Diffusers 文档
ControlNetUnionModel
并获得增强的文档体验
开始使用
ControlNetUnionModel
ControlNetUnionModel 是 Stable Diffusion XL 的 ControlNet 实现。
ControlNet 模型由 xinsir6 在 ControlNetPlus 中引入。它支持多个条件输入而无需增加计算量。
我们设计了一种新架构,可以在条件文本到图像生成中支持 10 多种控制类型,并且可以生成视觉效果与 midjourney 媲美的高分辨率图像。该网络基于原始 ControlNet 架构,我们提出了两个新模块:1. 扩展原始 ControlNet 以支持使用相同网络参数的不同图像条件。2. 支持多个条件输入而无需增加计算卸载,这对于想要详细编辑图像的设计师来说尤其重要,不同的条件使用相同的条件编码器,无需额外的计算或参数。
加载
默认情况下,应使用 ControlNetUnionModel 加载 from_pretrained()。
from diffusers import StableDiffusionXLControlNetUnionPipeline, ControlNetUnionModel
controlnet = ControlNetUnionModel.from_pretrained("xinsir/controlnet-union-sdxl-1.0")
pipe = StableDiffusionXLControlNetUnionPipeline.from_pretrained("stabilityai/stable-diffusion-xl-base-1.0", controlnet=controlnet)
ControlNetUnionModel
class diffusers.ControlNetUnionModel
< 来源 >( in_channels: int = 4 conditioning_channels: int = 3 flip_sin_to_cos: bool = True freq_shift: int = 0 down_block_types: typing.Tuple[str, ...] = ('CrossAttnDownBlock2D', 'CrossAttnDownBlock2D', 'CrossAttnDownBlock2D', 'DownBlock2D') only_cross_attention: typing.Union[bool, typing.Tuple[bool]] = False block_out_channels: typing.Tuple[int, ...] = (320, 640, 1280, 1280) layers_per_block: int = 2 downsample_padding: int = 1 mid_block_scale_factor: float = 1 act_fn: str = 'silu' norm_num_groups: typing.Optional[int] = 32 norm_eps: float = 1e-05 cross_attention_dim: int = 1280 transformer_layers_per_block: typing.Union[int, typing.Tuple[int, ...]] = 1 encoder_hid_dim: typing.Optional[int] = None encoder_hid_dim_type: typing.Optional[str] = None attention_head_dim: typing.Union[int, typing.Tuple[int, ...]] = 8 num_attention_heads: typing.Union[int, typing.Tuple[int, ...], NoneType] = None use_linear_projection: bool = False class_embed_type: typing.Optional[str] = None addition_embed_type: typing.Optional[str] = None addition_time_embed_dim: typing.Optional[int] = None num_class_embeds: typing.Optional[int] = None upcast_attention: bool = False resnet_time_scale_shift: str = 'default' projection_class_embeddings_input_dim: typing.Optional[int] = None controlnet_conditioning_channel_order: str = 'rgb' conditioning_embedding_out_channels: typing.Optional[typing.Tuple[int, ...]] = (48, 96, 192, 384) global_pool_conditions: bool = False addition_embed_type_num_heads: int = 64 num_control_type: int = 6 num_trans_channel: int = 320 num_trans_head: int = 8 num_trans_layer: int = 1 num_proj_channel: int = 320 )
参数
- in_channels (
int
, 默认为 4) — 输入样本中的通道数。 - flip_sin_to_cos (
bool
, 默认为True
) — 是否在时间嵌入中将 sin 翻转为 cos。 - freq_shift (
int
, 默认为 0) — 应用于时间嵌入的频率偏移。 - down_block_types (
tuple[str]
, 默认为("CrossAttnDownBlock2D", "CrossAttnDownBlock2D", "CrossAttnDownBlock2D", "DownBlock2D")
) — 要使用的下采样块元组。 - only_cross_attention (
Union[bool, Tuple[bool]]
, 默认为False
) — - block_out_channels (
tuple[int]
, 默认为(320, 640, 1280, 1280)
) — 每个块的输出通道元组。 - layers_per_block (
int
, 默认为 2) — 每个块的层数。 - downsample_padding (
int
, 默认为 1) — 下采样卷积要使用的填充。 - mid_block_scale_factor (
float
, 默认为 1) — 中间块的比例因子。 - act_fn (
str
, 默认为 “silu”) — 要使用的激活函数。 - norm_num_groups (
int
, 可选, 默认为 32) — 归一化要使用的组数。如果为 None,则在后处理中跳过归一化和激活层。 - norm_eps (
float
, 默认为 1e-5) — 归一化要使用的 epsilon。 - cross_attention_dim (
int
, 默认为 1280) — 交叉注意力特征的维度。 - transformer_layers_per_block (
int
或Tuple[int]
, 可选, 默认为 1) — 类型为BasicTransformerBlock
的 transformer 块的数量。仅与~models.unet_2d_blocks.CrossAttnDownBlock2D
,~models.unet_2d_blocks.CrossAttnUpBlock2D
,~models.unet_2d_blocks.UNetMidBlock2DCrossAttn
相关。 - encoder_hid_dim (
int
, 可选, 默认为 None) — 如果定义了encoder_hid_dim_type
,则encoder_hidden_states
将从encoder_hid_dim
维度投影到cross_attention_dim
。 - encoder_hid_dim_type (
str
, 可选, 默认为None
) — 如果给定,encoder_hidden_states
