Hugging Face 的 LOGO

Diffusers 文档

PixArt-Σ

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

PixArt-Σ

PixArt-Σ：扩散 Transformer 的从弱到强训练，用于 4K 文本到图像生成 由 Junsong Chen、Jincheng Yu、Chongjian Ge、Lewei Yao、Enze Xie、Yue Wu、Zhongdao Wang、James Kwok、Ping Luo、Huchuan Lu 和 Zhenguo Li 撰写。

论文摘要如下：

在本文中，我们介绍了 PixArt-Σ，一个能够直接生成 4K 分辨率图像的扩散 Transformer 模型（DiT）。PixArt-Σ 相较于其前身 PixArt-α 取得了显著进步，提供了更高保真度的图像并改善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”的基线模型演变为“更强”的模型，我们称之为“从弱到强训练”。PixArt-Σ 的进步体现在两个方面：（1）高质量训练数据：PixArt-Σ 采用了更高质量的图像数据，并配以更精确和详细的图像字幕。（2）高效 Token 压缩：我们提出了 DiT 框架内的一种新颖的注意力模块，它能同时压缩键和值，显著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 在显著小于现有文本到图像扩散模型（如 SDXL (2.6B 参数) 和 SD Cascade (5.1B 参数)）的模型尺寸（0.6B 参数）下，实现了卓越的图像质量和用户提示一致性能力。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，有效促进了电影和游戏等行业高质量视觉内容的生产。

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

关于此管道的一些注意事项

  • 它使用 Transformer 主干（而不是 UNet）进行去噪。因此，它的架构与 DiT 相似。
  • 它使用从 T5 计算的文本条件进行训练。这使得该管道更擅长遵循具有复杂细节的复杂文本提示。
  • 它擅长生成不同纵横比的高分辨率图像。为了获得最佳结果，作者推荐了一些尺寸范围，可以在这里找到。
  • 它在质量上与当前最先进的文本到图像生成系统（截至本文撰写时）如 PixArt-α、Stable Diffusion XL、Playground V2.0 和 DALL-E 3 相媲美，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一些改进（VAEs、数据集等）从一个弱模型发展成为一个更强的模型。

请务必查看“调度器”指南，了解如何探索调度器速度与质量之间的权衡，并查看“跨管道重用组件”部分，了解如何有效地将相同组件加载到多个管道中。

您可以将 PixArtSigmaPipeline 生成的图像传递给 SDXL 细化器模型，进一步提高生成质量。

使用低于 8GB GPU 显存进行推理

通过以 8 位精度加载文本编码器，您可以使用低于 8GB GPU 显存运行 PixArtSigmaPipeline。我们来看一个完整的示例。

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 对提示进行编码

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

由于文本嵌入已经计算完毕，从内存中移除 text_encoder 和 pipe，并释放一些 GPU 显存

import gc

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

del text_encoder
del pipe
flush()

然后使用提示嵌入作为输入计算潜在变量

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，这样它就不会被加载。

一旦潜在变量计算完毕，将其传递给 VAE 进行解码，生成真实图像

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")

通过删除未使用的组件并刷新 GPU 显存，您应该能够在低于 8GB GPU 显存的情况下运行 PixArtSigmaPipeline。

如果您想要内存使用报告，请运行此 脚本。

以 8 位计算的文本嵌入可能会影响生成图像的质量，因为精度降低导致表示空间中的信息丢失。建议比较 8 位和非 8 位输出。

加载 text_encoder 时，您将 load_in_8bit 设置为 True。您也可以指定 load_in_4bit 以进一步将内存需求降至 7GB 以下。

