Coreml Stable Diffusion V1 5 Palettized

🚀 稳定扩散 v1-5 模型卡片

稳定扩散（Stable Diffusion）是一种潜在文本到图像的扩散模型，能够根据任何文本输入生成逼真的图像。本模型由 Hugging Face 使用 苹果的仓库 生成，该仓库采用了 ASCL 许可证。此版本包含适用于 iOS 17 或 macOS 14 的 6 位调色板 Core ML 权重。若要使用未量化的权重，请访问 此模型。

🚀 快速开始

本模型主要用于研究目的。可能的研究领域和任务包括：

• 安全部署有可能生成有害内容的模型。
• 探究和理解生成模型的局限性和偏差。
• 艺术作品生成以及在设计和其他艺术过程中的应用。
• 教育或创意工具中的应用。
• 生成模型的研究。

✨ 主要特性

• 文本到图像生成：能够根据文本提示生成图像。
• 多种 Core ML 权重变体：提供 4 种不同的 Core ML 权重变体，适用于不同的推理环境。
• 安全检查器：建议与 安全检查器 一起使用，以过滤有害内容。

📦 安装指南

文档中未提及具体安装步骤，故跳过此章节。

💻 使用示例

文档中未提供代码示例，故跳过此章节。

📚 详细文档

模型详情

用途

• 直接使用：模型仅用于研究目的。
• 滥用、恶意使用和超出范围的使用：模型不应被用于故意创建或传播对人造成敌对或疏离环境的图像。这包括生成人们可预见会感到不安、痛苦或冒犯的图像，或传播历史或当前刻板印象的内容。
  • 超出范围的使用：模型未经过训练以真实或准确地表示人物或事件，因此使用该模型生成此类内容超出了该模型的能力范围。
  • 滥用和恶意使用：使用模型生成对个人残酷的内容是对该模型的滥用。这包括但不限于生成贬低、非人性化或以其他方式有害的人物或其环境、文化、宗教等的表示；故意推广或传播歧视性内容或有害刻板印象；未经同意冒充个人；未经可能看到的人的同意生成性内容；虚假和误导性信息；严重暴力和血腥的表示；违反使用条款分享受版权保护或许可的材料；违反使用条款分享受版权保护或许可材料的修改内容。

局限性和偏差

• 局限性
  • 模型无法实现完美的逼真度。
  • 模型无法渲染清晰可读的文本。
  • 模型在涉及组合性的更困难任务上表现不佳，例如渲染与 “蓝色球体上的红色立方体” 对应的图像。
  • 面部和人物通常可能无法正确生成。
  • 模型主要使用英语字幕进行训练，在其他语言中的效果不佳。
  • 模型的自动编码部分存在信息损失。
  • 模型在大规模数据集 LAION - 5B 上进行训练，该数据集包含成人内容，在没有额外安全机制和考虑的情况下不适合产品使用。
  • 未使用额外措施对数据集进行去重。因此，我们观察到对训练数据中重复的图像有一定程度的记忆。可以在 [https://rom1504.github.io/clip - retrieval/](https://rom1504.github.io/clip - retrieval/) 上搜索训练数据，以帮助检测记忆的图像。
• 偏差：虽然图像生成模型的能力令人印象深刻，但它们也可能强化或加剧社会偏差。Stable Diffusion v1 在 LAION - 2B(en) 的子集上进行训练，该子集主要由英语描述的图像组成。使用其他语言的社区和文化的文本和图像可能没有得到充分考虑。这影响了模型的整体输出，因为白人和西方文化通常被设定为默认。此外，模型使用非英语提示生成内容的能力明显低于使用英语提示的能力。
• 安全模块：此模型的预期用途是与 Diffusers 中的 安全检查器 一起使用。该检查器通过将模型输出与已知的硬编码 NSFW 概念进行比较来工作。这些概念被故意隐藏以降低反向工程此过滤器的可能性。具体来说，检查器在图像 生成后 比较 CLIPTextModel 嵌入空间中有害概念的类概率。这些概念与生成的图像一起传入模型，并与每个 NSFW 概念的手工设计权重进行比较。

