🚀 稳定扩散v2 - 1基础模型

本模型卡聚焦于与稳定扩散v2 - 1基础模型相关的模型。该stable - diffusion - 2 - 1 - base模型在stable - diffusion - 2 - base (512 - base - ema.ckpt)的基础上进行微调，在相同数据集上额外训练了220k步，punsafe = 0.98。

🚀 快速开始

你可以通过以下两种方式使用该模型：

• 使用stablediffusion仓库：点击此处下载v2 - 1_512 - ema - pruned.ckpt文件。
• 使用🧨diffusers库。

✨ 主要特性

• 模型类型：基于扩散的文本到图像生成模型。
• 语言支持：主要支持英文。
• 功能用途：可根据文本提示生成和修改图像。

📦 安装指南

使用🤗的Diffusers库可以简单高效地运行稳定扩散2模型。首先，你需要安装必要的依赖：

pip install diffusers transformers accelerate scipy safetensors

💻 使用示例

基础用法

以下是一个使用该模型生成图像的示例代码：

from diffusers import StableDiffusionPipeline, EulerDiscreteScheduler
import torch

model_id = "stabilityai/stable-diffusion-2-1-base"

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")

高级用法

注意事项：

• 虽然xformers不是必需依赖，但我们强烈建议你安装它，以实现内存高效的注意力机制（提升性能）。
• 如果你可用的GPU内存较低，在将模型发送到cuda后，添加pipe.enable_attention_slicing()可以减少VRAM使用（以牺牲速度为代价）。

# 尽管不是依赖项，但强烈建议安装xformers以实现内存高效的注意力机制（更好的性能）
# 如果GPU内存较低，在发送到cuda后添加pipe.enable_attention_slicing()以减少VRAM使用（以速度为代价）
from diffusers import StableDiffusionPipeline, EulerDiscreteScheduler
import torch

model_id = "stabilityai/stable-diffusion-2-1-base"

scheduler = EulerDiscreteScheduler.from_pretrained(model_id, subfolder="scheduler")
pipe = StableDiffusionPipeline.from_pretrained(model_id, scheduler=scheduler, torch_dtype=torch.float16)
pipe = pipe.to("cuda")
pipe.enable_attention_slicing()  # 低GPU内存时使用

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

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创作过程。
• 在教育或创意工具中的应用。
• 对生成模型的研究。

禁止使用场景

该模型不得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。

• 超出适用范围的使用：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、非人化或其他有害的人物或其环境、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。
  • 在未经同意的情况下冒充个人。
  • 未经可能看到内容的人的同意生成性内容。
  • 虚假和误导性信息。
  • 展示严重暴力和血腥的内容。
  • 违反使用条款分享受版权保护或许可的材料。
  • 违反使用条款分享受版权保护或许可材料的修改版本。

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“A red cube on top of a blue sphere”对应的图像。
• 面部和人物的生成可能不准确。
• 模型主要使用英文标题进行训练，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[LAION - 5B](https://laion.ai/blog/laion - 5b/)的一个子集上进行训练，该数据集包含成人、暴力和性内容。为了部分缓解这一问题，我们使用LAION的NFSW检测器对数据集进行了过滤（详见训练部分）。

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。稳定扩散v2主要在[LAION - 2B(en)](https://laion.ai/blog/laion - 5b/)的子集上进行训练，该数据集仅包含英文描述的图像。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定为默认值。此外，模型使用非英文提示生成内容的能力明显低于使用英文提示的情况。稳定扩散v2反映并加剧了偏差，因此无论输入或意图如何，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检测器进行了进一步过滤，“p_unsafe”分数为0.1（保守）。有关更多详细信息，请参阅LAION - 5B的[NeurIPS 2022](https://openreview.net/forum?id = M3Y74vmsMcY)论文和相关评审讨论。

训练过程

稳定扩散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。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 - objective”，详见https://arxiv.org/abs/2202.00512。

目前，我们为不同版本提供了以下检查点：

• 版本2.1
  • 512 - base - ema.ckpt：在512 - base - ema.ckpt 2.0的基础上微调，额外训练220k步，punsafe = 0.98。
  • 768 - v - ema.ckpt：从768 - v - ema.ckpt 2.0继续训练，在相同数据集上额外训练55k步（punsafe = 0.1），然后再以punsafe = 0.98微调155k步。
• 版本2.0
  • 512 - base - ema.ckpt：在[LAION - 5B](https://laion.ai/blog/laion - 5b/)的一个子集上，以分辨率256x256训练550k步，该子集使用[LAION - NSFW分类器](https://github.com/LAION - AI/CLIP - based - NSFW - Detector)过滤了明确的色情内容，punsafe = 0.1，美学分数>= 4.5。然后在相同数据集上以分辨率512x512（分辨率>= 512x512）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 - objective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。添加一个额外的输入通道来处理[MiDaS](https://github.com/isl - org/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。与训练[1.5 - inpainting检查点](https://github.com/saic - mdal/lama)使用相同的策略。
  • 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[预定义的扩散调度](configs/stable - diffusion/x4 - upscaling.yaml)向低分辨率输入添加噪声。

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，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COCO2017验证集中的10000个随机提示，在分辨率512x512下进行。未针对FID分数进行优化。

环境影响

稳定扩散v1估计排放量

根据相关信息，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。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。

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}
}

📄 许可证

该模型遵循CreativeML Open RAIL++ - M License。

本模型卡由Robin Rombach、Patrick Esser和David Ha编写，基于Stable Diffusion v1和[DALL - E Mini模型卡](https://huggingface.co/dalle - mini/dalle - mini)。