Coreml Stable Diffusion V1 5

🚀 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 ASCL 许可证。这些权重已转换为 Core ML，可在苹果硅硬件上使用。

🚀 快速开始

本模型可以根据文本提示生成和修改图像。若需获取 🧨 Diffusers 库的权重，请 访问此模型。如需了解稳定扩散的工作原理，请查看 🤗 的稳定扩散博客。

✨ 主要特性

• 能够根据文本输入生成逼真的图像。
• 有 4 种 Core ML 权重变体，可用于不同的推理方式（Swift 推理和 Python 推理）和注意力机制（“original” 注意力和 “split_einsum” 注意力）。

📚 详细文档

模型详情

用途

直接使用

该模型仅用于研究目的。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。
• 生成艺术作品并用于设计和其他艺术过程。
• 在教育或创意工具中的应用。
• 对生成模型的研究。

滥用、恶意使用和超出范围的使用

本模型不得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：该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：使用该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：
  • 生成对人或其环境、文化、宗教等有贬低、非人化或其他有害的表现形式。
  • 故意推广或传播歧视性内容或有害的刻板印象。
  • 在未经他人同意的情况下冒充他人。
  • 未经可能看到该内容的人的同意而生成色情内容。
  • 虚假和误导性信息。
  • 令人发指的暴力和血腥场面的表现形式。
  • 违反版权或许可材料使用条款的共享行为。
  • 违反版权或许可材料使用条款的对其进行修改后的内容共享。

局限性和偏差

局限性

• 模型无法实现完美的照片级真实感。
• 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，我们观察到训练数据中重复的图像存在一定程度的记忆现象。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。稳定扩散 v1 在 LAION - 2B(en) 的子集上进行训练，该数据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未得到充分考虑。这影响了模型的整体输出，因为白人文化和西方文化通常被设定为默认值。此外，模型使用非英语提示生成内容的能力明显比使用英语提示时差。

安全模块

本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，以降低对该过滤器进行逆向工程的可能性。具体来说，检查器在图像生成 之后，在 CLIPTextModel 的嵌入空间中比较有害概念的类别概率。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

稳定扩散 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。在训练过程中：

• 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中的噪声与 UNet 做出的预测之间的重建目标。

目前提供了六个稳定扩散检查点，它们的训练方式如下：

• [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 进行 237,000 步训练。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 进行 194,000 步训练。
• [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，过滤到原始大小 >= 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 进行 515,000 步训练。
• [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 进行 195,000 步训练，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 进行 225,000 步训练，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 进行 595,000 步训练，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被初始化为零。在训练过程中，我们生成合成掩码，并在 25% 的情况下将所有内容掩码。

训练参数

• 硬件：32 x 8 x A100 GPUs
• 优化器：AdamW
• 梯度累积：2
• 批次大小：32 x 8 x 2 x 4 = 2048
• 学习率：在 10,000 步内热身到 0.0001，然后保持不变

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

稳定扩散 v1 估计排放量

根据这些信息，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
• 使用时长：150000 小时
• 云服务提供商：AWS
• 计算区域：美国东部
• 碳排放（功耗 x 时间 x 基于电网位置的碳排放量）：11250 kg CO2 当量

🔧 技术细节

这些权重已转换为 Core ML，适用于苹果硅硬件。Core ML 权重有 4 种变体：

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

详情请参考 https://huggingface.co/blog/diffusers - coreml。

📄 许可证

本模型遵循 [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)。