模型简介
模型特点
模型能力
使用案例
🚀 Stable Diffusion v2模型介绍
Stable Diffusion v2是一款基于文本生成图像的模型,可根据文本提示生成和修改图像。它在图像生成领域具有广泛的应用,如艺术创作、设计等。
🚀 快速开始
使用 stablediffusion
仓库
下载 768-v-ema.ckpt
文件,链接:点击下载。
使用 🧨 diffusers
库
安装依赖库:
pip install diffusers transformers accelerate scipy safetensors
运行示例代码:
from diffusers import StableDiffusionPipeline, EulerDiscreteScheduler
import torch
model_id = "stabilityai/stable-diffusion-2"
# 使用 Euler 调度器
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")
⚠️ 重要提示
尽管
xformers
不是必需依赖库,但我们强烈建议安装它以实现内存高效注意力(提高性能),安装链接:xformers。如果你可用的 GPU 显存较低,请在将模型发送到
cuda
后添加pipe.enable_attention_slicing()
以减少显存使用(但会降低速度)。
✨ 主要特性
- 文本到图像生成:根据文本提示生成高质量图像。
- 多分辨率支持:支持不同分辨率的图像生成。
- 可扩展性:可通过不同的检查点进行微调。
📦 安装指南
使用 diffusers
库时,运行以下命令安装依赖:
pip install diffusers transformers accelerate scipy safetensors
📚 详细文档
模型详情
属性 | 详情 |
---|---|
开发者 | Robin Rombach, Patrick Esser |
模型类型 | 基于扩散的文本到图像生成模型 |
语言 | 英语 |
许可证 | CreativeML Open RAIL++-M License |
模型描述 | 这是一个可用于根据文本提示生成和修改图像的模型。它是一个 潜在扩散模型,使用固定的预训练文本编码器 (OpenCLIP-ViT/H)。 |
更多信息资源 | GitHub 仓库 |
引用方式 | @InProceedings{Rombach_2022_CVPR, |
用途
直接用途
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。
滥用、恶意使用和超出范围使用
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,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、宗教等的内容。
- 故意推广或传播歧视性内容或有害刻板印象。
- 在未经个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生成色情内容。
- 虚假和误导性信息。
- 严重暴力和血腥内容的呈现。
- 违反使用条款分享受版权保护或有许可的材料。
- 违反使用条款分享对受版权保护或有许可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写实效果。
- 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,例如渲染对应 “A red cube on top of a blue sphere” 的图像。
- 面部和人物的生成可能不够理想。
- 模型主要使用英语字幕进行训练,在其他语言上的效果不佳。
- 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 的一个子集上进行训练,该数据集包含成人、暴力和色情内容。为部分缓解此问题,我们使用 LAION 的 NFSW 检测器对数据集进行了过滤(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 主要在 LAION-2B(en) 的子集上进行训练,该子集的图像仅限于英语描述。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,因为白人及西方文化常被设定为默认。此外,模型使用非英语提示生成内容的能力明显不如使用英语提示。Stable Diffusion v2 在很大程度上反映并加剧了这种偏差,无论输入及其意图如何,都建议用户谨慎使用。
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 检测器进行进一步过滤,“p_unsafe” 分数为 0.1(保守设置)。更多详情请参考 LAION-5B 的 NeurIPS 2022 论文及相关评审讨论。
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潜在空间中训练的扩散模型相结合。训练过程如下:
- 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 预测之间的重建目标。我们还使用了所谓的 v-objective,详情见 论文。
目前提供以下检查点:
512-base-ema.ckpt
:在 LAION-5B 的一个子集上进行 550k 步训练,分辨率为256x256
,该子集使用 LAION-NSFW 分类器 过滤掉明确的色情内容,punsafe=0.1
且 美学分数 >=4.5
。在相同数据集上,分辨率>= 512x512
时进行 850k 步训练。768-v-ema.ckpt
:从512-base-ema.ckpt
恢复训练,在相同数据集上使用 v-objective 进行 150k 步训练。在768x768
图像子集上再进行 140k 步训练。512-depth-ema.ckpt
:从512-base-ema.ckpt
恢复训练并微调 200k 步。添加一个额外的输入通道来处理 MiDaS (dpt_hybrid
) 生成的(相对)深度预测,作为额外的条件。处理此额外信息的 U-Net 额外输入通道初始化为零。512-inpainting-ema.ckpt
:从512-base-ema.ckpt
恢复训练并进行 200k 步训练。遵循 LAMA 提出的掩码生成策略,结合掩码图像的潜在 VAE 表示作为额外条件。处理此额外信息的 U-Net 额外输入通道初始化为零。与 1.5-inpainting 检查点 使用相同的训练策略。x4-upscaling-ema.ckpt
:在包含>2048x2048
图像的 LAION 10M 子集上进行 1250k 步训练。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 向低分辨率输入添加噪声。
训练硬件和参数
- 硬件:32 x 8 x A100 GPUs
- 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 10,000 步内预热至 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,结果显示了不同检查点的相对改进:
评估使用 50 步 DDIM 采样和来自 COCO2017 验证集的 10000 个随机提示,在 512x512 分辨率下进行。未针对 FID 分数进行优化。
环境影响
Stable Diffusion v1 估计排放量
根据相关信息,我们使用 Lacoste 等人(2019) 提出的 机器学习影响计算器 估计了以下 CO2 排放量。使用硬件、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:US-east
- 碳排放(功耗 x 时间 x 基于电网位置的碳排放系数):15000 kg CO2 eq.
🔧 技术细节
Stable Diffusion v2 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。在训练过程中,图像通过编码器转换为潜在表示,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输入到 UNet 主干中,损失是添加到潜在表示的噪声与 UNet 预测之间的重建目标,同时使用了 v-objective。
📄 许可证
该模型使用 CreativeML Open RAIL++-M License 许可证。

