Coreml Stable Diffusion V1 4

🚀 Stable Diffusion v1 - 4 模型卡片

Stable Diffusion是一个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许可协议。这里的权重已转换为Core ML格式，可在苹果硅硬件上使用。

🚀 快速开始

本模型权重已转换为Core ML格式，有4种Core ML权重变体：

coreml-stable-diffusion-v1-4
├── 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 。

如果你需要适用于🧨 Diffusers库的权重，请访问此模型。

✨ 主要特性

• 基于扩散的文本到图像生成模型，能够根据文本提示生成和修改图像。
• 采用固定的预训练文本编码器（CLIP ViT - L/14）。
• 权重已转换为Core ML格式，可在苹果硅硬件上使用。

📚 详细文档

模型详情

• 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Open RAIL M许可证，改编自BigScience和RAIL倡议在负责任的AI许可领域的联合工作。有关我们许可证所基于的BLOOM Open 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，采用了固定的预训练文本编码器（CLIP ViT - L/14），如Imagen论文中所建议。
• 更多信息资源： GitHub仓库，论文。
• 引用方式：

@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}
}

使用说明

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。
• 教育或创意工具中的应用。
• 生成模型的研究。

排除使用的情况如下所述。

滥用、恶意使用和超出范围使用

注意： 本节内容取自[DALLE - MINI模型卡片](https://huggingface.co/dalle - mini/dalle - mini)，但同样适用于Stable Diffusion。

该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觉得不安、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

该模型并非用于对人或事件进行事实或真实的呈现，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忍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伤害人或其环境、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。
• 在未经个人同意的情况下冒充个人。
• 在可能看到的人未同意的情况下生成色情内容。
• 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行为。

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“一个红色立方体在蓝色球体之上”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/)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用于产品。
• 未使用额外措施对数据集进行去重。因此，我们观察到模型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)](https://laion.ai/blog/laion - 5b/)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情况。

安全模块

该模型的预期使用方式是结合Diffusers中的安全检查器。该检查器通过将模型输出与已知的硬编码NSFW概念进行比对来工作。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对模型进行训练：

• LAION - 2B (en) 及其子集（见下一节）

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。

• 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步PLMS采样进行的评估显示了检查点的相对改进：


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

环境影响

Stable Diffusion v1估计排放量

基于该信息，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基于电网位置产生的碳）： 11250 kg CO2当量

📄 许可证

该模型使用[CreativeML OpenRAIL M许可证](https://huggingface.co/spaces/CompVis/stable - diffusion - license)。