Hugging Face 的徽标

Diffusers 文档

图像到图像

Hugging Face's logo
加入 Hugging Face 社区

并获取增强文档体验

开始使用

图像到图像

稳定扩散模型也可以应用于图像到图像的生成，方法是传递一个文本提示和一个初始图像来调节新图像的生成。

该 StableDiffusionImg2ImgPipeline 使用在 SDEdit：使用随机微分方程进行引导图像合成和编辑 中提出的扩散去噪机制，由陈林梦、何雨彤、宋阳、宋嘉明、吴佳俊、朱俊燕和斯特凡诺·埃尔蒙发表。

论文摘要如下：

引导图像合成使普通用户能够以最少的努力创建和编辑逼真的图像。关键挑战是在对用户输入（例如，手绘彩色笔触）的忠实度和合成图像的真实感之间取得平衡。现有的基于 GAN 的方法试图通过使用条件 GAN 或 GAN 反演来实现这种平衡，这具有挑战性，并且通常需要针对单个应用的额外训练数据或损失函数。为了解决这些问题，我们引入了一种新的图像合成和编辑方法，即随机微分编辑 (SDEdit)，它基于扩散模型生成先验，通过迭代去噪通过随机微分方程 (SDE) 合成逼真的图像。给定一个带有任何类型用户指南的输入图像，SDEdit 首先向输入添加噪声，然后随后通过 SDE 先验对生成的图像进行去噪，以提高其真实感。SDEdit 不需要特定于任务的训练或反演，并且可以自然地实现真实感和忠实度之间的平衡。根据一项人类感知研究，在多个任务上，包括基于笔触的图像合成和编辑以及图像合成，SDEdit 在真实感方面比最先进的基于 GAN 的方法的性能高出 98.09%，在整体满意度得分方面高出 91.72%。

请务必查看稳定扩散 提示 部分，了解如何探索调度器速度和质量之间的权衡，以及如何有效地重用管道组件！

StableDiffusionImg2ImgPipeline

类 diffusers.StableDiffusionImg2ImgPipeline

< >

( vae: AutoencoderKL text_encoder: CLIPTextModel tokenizer: CLIPTokenizer unet: UNet2DConditionModel scheduler: KarrasDiffusionSchedulers safety_checker: StableDiffusionSafetyChecker feature_extractor: CLIPImageProcessor image_encoder: CLIPVisionModelWithProjection = None requires_safety_checker: bool = True )

参数

  • vae (AutoencoderKL) — 变分自动编码器 (VAE) 模型，用于将图像编码和解码到潜在表示中，以及从潜在表示中解码图像。
  • text_encoder (CLIPTextModel) — 冻结的文本编码器 (clip-vit-large-patch14)。
  • tokenizer (CLIPTokenizer) — 用于分词文本的 CLIPTokenizer。
  • unet (UNet2DConditionModel) — 用于对编码图像潜在表示进行去噪的 UNet2DConditionModel。
  • scheduler (SchedulerMixin) — 与 unet 结合使用以对编码图像潜在表示进行去噪的调度器。可以是 DDIMScheduler、LMSDiscreteScheduler 或 PNDMScheduler 之一。
  • safety_checker (StableDiffusionSafetyChecker) — 用于估计生成图像是否可能被认为具有攻击性或有害的分类模块。有关模型潜在危害的更多详细信息，请参阅 模型卡片。
  • feature_extractor (CLIPImageProcessor) — 用于从生成图像中提取特征的 CLIPImageProcessor；用作 safety_checker 的输入。

使用 Stable Diffusion 进行文本引导图像到图像生成的管道。

此模型继承自 DiffusionPipeline。查看超类文档以了解为所有管道实现的通用方法（下载、保存、在特定设备上运行等）。

该管道还继承了以下加载方法

__call__

< >

( prompt: Union = None image: Union = None strength: float = 0.8 num_inference_steps: Optional = 50 timesteps: List = None sigmas: List = None guidance_scale: Optional = 7.5 negative_prompt: Union = None num_images_per_prompt: Optional = 1 eta: Optional = 0.0 generator: Union = None prompt_embeds: Optional = None negative_prompt_embeds: Optional = None ip_adapter_image: Union = None ip_adapter_image_embeds: Optional = None output_type: Optional = 'pil' return_dict: bool = True cross_attention_kwargs: Optional = None clip_skip: int = None callback_on_step_end: Union = None callback_on_step_end_tensor_inputs: List = ['latents'] **kwargs ) → StableDiffusionPipelineOutput 或 tuple

