Hugging Face's logo

Diffusers 文档

PixArt-Σ

Hugging Face's logo
加入 Hugging Face 社区

并获取增强的文档体验

开始

PixArt-Σ

PixArt-Σ: Weak-to-Strong Training of Diffusion Transformer for 4K Text-to-Image Generation 是 Junsong Chen, Jincheng Yu, Chongjian Ge, Lewei Yao, Enze Xie, Yue Wu, Zhongdao Wang, James Kwok, Ping Luo, Huchuan Lu, 和 Zhenguo Li。

论文摘要如下

在本文中，我们介绍了 PixArt-Σ，一种能够直接生成 4K 分辨率图像的扩散 Transformer 模型 (DiT)。PixArt-Σ 代表了对其前身 PixArt-α 的重大改进，提供了更高保真度的图像，并改进了与文本提示的对齐。PixArt-Σ 的一个关键特性是其训练效率。它利用 PixArt-α 的基础预训练，通过整合更高质量的数据，从“较弱”的基线演变为“较强”的模型，我们将此过程称为“弱到强训练”。PixArt-Σ 的改进是双重的：(1) 高质量训练数据：PixArt-Σ 整合了质量更高的图像数据，并配以更精确和详细的图像标题。(2) 高效令牌压缩：我们在 DiT 框架内提出了一种新颖的注意力模块，该模块压缩了键和值，显着提高了效率并促进了超高分辨率图像的生成。由于这些改进，PixArt-Σ 以明显更小的模型尺寸（0.6B 参数）实现了优异的图像质量和用户提示遵循能力，优于现有的文本到图像扩散模型，例如 SDXL（2.6B 参数）和 SD Cascade（5.1B 参数）。此外，PixArt-Σ 生成 4K 图像的能力支持创建高分辨率海报和壁纸，有效地促进了电影和游戏等行业中高质量视觉内容的制作。

你可以在 PixArt-alpha/PixArt-sigma 找到原始代码库，并在 PixArt-alpha 找到所有可用的检查点。

关于此 pipeline 的一些注意事项

  • 它使用 Transformer 主干（而不是 UNet）进行去噪。因此，它具有与 DiT 相似的架构。
  • 它使用从 T5 计算出的文本条件进行训练。这使得该 pipeline 更擅长遵循带有复杂细节的复杂文本提示。
  • 它擅长生成不同宽高比的高分辨率图像。为了获得最佳效果，作者建议使用一些尺寸范围，可以在 这里 找到。
  • 它的质量可与最先进的文本到图像生成系统（截至撰写本文时）相媲美，例如 PixArt-α、Stable Diffusion XL、Playground V2.0 和 DALL-E 3，同时比它们更高效。
  • 它展示了生成超高分辨率图像的能力，例如 2048px 甚至 4K。
  • 它表明，文本到图像模型可以通过多项改进（VAEs、数据集等）从弱模型成长为更强的模型。

请务必查看 Schedulers 指南，了解如何探索 scheduler 速度和质量之间的权衡，并查看跨 pipelines 重用组件部分 ，了解如何有效地将相同组件加载到多个 pipelines 中。

你可以通过将 PixArtSigmaPipeline 生成的图像传递给 SDXL refiner 模型来进一步提高生成质量。

在 8GB GPU VRAM 以下进行推理

通过以 8 位精度加载文本编码器，在 8GB GPU VRAM 以下运行 PixArtSigmaPipeline。让我们来看一个完整的例子。

首先，安装 bitsandbytes 库

pip install -U bitsandbytes

然后以 8 位加载文本编码器

from transformers import T5EncoderModel
from diffusers import PixArtSigmaPipeline
import torch

text_encoder = T5EncoderModel.from_pretrained(
    "PixArt-alpha/PixArt-Sigma-XL-2-1024-MS",
    subfolder="text_encoder",
    load_in_8bit=True,
    device_map="auto",
)
pipe = PixArtSigmaPipeline.from_pretrained(
    "PixArt-alpha/PixArt-Sigma-XL-2-1024-MS",
    text_encoder=text_encoder,
    transformer=None,
    device_map="balanced"
)

现在，使用 pipe 编码 prompt

with torch.no_grad():
    prompt = "cute cat"
    prompt_embeds, prompt_attention_mask, negative_embeds, negative_prompt_attention_mask = pipe.encode_prompt(prompt)

由于文本嵌入 (text embeddings) 已经计算完成，请从内存中移除 text_encoder 和 pipe，并释放一些 GPU 显存 (VRAM)。

import gc

def flush():
    gc.collect()
    torch.cuda.empty_cache()

del text_encoder
del pipe
flush()

然后使用提示词嵌入 (prompt embeddings) 作为输入来计算潜在变量 (latents)。

pipe = PixArtSigmaPipeline.from_pretrained(
    "PixArt-alpha/PixArt-Sigma-XL-2-1024-MS",
    text_encoder=None,
    torch_dtype=torch.float16,
).to("cuda")

latents = pipe(
    negative_prompt=None,
    prompt_embeds=prompt_embeds,
    negative_prompt_embeds=negative_embeds,
    prompt_attention_mask=prompt_attention_mask,
    negative_prompt_attention_mask=negative_prompt_attention_mask,
    num_images_per_prompt=1,
    output_type="latent",
).images

del pipe.transformer
flush()