PixArtSigmaPipeline

class diffusers.PixArtSigmaPipeline

< >

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

用于文本到图像生成的 PixArt-Sigma 管道。

__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 或 tuple

参数

  • prompt (str 或 List[str], 可选) — 用于引导图像生成的提示词。如果未定义，则必须传递 prompt_embeds。
  • negative_prompt (str 或 List[str], 可选) — 不用于引导图像生成的提示词。如果未定义，则必须传递 negative_prompt_embeds。当不使用引导时（即，如果 guidance_scale 小于 1），此参数将被忽略。
  • num_inference_steps (int, 可选, 默认为 100) — 去噪步数。更多去噪步数通常会带来更高质量的图像，但推理速度会变慢。
  • timesteps (List[int], 可选) — 用于去噪过程的自定义时间步长，适用于支持 set_timesteps 方法中 timesteps 参数的调度器。如果未定义，将使用传递 num_inference_steps 时的默认行为。必须按降序排列。
  • sigmas (List[float], 可选) — 用于去噪过程的自定义 σ 值，适用于支持 set_timesteps 方法中 sigmas 参数的调度器。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) — 如 无分类器引导扩散 中定义的引导比例。guidance_scale 定义为 Imagen 论文 中公式 2 的 w。通过设置 guidance_scale > 1 来启用引导比例。更高的引导比例会促使生成与文本 prompt 紧密相关的图像，通常以牺牲较低图像质量为代价。
  • num_images_per_prompt (int, 可选, 默认为 1) — 每个提示词生成的图像数量。
  • height (int, 可选, 默认为 self.unet.config.sample_size) — 生成图像的像素高度。
  • width (int, 可选, 默认为 self.unet.config.sample_size) — 生成图像的像素宽度。
  • eta (float, 可选, 默认为 0.0) — 对应于 DDIM 论文中的参数 eta (η)：https://huggingface.co/papers/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) — 一个或多个 torch 生成器，用于使生成确定性。
  • latents (torch.Tensor, 可选) — 预先生成的噪声潜在变量，从高斯分布中采样，用作图像生成的输入。可用于使用不同提示词调整同一生成。如果未提供，将使用提供的随机 generator 采样生成潜在变量张量。
  • prompt_embeds (torch.Tensor, 可选) — 预生成的文本嵌入。可用于轻松调整文本输入，例如提示词权重。如果未提供，文本嵌入将从 prompt 输入参数生成。
  • prompt_attention_mask (torch.Tensor, 可选) — 文本嵌入的预生成注意力掩码。
  • negative_prompt_embeds (torch.Tensor, 可选) — 预生成的负面文本嵌入。对于 PixArt-Sigma，这个负面提示词应该是 ""。如果未提供，negative_prompt_embeds 将从 negative_prompt 输入参数生成。
  • negative_prompt_attention_mask (torch.Tensor, 可选) — 负面文本嵌入的预生成注意力掩码。
  • 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 而不是普通元组。
  • callback (Callable, 可选) — 在推理过程中，每隔 callback_steps 步调用的函数。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 函数被调用的频率。如果未指定，回调将在每一步都被调用。
  • clean_caption (bool, 可选, 默认为 True) — 是否在创建嵌入之前清理标题。需要安装 beautifulsoup4 和 ftfy。如果未安装这些依赖项，嵌入将从原始提示词创建。
  • use_resolution_binning (bool 默认为 True) — 如果设置为 True，则首先使用 ASPECT_RATIO_1024_BIN 将请求的高度和宽度映射到最接近的分辨率。生成的潜在变量解码为图像后，会将其大小调整回请求的分辨率。有助于生成非方形图像。
  • 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，其中第一个元素是生成的图像列表

调用管道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) — 待编码的提示词
  • negative_prompt (str 或 List[str], 可选) — 不用于引导图像生成的提示词。如果未定义，则必须传入 negative_prompt_embeds。当不使用引导时（即，如果 guidance_scale 小于 1 时被忽略）。对于 PixArt-Alpha，这应该是空字符串 “”。
  • do_classifier_free_guidance (bool, 可选, 默认为 True) — 是否使用分类器自由引导。
  • num_images_per_prompt (int, 可选, 默认为 1) — 每个提示词应生成的图像数量。
  • device — (torch.device, 可选): 放置结果嵌入的 torch 设备。
  • prompt_embeds (torch.Tensor, 可选) — 预生成的文本嵌入。可用于轻松调整文本输入，例如提示词权重。如果未提供，将从 prompt 输入参数生成文本嵌入。
  • negative_prompt_embeds (torch.Tensor, 可选) — 预生成的负面文本嵌入。对于 PixArt-Alpha，它应该是 “” 字符串的嵌入。
  • clean_caption (bool, 默认为 False) — 如果为 True，函数将在编码前预处理和清理提供的标题。
  • max_sequence_length (int, 默认为 300) — 用于提示词的最大序列长度。

将提示编码为文本编码器隐藏状态。

< > 在 GitHub 上更新

←PixArt-α Sana→