Coreml Stable Diffusion 2 Base

🚀 Stable Diffusion v2模型卡片

Stable Diffusion v2是一款基于潜在扩散模型的文本到图像生成模型，可根据文本提示生成和修改图像。它由Hugging Face使用Apple的仓库生成，在图像生成领域具有广泛的应用前景。

🚀 快速开始

此模型由Hugging Face使用Apple的仓库生成，该仓库采用了ASCL许可证。

本模型卡片主要聚焦于与Stable Diffusion v2模型相关的内容，该模型可在此处获取。

此模型是从头开始训练的，首先在经过筛选的LAION - 5B数据集子集上，以256x256的分辨率训练了550k步，筛选过程使用了LAION - NSFW分类器，punsafe = 0.1，且美学分数 >= 4.5。然后，在相同数据集的分辨率>= 512x512的图像上，以512x512的分辨率继续训练了850k步。

这里的权重已转换为Core ML格式，可在Apple Silicon硬件上使用。

Core ML权重有4种变体：

coreml-stable-diffusion-2-base
├── original
│   ├── compiled              # Swift推理，“original”注意力机制
│   └── packages              # Python推理，“original”注意力机制
└── split_einsum
    ├── compiled              # Swift推理，“split_einsum”注意力机制
    └── packages              # Python推理，“split_einsum”注意力机制

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

• 可使用 🧨 diffusers 来使用该模型。
• 也可使用stablediffusion仓库：在此处下载512 - base - ema.ckpt。

✨ 主要特性

• 文本到图像生成：能够根据文本提示生成相应的图像。
• 多分辨率训练：经过不同分辨率的训练，能生成不同尺寸的图像。
• Core ML支持：权重转换为Core ML格式，可在Apple Silicon硬件上使用。

📚 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。
• 艺术品生成以及在设计和其他艺术过程中的应用。
• 在教育或创意工具中的应用。
• 生成模型的研究。

以下是排除的使用场景。

滥用、恶意使用和超出范围的使用

⚠️ 重要提示

本部分内容最初取自[DALLE - MINI模型卡片](https://huggingface.co/dalle - mini/dalle - mini)，曾用于Stable Diffusion v1，同样适用于Stable Diffusion v2。

该模型不应被用于故意创建或传播会给人们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

该模型并非用于生成真实或准确反映人物或事件的内容，因此使用该模型生成此类内容超出了其能力范围。

滥用和恶意使用

使用该模型生成对个人残酷的内容属于滥用行为。这包括但不限于：

• 生成贬低、非人化或以其他方式伤害人们或其环境、文化、宗教等的表现形式。
• 故意推广或传播歧视性内容或有害刻板印象。
• 未经他人同意冒充他人。
• 未经可能看到该内容的人的同意生成色情内容。
• 虚假和误导性信息。
• 严重暴力和血腥场面的表现形式。
• 违反使用条款分享受版权保护或有许可证的材料。
• 违反使用条款分享对受版权保护或有许可证的材料进行修改后的内容。

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复杂任务上表现不佳，例如渲染与“一个红色立方体放在蓝色球体上”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](https://laion.ai/blog/laion - 5b/)的子集上进行训练，该数据集包含成人、暴力和色情内容。为部分缓解这一问题，我们使用LAION的NFSW检测器对数据集进行了筛选（见训练部分）。

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 v2主要在[LAION - 2B(en)](https://laion.ai/blog/laion - 5b/)的子集上进行训练，该子集由仅限于英语描述的图像组成。来自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。Stable Diffusion v2在很大程度上反映和加剧了偏差，无论输入或其意图如何，都建议观众谨慎使用。

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 - 5B及其子集（详情如下）。训练数据使用LAION的NSFW检测器进一步筛选，“p_unsafe”分数为0.1（保守）。更多详情，请参考LAION - 5B的[NeurIPS 2022](https://openreview.net/forum?id = M3Y74vmsMcY)论文和关于该主题的评审讨论。

训练过程

Stable Diffusion v2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OpenCLIP - ViT/H文本编码器进行编码。
• 文本编码器的输出通过交叉注意力机制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预测之间的重建目标。我们还使用了所谓的“v - 目标”，详见https://arxiv.org/abs/2202.00512 。

目前提供以下检查点：

• 512 - base - ema.ckpt：在经过筛选的[LAION - 5B](https://laion.ai/blog/laion - 5b/)数据集子集上，以256x256的分辨率训练550k步，筛选过程使用了[LAION - NSFW分类器](https://github.com/LAION - AI/CLIP - based - NSFW - Detector)，punsafe = 0.1，且美学分数 >= 4.5。然后在相同数据集的分辨率>= 512x512的图像上，以512x512的分辨率继续训练850k步。

• 768 - v - ema.ckpt：从512 - base - ema.ckpt继续训练，在相同数据集上使用v - 目标训练150k步。然后在数据集的768x768子集上继续训练140k步。

• 512 - depth - ema.ckpt：从512 - base - ema.ckpt继续训练并微调200k步。添加了一个额外的输入通道来处理[MiDaS](https://github.com/isl - org/MiDaS) (dpt_hybrid)产生的（相对）深度预测，作为额外的条件。处理此额外信息的U - Net的额外输入通道初始化为零。

• 512 - inpainting - ema.ckpt：从512 - base - ema.ckpt继续训练200k步。遵循[LAMA](https://github.com/saic - mdal/lama)中提出的掩码生成策略，结合掩码图像的潜在VAE表示，作为额外的条件。处理此额外信息的U - Net的额外输入通道初始化为零。使用相同的策略训练了[1.5 - inpainting检查点](https://github.com/saic - mdal/lama)。

• x4 - upscaling - ema.ckpt：在包含图像>2048x2048的LAION的10M子集上训练1250k步。模型在大小为512x512的裁剪图像上进行训练，是一个文本引导的潜在上采样扩散模型。除了文本输入外，它还接收一个noise_level作为输入参数，可根据[预定义的扩散时间表](configs/stable - diffusion/x4 - upscaling.yaml)向低分辨率输入添加噪声。

• 硬件：32 x 8 x A100 GPU

• 优化器：AdamW

• 梯度累积：1

• 批次大小：32 x 8 x 2 x 4 = 2048

• 学习率：在10000步内预热到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步DDIM采样步骤进行评估，显示了各检查点的相对改进情况：


使用50步DDIM采样和来自COCO2017验证集的10000个随机提示进行评估，评估分辨率为512x512。未针对FID分数进行优化。

环境影响

Stable Diffusion v1估计排放量

基于这些信息，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：200000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 基于电网位置产生的碳）：15000千克CO2当量

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}
}

本模型卡片由Robin Rombach、Patrick Esser和David Ha撰写，基于[Stable Diffusion v1](https://github.com/CompVis/stable - diffusion/blob/main/Stable_Diffusion_v1_Model_Card.md)和[DALL - E Mini模型卡片](https://huggingface.co/dalle - mini/dalle - mini)。

📄 许可证

该模型采用[CreativeML Open RAIL++ - M许可证](https://huggingface.co/stabilityai/stable - diffusion - 2/blob/main/LICENSE - MODEL)。