Diffusers 文档

SD3ControlNetModel

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

SD3ControlNetModel

SD3ControlNetModel 是 Stable Diffusion 3 的 ControlNet 实现。

ControlNet 模型由 Lvmin Zhang、Anyi Rao、Maneesh Agrawala 在向文本到图像扩散模型添加条件控制中提出。它通过对模型进行额外输入(如边缘图、深度图、分割图和姿态检测的关键点)的条件设置,从而对文本到图像生成提供更大程度的控制。

论文摘要如下:

我们提出了 ControlNet,一种神经网络架构,用于向大型预训练的文本到图像扩散模型添加空间条件控制。ControlNet 锁定生产就绪的大型扩散模型,并重用它们在数十亿图像上预训练的深度且鲁棒的编码层作为强大的骨干,以学习各种条件控制。神经网络架构通过“零卷积”(零初始化卷积层)连接,这些卷积层从零开始逐步增加参数,并确保不会有害噪声影响微调。我们使用 Stable Diffusion 测试了各种条件控制,例如边缘、深度、分割、人体姿态等,使用单一或多个条件,有或没有提示。我们表明 ControlNet 的训练对于小型(<50k)和大型(>1m)数据集都非常鲁棒。大量结果表明,ControlNet 可能有助于更广泛地应用以控制图像扩散模型。

从原始格式加载

默认情况下,SD3ControlNetModel 应使用 from_pretrained() 加载。

from diffusers import StableDiffusion3ControlNetPipeline
from diffusers.models import SD3ControlNetModel, SD3MultiControlNetModel

controlnet = SD3ControlNetModel.from_pretrained("InstantX/SD3-Controlnet-Canny")
pipe = StableDiffusion3ControlNetPipeline.from_pretrained("stabilityai/stable-diffusion-3-medium-diffusers", controlnet=controlnet)

SD3ControlNetModel

class diffusers.SD3ControlNetModel

< >

( sample_size: int = 128 patch_size: int = 2 in_channels: int = 16 num_layers: int = 18 attention_head_dim: int = 64 num_attention_heads: int = 18 joint_attention_dim: int = 4096 caption_projection_dim: int = 1152 pooled_projection_dim: int = 2048 out_channels: int = 16 pos_embed_max_size: int = 96 extra_conditioning_channels: int = 0 dual_attention_layers: typing.Tuple[int, ...] = () qk_norm: typing.Optional[str] = None pos_embed_type: typing.Optional[str] = 'sincos' use_pos_embed: bool = True force_zeros_for_pooled_projection: bool = True )

参数

  • sample_size (int, 默认为 128) — 潜在空间数据的宽度/高度。由于用于学习多个位置嵌入,因此在训练期间是固定的。
  • patch_size (int, 默认为 2) — 将输入数据转换为小块的块大小。
  • in_channels (int, 默认为 16) — 输入中的潜在通道数。
  • num_layers (int, 默认为 18) — 要使用的 transformer 块层数。
  • attention_head_dim (int, 默认为 64) — 每个注意力头的通道数。
  • num_attention_heads (int, 默认为 18) — 多头注意力使用的头数。
  • joint_attention_dim (int, 默认为 4096) — 用于联合文本-图像注意力的嵌入维度。
  • caption_projection_dim (int, 默认为 1152) — 标题嵌入的嵌入维度。
  • pooled_projection_dim (int, 默认为 2048) — 池化文本投影的嵌入维度。
  • out_channels (int, 默认为 16) — 输出中的潜在通道数。
  • pos_embed_max_size (int, 默认为 96) — 位置嵌入的最大潜在高度/宽度。
  • extra_conditioning_channels (int, 默认为 0) — 用于补丁嵌入的额外条件通道数。
  • dual_attention_layers (Tuple[int, ...], 默认为 ()) — 要使用的双流 transformer 块数。
  • qk_norm (str, 可选, 默认为 None) — 用于注意力层中查询和键的归一化方式。如果为 None,则不使用归一化。
  • pos_embed_type (str, 默认为 "sincos") — 要使用的位置嵌入类型。可在 "sincos"None 之间选择。
  • use_pos_embed (bool, 默认为 True) — 是否使用位置嵌入。
  • force_zeros_for_pooled_projection (bool, 默认为 True) — 是否强制池化投影嵌入为零。这在管道中通过读取 ControlNet 模型的配置值进行处理。

用于 Stable Diffusion 3 的 ControlNet 模型。

启用前向分块

< >

( chunk_size: typing.Optional[int] = None dim: int = 0 )

参数

  • chunk_size (int, 可选) — 前馈层的块大小。如果未指定,将对 dim=dim 的每个张量单独运行前馈层。
  • dim (int, 可选, 默认为 0) — 前馈计算应分块的维度。在 dim=0 (批次) 或 dim=1 (序列长度) 之间选择。

设置注意力处理器以使用分块前馈层

前向

< >

( hidden_states: Tensor controlnet_cond: Tensor conditioning_scale: float = 1.0 encoder_hidden_states: Tensor = None pooled_projections: Tensor = None timestep: LongTensor = None joint_attention_kwargs: typing.Optional[typing.Dict[str, typing.Any]] = None return_dict: bool = True )