请注意，在初始化 pipe 时，您将 text_encoder 设置为 None，这样就不会加载它。

一旦计算出潜在变量 (latents)，就将其传递给 VAE 进行解码，生成真实的图像。

with torch.no_grad():
    image = pipe.vae.decode(latents / pipe.vae.config.scaling_factor, return_dict=False)[0]
image = pipe.image_processor.postprocess(image, output_type="pil")[0]
image.save("cat.png")

通过删除您不使用的组件并清理 GPU 显存 (VRAM)，您应该能够以低于 8GB GPU 显存 (VRAM) 运行 PixArtSigmaPipeline。

如果您想要内存使用报告，请运行这个脚本。

以 8 位计算的文本嵌入 (Text embeddings) 可能会影响生成图像的质量，因为降低的精度会导致表征空间中的信息丢失。建议比较使用和不使用 8 位时的输出结果。

在加载 text_encoder 时，您将 load_in_8bit 设置为 True。您也可以指定 load_in_4bit，以进一步降低内存需求至 7GB 以下。

PixArtSigmaPipeline

class diffusers.PixArtSigmaPipeline

< >

( tokenizer: T5Tokenizer text_encoder: T5EncoderModel vae: AutoencoderKL transformer: PixArtTransformer2DModel scheduler: KarrasDiffusionSchedulers )

用于使用 PixArt-Sigma 进行文本到图像生成的 Pipeline。

__call__

< >

( prompt: typing.Union[str, typing.List[str]] = None negative_prompt: str = '' num_inference_steps: int = 20 timesteps: typing.List[int] = None sigmas: typing.List[float] = None guidance_scale: float = 4.5 num_images_per_prompt: typing.Optional[int] = 1 height: typing.Optional[int] = None width: typing.Optional[int] = None eta: float = 0.0 generator: typing.Union[torch._C.Generator, typing.List[torch._C.Generator], NoneType] = None latents: typing.Optional[torch.Tensor] = None prompt_embeds: typing.Optional[torch.Tensor] = None prompt_attention_mask: typing.Optional[torch.Tensor] = None negative_prompt_embeds: typing.Optional[torch.Tensor] = None negative_prompt_attention_mask: typing.Optional[torch.Tensor] = None output_type: typing.Optional[str] = 'pil' return_dict: bool = True callback: typing.Optional[typing.Callable[[int, int, torch.Tensor], NoneType]] = None callback_steps: int = 1 clean_caption: bool = True use_resolution_binning: bool = True max_sequence_length: int = 300 **kwargs ) → ImagePipelineOutput or tuple

参数

  • prompt (str 或 List[str], 可选) — 用于引导图像生成的提示词 (prompt)。如果未定义，则必须传入 prompt_embeds。
  • negative_prompt (str 或 List[str], 可选) — 不用于引导图像生成的提示词 (prompt)。如果未定义，则必须传入 negative_prompt_embeds。当不使用 guidance 时（即，如果 guidance_scale 小于 1 时）将被忽略。
  • num_inference_steps (int, 可选, 默认为 100) — 去噪步骤 (denoising steps) 的数量。更多的去噪步骤通常会带来更高质量的图像，但会牺牲推理速度。
  • timesteps (List[int], 可选) — 用于去噪过程的自定义时间步长 (timesteps)，适用于在其 set_timesteps 方法中支持 timesteps 参数的调度器 (schedulers)。如果未定义，将使用传递 num_inference_steps 时的默认行为。必须以降序排列。
  • sigmas (List[float], 可选) — 用于去噪过程的自定义 sigmas，适用于在其 set_timesteps 方法中支持 sigmas 参数的调度器 (schedulers)。如果未定义，将使用传递 num_inference_steps 时的默认行为。
  • guidance_scale (float, 可选, 默认为 4.5) — Guidance scale，定义见 Classifier-Free Diffusion Guidance。 guidance_scale 定义为 Imagen Paper 公式 2 中的 w。通过设置 guidance_scale > 1 启用 Guidance scale。较高的 guidance scale 鼓励生成与文本 prompt 紧密相关的图像，但通常会以降低图像质量为代价。
  • num_images_per_prompt (int, 可选, 默认为 1) — 每个 prompt 生成的图像数量。
  • height (int, 可选, 默认为 self.unet.config.sample_size) — 生成图像的高度像素值。
  • width (int, 可选, 默认为 self.unet.config.sample_size) — 生成图像的宽度像素值。
  • eta (float, 可选, 默认为 0.0) — 对应于 DDIM 论文中的参数 eta (η): https://arxiv.org/abs/2010.02502。仅适用于 schedulers.DDIMScheduler，对其他调度器将被忽略。
  • generator (torch.Generator 或 List[torch.Generator], 可选) — 用于使生成过程具有确定性的 torch generator(s) 或列表。
  • latents (torch.Tensor, 可选) — 预生成的噪声潜在变量 (noisy latents)，从高斯分布中采样，用作图像生成的输入。可用于通过不同的 prompt 微调相同的生成结果。如果未提供，将通过使用提供的随机 generator 采样来生成 latents 张量。
  • prompt_embeds (torch.Tensor, 可选) — 预生成的文本嵌入 (text embeddings)。可用于轻松调整文本输入，例如 prompt 权重。如果未提供，将从 prompt 输入参数生成文本嵌入。
  • prompt_attention_mask (torch.Tensor, 可选) — 预生成的文本嵌入 (text embeddings) 的注意力掩码 (attention mask)。
  • negative_prompt_embeds (torch.Tensor, 可选) — 预生成的负面文本嵌入 (negative text embeddings)。对于 PixArt-Sigma，此负面 prompt 应为 ""。如果未提供，将从 negative_prompt 输入参数生成 negative_prompt_embeds。
  • negative_prompt_attention_mask (torch.Tensor, 可选) — 预生成的负面文本嵌入 (negative text embeddings) 的注意力掩码 (attention mask)。
  • output_type (str, 可选, 默认为 "pil") — 生成图像的输出格式。在 PIL: PIL.Image.Image 或 np.array 之间选择。
  • return_dict (bool, 可选, 默认为 True) — 是否返回 ~pipelines.stable_diffusion.IFPipelineOutput 而不是普通的元组 (tuple)。
  • callback (Callable, 可选) — 一个函数，它将在推理 (inference) 期间每 callback_steps 步被调用。该函数将使用以下参数调用：callback(step: int, timestep: int, latents: torch.Tensor)。
  • callback_steps (int, 可选, 默认为 1) — callback 函数将被调用的频率。如果未指定，则将在每个步骤调用回调。
  • clean_caption (bool, 可选, 默认为 True) — 是否在创建 embeddings 之前清理 caption。需要安装 beautifulsoup4 和 ftfy。如果未安装这些依赖项，将从原始 prompt 创建 embeddings。
  • use_resolution_binning (bool 默认为 True) — 如果设置为 True，请求的高度和宽度将首先使用 ASPECT_RATIO_1024_BIN 映射到最接近的分辨率。在生成的 latents 被解码为图像后，它们将被调整回请求的分辨率。这对于生成非正方形图像很有用。
  • max_sequence_length (int 默认为 300) — 与 prompt 一起使用的最大序列长度。

