Diffusers Inpainting Text Box

🚀 稳定扩散v1 - 4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。有关稳定扩散的工作原理的更多信息，请查看🤗的使用🧨Diffusers库的稳定扩散博客。

Stable - Diffusion - v1 - 4检查点使用Stable - Diffusion - v1 - 2检查点的权重进行初始化，随后在分辨率为512x512的情况下进行了225k步的微调，使用的数据集为“laion - aesthetics v2 5+”，并以10%的概率丢弃文本条件，以改进无分类器引导采样。

此处的权重旨在与🧨Diffusers库一起使用。如果您正在寻找要加载到CompVis稳定扩散代码库中的权重，请点击此处。

🚀 快速开始

稳定扩散是一个强大的文本到图像生成模型，你可以按照以下步骤快速开始使用它。

安装依赖

pip install --upgrade diffusers transformers scipy

运行示例代码

PyTorch

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")

注意事项

⚠️ 重要提示

如果您的GPU内存有限，可用的GPU RAM少于4GB，请确保以float16精度加载StableDiffusionPipeline，而不是上述默认的float32精度。您可以通过告诉diffusers期望权重为float16精度来实现这一点。

import torch

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")

更换噪声调度器

from diffusers import StableDiffusionPipeline, EulerDiscreteScheduler

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

# 在这里使用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")

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)

# 分片输入和随机数生成器
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:])))

注意事项

⚠️ 重要提示

如果您的TPU内存有限，请确保以bfloat16精度加载FlaxStableDiffusionPipeline，而不是上述默认的float32精度。您可以通过告诉diffusers从“bf16”分支加载权重来实现这一点。

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="bf16", 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)

# 分片输入和随机数生成器
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:])))

✨ 主要特性

• 强大的文本到图像生成能力：能够根据任意文本输入生成逼真的图像。
• 多框架支持：支持PyTorch和JAX/Flax等框架。
• 可定制性：可以更换噪声调度器以满足不同需求。

📦 安装指南

安装依赖库

pip install --upgrade diffusers transformers scipy

💻 使用示例

基础用法

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")

高级用法

更换噪声调度器

from diffusers import StableDiffusionPipeline, EulerDiscreteScheduler

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

# 在这里使用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")

📚 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 OpenRAIL M许可证是一种开放RAIL M许可证，改编自BigScience和RAIL倡议在负责任AI许可领域的共同工作。有关我们许可证所基于的BLOOM开放RAIL许可证的文章。
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（CLIP ViT - L/14），如Imagen论文中所建议的那样。
更多信息资源	GitHub仓库，论文

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。
• 探索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

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：该模型并非用于生成对人或事件的事实或真实表示，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：
  • 生成贬低、非人化或以其他方式有害的人物、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的刻板印象。
  • 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而生成色情内容。
  • 错误和虚假信息。
  • 令人震惊的暴力和血腥场面的表示。
  • 违反版权或许可材料使用条款分享受版权保护或许可的材料。
  • 违反版权或许可材料使用条款分享对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“A red cube on top of a blue sphere”对应的图像。
• 面部和人物一般可能无法正确生成。
• 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。
• 没有使用额外的措施对数据集进行去重。因此，我们观察到对于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。Stable Diffusion 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。来自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置为默认值。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

该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，以降低逆向工程此过滤器的可能性。具体来说，检查器在图像生成后，在CLIPTextModel的嵌入空间中比较有害概念的类概率。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

模型开发者使用以下数据集进行模型训练：

• LAION - 2B (en)及其子集

训练过程

Stable Diffusion v1 - 4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的预测之间的重建目标。

目前提供四个检查点，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，并以10%的概率丢弃文本条件，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，并以10%的概率丢弃文本条件，以改进无分类器引导采样。

训练参数

• 硬件：32 x 8 x A100 GPU
• 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PLMS采样步骤进行评估，结果显示了各检查点的相对改进：


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

稳定扩散模型基于潜在扩散模型架构，结合了自动编码器和扩散模型。自动编码器用于将图像编码为潜在表示，以减少计算量。扩散模型在潜在空间中进行训练，通过逐步添加和去除噪声来生成图像。文本提示通过ViT - L/14文本编码器进行编码，并通过交叉注意力机制输入到UNet中，以指导图像生成过程。

📄 许可证

本模型采用[CreativeML OpenRAIL M许可证](https://huggingface.co/spaces/CompVis/stable - diffusion - license)，该许可证进一步规定了权利和使用方式。请仔细阅读完整的许可证：[https://huggingface.co/spaces/CompVis/stable - diffusion - license](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撰写，基于[DALL - E Mini模型卡片](https://huggingface.co/dalle - mini/dalle - mini)。