参数

  • hidden_states (形状为 (batch size, channel, height, width)torch.Tensor) — 输入的 hidden_states
  • controlnet_cond (torch.Tensor) — 形状为 (batch_size, sequence_length, hidden_size) 的条件输入张量。
  • conditioning_scale (float, 默认为 1.0) — ControlNet 输出的比例因子。
  • encoder_hidden_states (形状为 (batch size, sequence_len, embed_dims)torch.Tensor) — 要使用的条件嵌入(从输入条件(如提示)计算出的嵌入)。
  • pooled_projections (形状为 (batch_size, projection_dim)torch.Tensor) — 从输入条件的嵌入投影而来的嵌入。
  • timestep ( torch.LongTensor) — 用于指示去噪步骤。
  • joint_attention_kwargs (dict, 可选) — 一个 kwargs 字典,如果指定,将传递给 diffusers.models.attention_processor 中定义的 self.processorAttentionProcessor
  • return_dict (bool, 可选, 默认为 True) — 是否返回 ~models.transformer_2d.Transformer2DModelOutput 而不是普通元组。

SD3Transformer2DModel 前向方法。

融合 qkv 投影

< >

( )

启用融合 QKV 投影。对于自注意力模块,所有投影矩阵(即查询、键、值)都将融合。对于交叉注意力模块,键和值投影矩阵将融合。

此 API 是 🧪 实验性的。

设置注意力处理器

< >

( processor: typing.Union[diffusers.models.attention_processor.AttnProcessor, diffusers.models.attention_processor.CustomDiffusionAttnProcessor, diffusers.models.attention_processor.AttnAddedKVProcessor, diffusers.models.attention_processor.AttnAddedKVProcessor2_0, diffusers.models.attention_processor.JointAttnProcessor2_0, diffusers.models.attention_processor.PAGJointAttnProcessor2_0, diffusers.models.attention_processor.PAGCFGJointAttnProcessor2_0, diffusers.models.attention_processor.FusedJointAttnProcessor2_0, diffusers.models.attention_processor.AllegroAttnProcessor2_0, diffusers.models.attention_processor.AuraFlowAttnProcessor2_0, diffusers.models.attention_processor.FusedAuraFlowAttnProcessor2_0, diffusers.models.attention_processor.FluxAttnProcessor2_0, diffusers.models.attention_processor.FluxAttnProcessor2_0_NPU, diffusers.models.attention_processor.FusedFluxAttnProcessor2_0, diffusers.models.attention_processor.FusedFluxAttnProcessor2_0_NPU, diffusers.models.attention_processor.CogVideoXAttnProcessor2_0, diffusers.models.attention_processor.FusedCogVideoXAttnProcessor2_0, diffusers.models.attention_processor.XFormersAttnAddedKVProcessor, diffusers.models.attention_processor.XFormersAttnProcessor, diffusers.models.attention_processor.XLAFlashAttnProcessor2_0, diffusers.models.attention_processor.AttnProcessorNPU, diffusers.models.attention_processor.AttnProcessor2_0, diffusers.models.attention_processor.MochiVaeAttnProcessor2_0, diffusers.models.attention_processor.MochiAttnProcessor2_0, diffusers.models.attention_processor.StableAudioAttnProcessor2_0, diffusers.models.attention_processor.HunyuanAttnProcessor2_0, diffusers.models.attention_processor.FusedHunyuanAttnProcessor2_0, diffusers.models.attention_processor.PAGHunyuanAttnProcessor2_0, diffusers.models.attention_processor.PAGCFGHunyuanAttnProcessor2_0, diffusers.models.attention_processor.LuminaAttnProcessor2_0, diffusers.models.attention_processor.FusedAttnProcessor2_0, diffusers.models.attention_processor.CustomDiffusionXFormersAttnProcessor, diffusers.models.attention_processor.CustomDiffusionAttnProcessor2_0, diffusers.models.attention_processor.SlicedAttnProcessor, diffusers.models.attention_processor.SlicedAttnAddedKVProcessor, diffusers.models.attention_processor.SanaLinearAttnProcessor2_0, diffusers.models.attention_processor.PAGCFGSanaLinearAttnProcessor2_0, diffusers.models.attention_processor.PAGIdentitySanaLinearAttnProcessor2_0, diffusers.models.attention_processor.SanaMultiscaleLinearAttention, diffusers.models.attention_processor.SanaMultiscaleAttnProcessor2_0, diffusers.models.attention_processor.SanaMultiscaleAttentionProjection, diffusers.models.attention_processor.IPAdapterAttnProcessor, diffusers.models.attention_processor.IPAdapterAttnProcessor2_0, diffusers.models.attention_processor.IPAdapterXFormersAttnProcessor, diffusers.models.attention_processor.SD3IPAdapterJointAttnProcessor2_0, diffusers.models.attention_processor.PAGIdentitySelfAttnProcessor2_0, diffusers.models.attention_processor.PAGCFGIdentitySelfAttnProcessor2_0, diffusers.models.attention_processor.LoRAAttnProcessor, diffusers.models.attention_processor.LoRAAttnProcessor2_0, diffusers.models.attention_processor.LoRAXFormersAttnProcessor, diffusers.models.attention_processor.LoRAAttnAddedKVProcessor, typing.Dict[str, typing.Union[diffusers.models.attention_processor.AttnProcessor, diffusers.models.attention_processor.CustomDiffusionAttnProcessor, diffusers.models.attention_processor.AttnAddedKVProcessor, diffusers.models.attention_processor.AttnAddedKVProcessor2_0, diffusers.models.attention_processor.JointAttnProcessor2_0, diffusers.models.attention_processor.PAGJointAttnProcessor2_0, diffusers.models.attention_processor.PAGCFGJointAttnProcessor2_0, diffusers.models.attention_processor.FusedJointAttnProcessor2_0, diffusers.models.attention_processor.AllegroAttnProcessor2_0, diffusers.models.attention_processor.AuraFlowAttnProcessor2_0, diffusers.models.attention_processor.FusedAuraFlowAttnProcessor2_0, diffusers.models.attention_processor.FluxAttnProcessor2_0, diffusers.models.attention_processor.FluxAttnProcessor2_0_NPU, diffusers.models.attention_processor.FusedFluxAttnProcessor2_0, diffusers.models.attention_processor.FusedFluxAttnProcessor2_0_NPU, diffusers.models.attention_processor.CogVideoXAttnProcessor2_0, diffusers.models.attention_processor.FusedCogVideoXAttnProcessor2_0, diffusers.models.attention_processor.XFormersAttnAddedKVProcessor, diffusers.models.attention_processor.XFormersAttnProcessor, diffusers.models.attention_processor.XLAFlashAttnProcessor2_0, diffusers.models.attention_processor.AttnProcessorNPU, diffusers.models.attention_processor.AttnProcessor2_0, diffusers.models.attention_processor.MochiVaeAttnProcessor2_0, diffusers.models.attention_processor.MochiAttnProcessor2_0, diffusers.models.attention_processor.StableAudioAttnProcessor2_0, diffusers.models.attention_processor.HunyuanAttnProcessor2_0, diffusers.models.attention_processor.FusedHunyuanAttnProcessor2_0, diffusers.models.attention_processor.PAGHunyuanAttnProcessor2_0, diffusers.models.attention_processor.PAGCFGHunyuanAttnProcessor2_0, diffusers.models.attention_processor.LuminaAttnProcessor2_0, diffusers.models.attention_processor.FusedAttnProcessor2_0, diffusers.models.attention_processor.CustomDiffusionXFormersAttnProcessor, diffusers.models.attention_processor.CustomDiffusionAttnProcessor2_0, diffusers.models.attention_processor.SlicedAttnProcessor, diffusers.models.attention_processor.SlicedAttnAddedKVProcessor, diffusers.models.attention_processor.SanaLinearAttnProcessor2_0, diffusers.models.attention_processor.PAGCFGSanaLinearAttnProcessor2_0, diffusers.models.attention_processor.PAGIdentitySanaLinearAttnProcessor2_0, diffusers.models.attention_processor.SanaMultiscaleLinearAttention, diffusers.models.attention_processor.SanaMultiscaleAttnProcessor2_0, diffusers.models.attention_processor.SanaMultiscaleAttentionProjection, diffusers.models.attention_processor.IPAdapterAttnProcessor, diffusers.models.attention_processor.IPAdapterAttnProcessor2_0, diffusers.models.attention_processor.IPAdapterXFormersAttnProcessor, diffusers.models.attention_processor.SD3IPAdapterJointAttnProcessor2_0, diffusers.models.attention_processor.PAGIdentitySelfAttnProcessor2_0, diffusers.models.attention_processor.PAGCFGIdentitySelfAttnProcessor2_0, diffusers.models.attention_processor.LoRAAttnProcessor, diffusers.models.attention_processor.LoRAAttnProcessor2_0, diffusers.models.attention_processor.LoRAXFormersAttnProcessor, diffusers.models.attention_processor.LoRAAttnAddedKVProcessor]]] )

参数

  • processor (AttentionProcessordict 或仅 AttentionProcessor) — 实例化处理器类,或一个处理器类的字典,将被设置为**所有** Attention 层的处理器。

    如果 processor 是一个字典,则键需要定义到相应交叉注意力处理器的路径。在设置可训练注意力处理器时强烈推荐这样做。

设置用于计算注意力的注意力处理器。

unfuse_qkv_projections

< >

( )

如果启用了,则禁用融合的 QKV 投影。

此 API 是 🧪 实验性的。

SD3ControlNetOutput

class diffusers.models.controlnets.SD3ControlNetOutput

< >

( controlnet_block_samples: typing.Tuple[torch.Tensor] )

< > 在 GitHub 上更新