许可证：creativeml-openrail-m
标签：

• stable-diffusion
• stable-diffusion-diffusers
• text-to-image
  推理：true

Stable Diffusion v1-5 模型卡

⚠️ 此仓库是已弃用的 ruwnayml/stable-diffusion-v1-5 的镜像，此仓库或组织与 RunwayML 无任何关联。

对原始模型卡的修改以红色或绿色标注。

Stable Diffusion 是一种潜在的文本到图像扩散模型，能够根据任何文本输入生成逼真的图像。
有关 Stable Diffusion 工作原理的更多信息，请参阅 🤗 的 Stable Diffusion 博客。

Stable-Diffusion-v1-5 检查点使用 Stable-Diffusion-v1-2 检查点的权重初始化，随后在 "laion-aesthetics v2 5+" 数据集上以 512x512 分辨率进行了 595k 步的微调，并丢弃了 10% 的文本条件以改进 无分类器引导采样。

您可以使用 🧨Diffusers 库 和 RunwayML GitHub 仓库（现已弃用），ComfyUI、Automatic1111、SD.Next、InvokeAI 来使用此模型。

使用 Diffusers

from diffusers import StableDiffusionPipeline  
import torch  

model_id = "sd-legacy/stable-diffusion-v1-5"  
pipe = StableDiffusionPipeline.from_pretrained(model_id, 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")  

更详细的说明、用例和 JAX 示例，请参阅 此处 的说明。

使用 GitHub 仓库 （现已弃用），ComfyUI 或 Automatic1111

1. 下载权重

   • v1-5-pruned-emaonly.safetensors - 仅包含 ema 权重。占用更少的 VRAM，适合推理。
   • v1-5-pruned.safetensors - 包含 ema 和非 ema 权重。占用更多 VRAM，适合微调。

2. 按照 此处 的说明操作。（现已弃用）

3. 本地使用 ComfyUI、AUTOMATIC1111、SD.Next、InvokeAI

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 Initiative 在负责任 AI 许可领域的联合工作。另请参阅 关于 BLOOM Open RAIL 许可证的文章，我们的许可证基于此。

• 模型描述： 这是一个可以根据文本提示生成和修改图像的模型。它是一种 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。

• 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}  
  }  
  

用途

直接使用

该模型仅供研究用途。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。
• 探索和理解生成模型的局限性和偏见。
• 艺术作品的生成以及在设计和艺术过程中的应用。
• 教育或创意工具中的应用。
• 生成模型的研究。

以下描述了排除的用途。

滥用、恶意使用和超出范围的用途

注：本节取自 DALLE-MINI 模型卡，但同样适用于 Stable Diffusion v1。

该模型不应故意创建或传播为人们制造敌对或疏远环境的图像。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。

超出范围的用途

该模型未经过训练以生成关于人物或事件的真实或事实性描述，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们或其环境、文化、宗教等的内容。
• 故意宣传或传播歧视性内容或有害刻板印象。
• 未经同意冒充他人。
• 未经可能看到的人的同意生成性内容。
• 错误和虚假信息。
• 极端暴力和血腥的描绘。
• 违反使用条款分享受版权或许可的材料。
• 违反使用条款分享受版权或许可材料的修改版本。

局限性和偏见

局限性

• 该模型无法实现完美的照片级真实感。
• 该模型无法渲染可读的文本。
• 该模型在涉及组合性的更复杂任务上表现不佳，例如渲染“蓝色球体上的红色立方体”对应的图像。
• 面部和人物可能无法正确生成。
• 该模型主要使用英语标题进行训练，在其他语言中表现不佳。
• 模型的自动编码部分是有损的。
• 该模型在大规模数据集 LAION-5B 上训练，其中包含成人内容，未经额外的安全机制和考虑不适合产品使用。
• 未使用额外的去重措施。因此，我们观察到训练数据中重复图像的某种程度的记忆。训练数据可以在 https://rom1504.github.io/clip-retrieval/ 上搜索，可能有助于检测记忆的图像。

偏见

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见。
Stable Diffusion v1 在 LAION-2B(en) 的子集上训练，这些图像主要限于英语描述。
使用其他语言的社区和文化的文本和图像可能未被充分涵盖。
这影响了模型的整体输出，因为白色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比使用英语提示差。

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。
此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减少逆向工程此过滤器的可能性。
具体来说，检查器在生成图像后比较 CLIPTextModel 嵌入空间中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 概念的手工权重进行比较。

训练

训练数据
模型开发人员使用以下数据集训练模型：

• LAION-2B (en) 及其子集（见下一节）

训练过程
Stable Diffusion v1-5 是一种潜在扩散模型，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 的图像映射为形状为 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的噪声与 UNet 预测之间的重建目标。

目前提供了六个 Stable Diffusion 检查点，训练方式如下：

• stable-diffusion-v1-1：在 laion2B-en 上以 256x256 分辨率训练 237,000 步。
  在 laion-high-resolution（来自 LAION-5B 的 170M 示例，分辨率 >= 1024x1024）上以 512x512 分辨率训练 194,000 步。

• stable-diffusion-v1-2：从 stable-diffusion-v1-1 继续训练。
  在 "laion-improved-aesthetics"（laion2B-en 的子集，过滤原始大小 >= 512x512、估计美学分数 > 5.0 和估计水印概率 < 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 估计）上以 512x512 分辨率训练 515,000 步。

• stable-diffusion-v1-3：从 stable-diffusion-v1-2 继续训练 - 在 "laion-improved-aesthetics" 上以 512x512 分辨率训练 195,000 步，并丢弃 10% 的文本条件以改进 无分类器引导采样。

• stable-diffusion-v1-4：从 stable-diffusion-v1-2 继续训练 - 在 "laion-aesthetics v2 5+" 上以 512x512 分辨率训练 225,000 步，并丢弃 10% 的文本条件以改进 无分类器引导采样。

• stable-diffusion-v1-5：从 stable-diffusion-v1-2 继续训练 - 在 "laion-aesthetics v2 5+" 上以 512x512 分辨率训练 595,000 步，并丢弃 10% 的文本条件以改进 无分类器引导采样。

• stable-diffusion-inpainting：从 stable-diffusion-v1-5 继续训练 - 然后在 "laion-aesthetics v2 5+" 上以 512x512 分辨率进行 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% 的情况下掩码所有内容。

• 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： 在前 10,000 步预热到 0.0001，然后保持恒定。

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 PNDM/PLMS 采样步骤的评估显示了检查点的相对改进：

使用 50 步 PLMS 步骤和来自 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 的估计排放量
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 估计以下 CO2 排放量。硬件、运行时间、云提供商和计算区域用于估计碳影响。

• 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
• 碳排放量（功耗 x 时间 x 电网位置的碳产生量）： 11250 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}  
    }  

此模型卡由 Robin Rombach 和 Patrick Esser 编写，基于 DALL-E Mini 模型卡。