返回

ImagePipelineOutput 或 tuple

如果 return_dict 为 True，则返回 ImagePipelineOutput，否则返回一个 tuple，其中第一个元素是包含生成图像的列表

调用 pipeline 进行生成时调用的函数。

示例

>>> import torch
>>> from diffusers import PixArtSigmaPipeline

>>> # You can replace the checkpoint id with "PixArt-alpha/PixArt-Sigma-XL-2-512-MS" too.
>>> pipe = PixArtSigmaPipeline.from_pretrained(
...     "PixArt-alpha/PixArt-Sigma-XL-2-1024-MS", torch_dtype=torch.float16
... )
>>> # Enable memory optimizations.
>>> # pipe.enable_model_cpu_offload()

>>> prompt = "A small cactus with a happy face in the Sahara desert."
>>> image = pipe(prompt).images[0]

encode_prompt

< >

( prompt: typing.Union[str, typing.List[str]] do_classifier_free_guidance: bool = True negative_prompt: str = '' num_images_per_prompt: int = 1 device: typing.Optional[torch.device] = None prompt_embeds: typing.Optional[torch.Tensor] = None negative_prompt_embeds: typing.Optional[torch.Tensor] = None prompt_attention_mask: typing.Optional[torch.Tensor] = None negative_prompt_attention_mask: typing.Optional[torch.Tensor] = None clean_caption: bool = False max_sequence_length: int = 300 **kwargs )

参数

  • prompt (str 或 List[str], 可选) — 要编码的 prompt
  • negative_prompt (str 或 List[str], 可选) — 不用于引导图像生成的 prompt。如果未定义，则必须传递 negative_prompt_embeds。当不使用 guidance 时忽略（即，如果 guidance_scale 小于 1 则忽略）。对于 PixArt-Alpha，这应为 ""。
  • do_classifier_free_guidance (bool, 可选, 默认为 True) — 是否使用 classifier free guidance
  • num_images_per_prompt (int, 可选, 默认为 1) — 每个 prompt 应生成的图像数量
  • device — (torch.device, 可选): 用于放置结果 embeddings 的 torch 设备
  • prompt_embeds (torch.Tensor, 可选) — 预生成的文本 embeddings。可用于轻松调整文本输入，例如 prompt weighting。如果未提供，则将从 prompt 输入参数生成文本 embeddings。
  • negative_prompt_embeds (torch.Tensor, 可选) — 预生成的负文本 embeddings。对于 PixArt-Alpha，它应该是 "" 字符串的 embeddings。
  • clean_caption (bool, 默认为 False) — 如果为 True，该函数将在编码之前预处理和清理提供的 caption。
  • max_sequence_length (int, 默认为 300) — 用于 prompt 的最大序列长度。

将 prompt 编码为文本编码器隐藏状态。

< > 在 GitHub 上更新

←PixArt-α Sana→