训练

• 训练数据：模型开发者使用了以下数据集进行模型训练：LAION - 2B (en) 及其子集（见下一节）。
• 训练过程：Stable Diffusion v1 - 5 是一个潜在扩散模型，它将自动编码器与在自动编码器的潜在空间中训练的扩散模型相结合。在训练期间，图像通过编码器进行编码，将图像转换为潜在表示。自动编码器使用相对下采样因子 8，将形状为 H x W x 3 的图像映射到形状为 H/f x W/f x 4 的潜在表示。文本提示通过 ViT - L/14 文本编码器进行编码。文本编码器的非池化输出通过交叉注意力输入到潜在扩散模型的 UNet 主干中。损失是添加到潜在表示的噪声与 UNet 所做预测之间的重建目标。 目前提供了六个 Stable Diffusion 检查点，其训练方式如下：
  • [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 训练 237,000 步。在 [laion - high - resolution](https://huggingface.co/datasets/laion/laion - high - resolution)（来自 LAION - 5B 的 170M 个分辨率 >= 1024x1024 的示例）上以分辨率 512x512 训练 194,000 步。
  • [stable - diffusion - v1 - 2](https://huggingface.co/CompVis/stable - diffusion - v1 - 2)：从 stable - diffusion - v1 - 1 继续训练。在 “laion - improved - aesthetics”（laion2B - en 的一个子集，过滤为原始大小 >= 512x512、估计美学分数 > 5.0 且估计水印概率 < 0.5 的图像。水印估计来自 LAION - 5B 元数据，美学分数使用 [改进的美学估计器](https://github.com/christophschuhmann/improved - aesthetic - predictor) 进行估计）上以分辨率 512x512 训练 515,000 步。
  • [stable - diffusion - v1 - 3](https://huggingface.co/CompVis/stable - diffusion - v1 - 3)：从 stable - diffusion - v1 - 2 继续训练 - 在 “laion - improved - aesthetics” 上以分辨率 512x512 训练 195,000 步，并丢弃 10% 的文本条件以改进 无分类器引导采样。
  • [stable - diffusion - v1 - 4](https://huggingface.co/CompVis/stable - diffusion - v1 - 4) 从 stable - diffusion - v1 - 2 继续训练 - 在 “laion - aesthetics v2 5+” 上以分辨率 512x512 训练 225,000 步，并丢弃 10% 的文本条件以改进 无分类器引导采样。
  • [stable - diffusion - v1 - 5](https://huggingface.co/runwayml/stable - diffusion - v1 - 5) 从 stable - diffusion - v1 - 2 继续训练 - 在 “laion - aesthetics v2 5+” 上以分辨率 512x512 训练 595,000 步，并丢弃 10% 的文本条件以改进 无分类器引导采样。
  • [stable - diffusion - inpainting](https://huggingface.co/runwayml/stable - diffusion - inpainting) 从 stable - diffusion - v1 - 5 继续训练 - 然后在 “laion - aesthetics v2 5+” 上以分辨率 512x512 进行 440,000 步的修复训练，并丢弃 10% 的文本条件。对于修复，UNet 有 5 个额外的输入通道（4 个用于编码的掩码图像，1 个用于掩码本身），其权重在恢复非修复检查点后初始化为零。在训练期间，我们生成合成掩码，并在 25% 的情况下将所有内容掩码。
• 硬件：32 x 8 x A100 GPUs
• 优化器：AdamW
• 梯度累积：2
• 批次：32 x 8 x 2 x 4 = 2048
• 学习率：在 10,000 步内热身到 0.0001，然后保持恒定

评估结果

使用不同的无分类器引导尺度（1.5, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0）和 50 个 PNDM/PLMS 采样步骤进行的评估显示了检查点的相对改进：


使用 50 个 PLMS 步骤和来自 COCO2017 验证集的 10000 个随机提示进行评估，在 512x512 分辨率下进行评估。未针对 FID 分数进行优化。

环境影响

Stable Diffusion v1 估计排放量：根据该信息，我们使用 Lacoste 等人 (2019) 中提出的 机器学习影响计算器 估计了以下 CO2 排放量。利用硬件、运行时间、云服务提供商和计算区域来估计碳影响。

• 硬件类型：A100 PCIe 40GB
• 使用小时数：150000
• 云服务提供商：AWS
• 计算区域：美国东部
• 碳排放（功耗 x 时间 x 基于电网位置产生的碳）：11250 kg CO2 当量

🔧 技术细节

文档中关于技术实现细节的描述较为分散，整合后如下： Stable Diffusion v1 - 5 是一个潜在扩散模型，结合了自动编码器和在自动编码器潜在空间中训练的扩散模型。训练时，图像通过编码器转换为潜在表示，自动编码器使用相对下采样因子 8，将 H x W x 3 的图像映射到 H/f x W/f x 4 的潜在表示。文本提示由 ViT - L/14 文本编码器编码，其非池化输出通过交叉注意力输入到 UNet 主干。损失是添加到潜在表示的噪声与 UNet 预测之间的重建目标。

📄 许可证

本模型采用 [CreativeML OpenRAIL M 许可证](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 编写，基于 [DALL - E Mini 模型卡片](https://huggingface.co/dalle - mini/dalle - mini)。