Diffusers Generation Text Box

🚀 穩定擴散 v1-4 模型卡

穩定擴散（Stable Diffusion）是一種潛在的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。有關穩定擴散的工作原理的更多信息，請查看 🤗 的使用 🧨Diffusers 實現穩定擴散的博客。

穩定擴散 v1-4 檢查點使用 穩定擴散 v1-2 檢查點的權重進行初始化，隨後在分辨率為 512x512 的 “laion-aesthetics v2 5+” 數據集上進行了 225k 步的微調，並以 10% 的概率丟棄文本條件，以改進 無分類器引導採樣。

此處的權重旨在與 🧨 Diffusers 庫一起使用。如果您正在尋找要加載到 CompVis 穩定擴散代碼庫中的權重，請 點擊此處。

✨ 主要特性

• 能夠根據文本輸入生成逼真的圖像。
• 基於潛在擴散模型，使用固定的預訓練文本編碼器。
• 可通過不同的調度器進行噪聲採樣。

📦 安裝指南

推薦使用 🤗 的 Diffusers 庫 來運行穩定擴散。

PyTorch

pip install --upgrade diffusers transformers scipy

💻 使用示例

基礎用法

import torch
from diffusers import StableDiffusionPipeline

model_id = "CompVis/stable-diffusion-v1-4"
device = "cuda"

pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16)
pipe = pipe.to(device)

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

低顯存使用

import torch

model_id = "CompVis/stable-diffusion-v1-4"
device = "cuda"

pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16)
pipe = pipe.to(device)
pipe.enable_attention_slicing()

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

image.save("astronaut_rides_horse.png")

更換噪聲調度器

from diffusers import StableDiffusionPipeline, EulerDiscreteScheduler

model_id = "CompVis/stable-diffusion-v1-4"

# Use the Euler scheduler here instead
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")

JAX/Flax

import jax
import numpy as np
from flax.jax_utils import replicate
from flax.training.common_utils import shard

from diffusers import FlaxStableDiffusionPipeline

pipeline, params = FlaxStableDiffusionPipeline.from_pretrained(
    "CompVis/stable-diffusion-v1-4", revision="flax", dtype=jax.numpy.bfloat16
)

prompt = "a photo of an astronaut riding a horse on mars"

prng_seed = jax.random.PRNGKey(0)
num_inference_steps = 50

num_samples = jax.device_count()
prompt = num_samples * [prompt]
prompt_ids = pipeline.prepare_inputs(prompt)

# shard inputs and rng
params = replicate(params)
prng_seed = jax.random.split(prng_seed, num_samples)
prompt_ids = shard(prompt_ids)

images = pipeline(prompt_ids, params, prng_seed, num_inference_steps, jit=True).images
images = pipeline.numpy_to_pil(np.asarray(images.reshape((num_samples,) + images.shape[-3:])))

📚 詳細文檔

模型詳情

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。
• 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。

禁止使用

該模型不得用於故意創建或傳播對人造成敵對或排斥環境的圖像。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。
• 未經可能看到的人的同意的色情內容。
• 錯誤和虛假信息。
• 令人震驚的暴力和血腥場面的表示。
• 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對其進行修改後的內容的共享。

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，我們觀察到對訓練數據中重複的圖像有一定程度的記憶。可以在 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。來自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。此外，模型使用非英語提示生成內容的能力明顯不如使用英語提示。

安全模塊

該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，以降低逆向工程此過濾器的可能性。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

穩定擴散 v1-4 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的噪聲與 UNet 預測之間的重建目標。

目前提供四個檢查點，訓練方式如下：

• stable-diffusion-v1-1：在 laion2B-en 上以分辨率 256x256 進行 237,000 步訓練。在 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：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 進行估計）上以分辨率 512x512 進行 515,000 步訓練。
• 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，並以 10% 的概率丟棄文本條件，以改進 無分類器引導採樣。
• 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，並以 10% 的概率丟棄文本條件，以改進 無分類器引導採樣。

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 PLMS 採樣步驟進行評估，結果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 基於電網位置產生的碳）：11250 kg CO2 當量

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}
    }

本模型卡由 Robin Rombach 和 Patrick Esser 編寫，基於 DALL-E Mini 模型卡。

📄 許可證

該模型使用 CreativeML OpenRAIL M 許可證。請仔細閱讀完整的許可證：https://huggingface.co/spaces/CompVis/stable-diffusion-license。

⚠️ 重要提示

該模型是開放訪問的，可供所有人使用，CreativeML OpenRAIL-M 許可證進一步規定了權利和使用方式。

1. 您不能使用該模型故意生成或共享非法或有害的輸出或內容。
2. 作者對您生成的輸出不主張任何權利，您可以自由使用它們，並對其使用負責，其使用不得違反許可證中規定的條款。
3. 您可以重新分發權重，並將該模型用於商業用途和/或作為服務使用。如果您這樣做，請務必包含與許可證中相同的使用限制，並向所有用戶共享一份 CreativeML OpenRAIL-M 許可證（請仔細閱讀完整的許可證）。

💡 使用建議

• 如果您的 GPU 內存有限，且可用的 GPU RAM 少於 4GB，請確保以 float16 精度加載 StableDiffusionPipeline，而不是上述默認的 float32 精度。
• 如果您受 TPU 內存限制，請確保以 bfloat16 精度加載 FlaxStableDiffusionPipeline，而不是上述默認的 float32 精度。