證

本模型遵循 [CreativeML OpenRAIL M 許可證](https://huggingface.co/spaces/CompVis/stable - diffusion - license)。

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)。