Stable Diffusion 2 1 Img2img Jonathan2

🚀 穩定擴散v2 - 1基礎模型

本模型卡聚焦於與穩定擴散v2 - 1基礎模型相關的模型。該stable - diffusion - 2 - 1 - base模型在stable - diffusion - 2 - base (512 - base - ema.ckpt)的基礎上進行微調，在相同數據集上額外訓練了220k步，punsafe = 0.98。

🚀 快速開始

你可以通過以下兩種方式使用該模型：

• 使用stablediffusion倉庫：點擊此處下載v2 - 1_512 - ema - pruned.ckpt文件。
• 使用🧨diffusers庫。

✨ 主要特性

• 模型類型：基於擴散的文本到圖像生成模型。
• 語言支持：主要支持英文。
• 功能用途：可根據文本提示生成和修改圖像。

📦 安裝指南

使用🤗的Diffusers庫可以簡單高效地運行穩定擴散2模型。首先，你需要安裝必要的依賴：

pip install diffusers transformers accelerate scipy safetensors

💻 使用示例

基礎用法

以下是一個使用該模型生成圖像的示例代碼：

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xformers不是必需依賴，但我們強烈建議你安裝它，以實現內存高效的注意力機制（提升性能）。
• 如果你可用的GPU內存較低，在將模型發送到cuda後，添加pipe.enable_attention_slicing()可以減少VRAM使用（以犧牲速度為代價）。

# 儘管不是依賴項，但強烈建議安裝xformers以實現內存高效的注意力機制（更好的性能）
# 如果GPU內存較低，在發送到cuda後添加pipe.enable_attention_slicing()以減少VRAM使用（以速度為代價）
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")
pipe.enable_attention_slicing()  # 低GPU內存時使用

prompt = "a photo of an astronaut riding a horse on mars"
image = pipe(prompt).images[0]

image.save("astronaut_rides_horse.png")

📚 詳細文檔

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創作過程。
• 在教育或創意工具中的應用。
• 對生成模型的研究。

禁止使用場景

該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。

• 超出適用範圍的使用：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。
• 濫用和惡意使用：使用該模型生成對個人殘酷的內容屬於濫用行為。這包括但不限於：
  • 生成貶低、非人化或其他有害的人物或其環境、文化、宗教等的表現形式。
  • 故意推廣或傳播歧視性內容或有害刻板印象。
  • 在未經同意的情況下冒充個人。
  • 未經可能看到內容的人的同意生成性內容。
  • 虛假和誤導性信息。
  • 展示嚴重暴力和血腥的內容。
  • 違反使用條款分享受版權保護或許可的材料。
  • 違反使用條款分享受版權保護或許可材料的修改版本。

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準確。
• 模型主要使用英文標題進行訓練，在其他語言上的效果不佳。
• 模型的自動編碼部分存在信息損失。
• 模型在[LAION - 5B](https://laion.ai/blog/laion - 5b/)的一個子集上進行訓練，該數據集包含成人、暴力和性內容。為了部分緩解這一問題，我們使用LAION的NFSW檢測器對數據集進行了過濾（詳見訓練部分）。

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。穩定擴散v2主要在[LAION - 2B(en)](https://laion.ai/blog/laion - 5b/)的子集上進行訓練，該數據集僅包含英文描述的圖像。使用其他語言的社區和文化的文本和圖像可能沒有得到充分考慮。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值。此外，模型使用非英文提示生成內容的能力明顯低於使用英文提示的情況。穩定擴散v2反映並加劇了偏差，因此無論輸入或意圖如何，都建議用戶謹慎使用。

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）。有關更多詳細信息，請參閱LAION - 5B的[NeurIPS 2022](https://openreview.net/forum?id = M3Y74vmsMcY)論文和相關評審討論。

訓練過程

穩定擴散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。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機制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預測之間的重建目標。我們還使用了所謂的“v - objective”，詳見https://arxiv.org/abs/2202.00512。

目前，我們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的基礎上微調，額外訓練220k步，punsafe = 0.98。
  • 768 - v - ema.ckpt：從768 - v - ema.ckpt 2.0繼續訓練，在相同數據集上額外訓練55k步（punsafe = 0.1），然後再以punsafe = 0.98微調155k步。
• 版本2.0
  • 512 - base - ema.ckpt：在[LAION - 5B](https://laion.ai/blog/laion - 5b/)的一個子集上，以分辨率256x256訓練550k步，該子集使用[LAION - NSFW分類器](https://github.com/LAION - AI/CLIP - based - NSFW - Detector)過濾了明確的色情內容，punsafe = 0.1，美學分數>= 4.5。然後在相同數據集上以分辨率512x512（分辨率>= 512x512）訓練850k步。
  • 768 - v - ema.ckpt：從512 - base - ema.ckpt繼續訓練，在相同數據集上使用v - objective訓練150k步。然後在數據集的768x768子集上繼續訓練140k步。
  • 512 - depth - ema.ckpt：從512 - base - ema.ckpt繼續訓練並微調200k步。添加一個額外的輸入通道來處理[MiDaS](https://github.com/isl - org/MiDaS) (dpt_hybrid)生成的（相對）深度預測，作為額外的條件。處理此額外信息的U - Net的額外輸入通道初始化為零。
  • 512 - inpainting - ema.ckpt：從512 - base - ema.ckpt繼續訓練200k步。遵循[LAMA](https://github.com/saic - mdal/lama)中提出的掩碼生成策略，結合掩碼圖像的潛在VAE表示，作為額外的條件。處理此額外信息的U - Net的額外輸入通道初始化為零。與訓練[1.5 - inpainting檢查點](https://github.com/saic - mdal/lama)使用相同的策略。
  • x4 - upscaling - ema.ckpt：在包含圖像>2048x2048的LAION的10M子集上訓練1250k步。模型在大小為512x512的裁剪圖像上進行訓練，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](configs/stable - diffusion/x4 - upscaling.yaml)向低分辨率輸入添加噪聲。

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，結果顯示了不同檢查點的相對改進：

評估使用50步DDIM採樣和COCO2017驗證集中的10000個隨機提示，在分辨率512x512下進行。未針對FID分數進行優化。

環境影響

穩定擴散v1估計排放量

根據相關信息，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。使用硬件、運行時間、雲服務提供商和計算區域來估計碳影響。

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}
}

📄 許可證

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

本模型卡由Robin Rombach、Patrick Esser和David Ha編寫，基於Stable Diffusion v1和[DALL - E Mini模型卡](https://huggingface.co/dalle - mini/dalle - mini)。