和其他可能的嵌入将根据encoder_hid_dim_type
下投影到维度为cross_attention
的文本嵌入。 - attention_head_dim (
Union[int, Tuple[int]]
, 默认为 8) — 注意力头的维度。 - use_linear_projection (
bool
, 默认为False
) — - class_embed_type (
str
, 可选, 默认为None
) — 要使用的类嵌入类型,最终与时间嵌入求和。可选择 None,"timestep"
,"identity"
,"projection"
, 或"simple_projection"
。 - addition_embed_type (
str
, 可选, 默认为None
) — 配置一个可选嵌入,该嵌入将与时间嵌入求和。可选择None
或 “text”。“text”将使用TextTimeEmbedding
层。 - num_class_embeds (
int
, 可选, 默认为 0) — 当class_embed_type
等于None
时,要投影到time_embed_dim
的可学习嵌入矩阵的输入维度。当class_embed_type="projection"
时必需。 - upcast_attention (
bool
, 默认为False
) — - resnet_time_scale_shift (
str
, 默认为"default"
) — ResNet 块的时间尺度偏移配置(参见ResnetBlock2D
)。可选择default
或scale_shift
。 - projection_class_embeddings_input_dim (
int
, 可选, 默认为None
) — 当class_embed_type="projection"
时,class_labels
输入的维度。当class_embed_type="projection"
时必需。 - controlnet_conditioning_channel_order (
str
, 默认为"rgb"
) — 条件图像的通道顺序。如果为bgr
,将转换为rgb
。 - conditioning_embedding_out_channels (
tuple[int]
, 可选, 默认为(48, 96, 192, 384)
) —conditioning_embedding
层中每个块的输出通道元组。 - global_pool_conditions (
bool
, 默认为False
) —
ControlNetUnion 模型。
forward
< 来源 >( sample: Tensor timestep: typing.Union[torch.Tensor, float, int] encoder_hidden_states: Tensor controlnet_cond: typing.List[torch.Tensor] control_type: Tensor control_type_idx: typing.List[int] conditioning_scale: typing.Union[float, typing.List[float]] = 1.0 class_labels: typing.Optional[torch.Tensor] = None timestep_cond: typing.Optional[torch.Tensor] = None attention_mask: typing.Optional[torch.Tensor] = None added_cond_kwargs: typing.Optional[typing.Dict[str, torch.Tensor]] = None cross_attention_kwargs: typing.Optional[typing.Dict[str, typing.Any]] = None from_multi: bool = False guess_mode: bool = False return_dict: bool = True ) → ControlNetOutput
或 tuple
参数
- sample (
torch.Tensor
) — 噪声输入张量。 - timestep (
Union[torch.Tensor, float, int]
) — 去噪输入的步长数。 - encoder_hidden_states (
torch.Tensor
) — 编码器隐藏状态。 - controlnet_cond (
List[torch.Tensor]
) — 条件输入张量。 - control_type (
torch.Tensor
) — 形状为(batch, num_control_type)
的张量,其值根据是否使用控制类型为0
或1
。 - control_type_idx (
List[int]
) —control_type
的索引。 - conditioning_scale (
float
, 默认为1.0
) — ControlNet 输出的比例因子。 - class_labels (
torch.Tensor
, 可选, 默认为None
) — 可选的用于条件化的类标签。它们的嵌入将与时间嵌入求和。 - timestep_cond (
torch.Tensor
, 可选, 默认为None
) — 时间步长的额外条件嵌入。如果提供,嵌入将与通过self.time_embedding
层的时间嵌入求和,以获得最终的时间嵌入。 - attention_mask (
torch.Tensor
, 可选, 默认为None
) — 形状为(batch, key_tokens)
的注意力掩码应用于encoder_hidden_states
。如果为1
则保留掩码,否则如果为0
则丢弃。掩码将转换为偏置,其将较大的负值添加到与“丢弃”令牌对应的注意力分数中。 - added_cond_kwargs (
dict
) — Stable Diffusion XL UNet 的附加条件。 - cross_attention_kwargs (
dict[str]
, 可选, 默认为None
) — 一个 kwargs 字典,如果指定,则会传递给AttnProcessor
。 - from_multi (
bool
, 默认为False
) — 当从MultiControlNetUnionModel
调用时,使用标准缩放。 - guess_mode (
bool
, 默认为False
) — 在此模式下,ControlNet 编码器会尽力识别输入的输入内容,即使您删除了所有提示。建议guidance_scale
在 3.0 到 5.0 之间。 - return_dict (
bool
, 默认为True
) — 是否返回ControlNetOutput
而不是普通元组。
返回
ControlNetOutput
或 tuple
如果 return_dict
为 True
,则返回 ControlNetOutput
,否则返回一个元组,其中第一个元素是样本张量。
ControlNetUnionModel 的 forward 方法。
from_unet
< source >( unet: UNet2DConditionModel controlnet_conditioning_channel_order: str = 'rgb' conditioning_embedding_out_channels: typing.Optional[typing.Tuple[int, ...]] = (16, 32, 96, 256) load_weights_from_unet: bool = True )
参数
- unet (
UNet2DConditionModel
) — 要复制到 ControlNetUnionModel 的 UNet 模型权重。所有适用的配置选项也会复制。
set_attention_slice
< source >( slice_size: typing.Union[str, int, typing.List[int]] )
启用分片注意力计算。
启用此选项后,注意力模块会将输入张量分片以分步计算注意力。这对于节省内存非常有用,但会稍微降低速度。
设置注意力处理器
< source >( 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]]] )
设置用于计算注意力的注意力处理器。
禁用自定义注意力处理器并设置默认注意力实现。