参数

  • prompt (str 或 List[str], 可选) — 指导图像生成的提示或提示列表。如果未定义，则需要传递 prompt_embeds。
  • image (torch.Tensor, PIL.Image.Image, np.ndarray, List[torch.Tensor], List[PIL.Image.Image] 或 List[np.ndarray]) — 表示图像批次的 Image、NumPy 数组或张量，用作起点。对于 NumPy 数组和 PyTorch 张量，预期值范围在 [0, 1] 之间。如果它是张量或张量列表，则预期形状应为 (B, C, H, W) 或 (C, H, W)。如果它是 NumPy 数组或数组列表，则预期形状应为 (B, H, W, C) 或 (H, W, C)。它还可以接受图像潜在变量作为 image，但如果直接传递潜在变量，则不会再次对其进行编码。
  • strength (float, 可选，默认为 0.8) — 指示转换参考 image 的程度。必须在 0 和 1 之间。image 用作起点，添加的噪声越多，strength 越高。降噪步骤的数量取决于最初添加的噪声量。当 strength 为 1 时，添加的噪声最大，并且降噪过程将持续 num_inference_steps 中指定的全部迭代次数。值 1 本质上会忽略 image。
  • num_inference_steps (int, 可选，默认为 50) — 降噪步骤的数量。更多的降噪步骤通常会导致更高的图像质量，但推理速度会变慢。此参数受 strength 调节。
  • timesteps (List[int], 可选) — 用于降噪过程的自定义时间步长，适用于在其 set_timesteps 方法中支持 timesteps 参数的调度器。如果未定义，则将使用传递 num_inference_steps 时的默认行为。必须按降序排列。
  • sigmas (List[float], 可选) — 用于降噪过程的自定义西格玛值，适用于在其 set_timesteps 方法中支持 sigmas 参数的调度器。如果未定义，则将使用传递 num_inference_steps 时的默认行为。
  • guidance_scale (float, 可选，默认为 7.5) — 更高的引导尺度值会鼓励模型生成与文本 prompt 密切相关的图像，但会以降低图像质量为代价。当 guidance_scale > 1 时启用引导尺度。
  • negative_prompt (str 或 List[str], 可选) — 用于指导图像生成中不包含什么的提示或提示。如果未定义，则需要传递 negative_prompt_embeds。在不使用引导（guidance_scale < 1）时忽略。
  • num_images_per_prompt (int, 可选，默认为 1) — 每个提示生成图像的数量。
  • eta (float, 可选，默认为 0.0) — 对应于来自 DDIM 论文的参数 eta (η)。仅适用于 DDIMScheduler，并在其他调度器中被忽略。
  • generator (torch.Generator 或 List[torch.Generator], 可选) — 用于使生成确定性的 torch.Generator。
  • 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（提示加权）。如果未提供，则从 prompt 输入参数生成文本嵌入。
  • negative_prompt_embeds (torch.Tensor, 可选) — 预生成的负文本嵌入。可用于轻松调整文本输入（提示加权）。如果未提供，则从 negative_prompt 输入参数生成 negative_prompt_embeds。ip_adapter_image — (PipelineImageInput, 可选): 可选图像输入，用于与 IP 适配器配合使用。
  • ip_adapter_image_embeds (List[torch.Tensor], 可选) — IP 适配器的预生成图像嵌入。它应该是一个与 IP 适配器数量相同的长度列表。每个元素都应该是一个形状为 (batch_size, num_images, emb_dim) 的张量。如果 do_classifier_free_guidance 设置为 True，则它应该包含负图像嵌入。如果未提供，则从 ip_adapter_image 输入参数计算嵌入。
  • output_type (str, 可选，默认为 "pil") — 生成的图像的输出格式。在 PIL.Image 或 np.array 之间选择。
  • return_dict (bool, 可选，默认为 True) — 是否返回 StableDiffusionPipelineOutput 而不是普通元组。
  • cross_attention_kwargs (dict, 可选) — 如果指定，则传递给 self.processor 中定义的 AttentionProcessor 的 kwargs 字典。
  • clip_skip (int, 可选) — 计算提示嵌入时跳过的 CLIP 层数。值为 1 表示将使用倒数第二层的输出计算提示嵌入。
  • callback_on_step_end (Callable, PipelineCallback, MultiPipelineCallbacks, 可选) — 推理过程中每个去噪步骤结束时调用的函数或 PipelineCallback 或 MultiPipelineCallbacks 的子类。其参数如下：callback_on_step_end(self: DiffusionPipeline, step: int, timestep: int, callback_kwargs: Dict)。callback_kwargs 将包含由 callback_on_step_end_tensor_inputs 指定的所有张量的列表。
  • callback_on_step_end_tensor_inputs (List, 可选) — callback_on_step_end 函数的张量输入列表。列表中指定的张量将作为 callback_kwargs 参数传递。您只能包含管道类 ._callback_tensor_inputs 属性中列出的变量。

返回

StableDiffusionPipelineOutput 或 tuple

如果 return_dict 为 True，则返回 StableDiffusionPipelineOutput，否则返回一个 tuple，其中第一个元素是生成的图像列表，第二个元素是 bool 值列表，指示相应的生成图像是否包含“不适合工作场所”（nsfw）内容。

管道生成调用的函数。

示例

>>> import requests
>>> import torch
>>> from PIL import Image
>>> from io import BytesIO

>>> from diffusers import StableDiffusionImg2ImgPipeline

>>> device = "cuda"
>>> model_id_or_path = "runwayml/stable-diffusion-v1-5"
>>> pipe = StableDiffusionImg2ImgPipeline.from_pretrained(model_id_or_path, torch_dtype=torch.float16)
>>> pipe = pipe.to(device)

>>> url = "https://raw.githubusercontent.com/CompVis/stable-diffusion/main/assets/stable-samples/img2img/sketch-mountains-input.jpg"

>>> response = requests.get(url)
>>> init_image = Image.open(BytesIO(response.content)).convert("RGB")
>>> init_image = init_image.resize((768, 512))

>>> prompt = "A fantasy landscape, trending on artstation"

>>> images = pipe(prompt=prompt, image=init_image, strength=0.75, guidance_scale=7.5).images
>>> images[0].save("fantasy_landscape.png")

enable_attention_slicing

< >

( slice_size: Union = 'auto' )

参数

  • slice_size (str 或 int, 可选，默认为 "auto") — 当为 "auto" 时，将输入到注意力头的输入减半，因此注意力将分两步计算。如果为 "max"，则通过一次仅运行一个切片来节省最大内存。如果提供了一个数字，则使用与 attention_head_dim // slice_size 相同数量的切片。在这种情况下，attention_head_dim 必须是 slice_size 的倍数。

启用切片注意力计算。启用此选项后，注意力模块会将输入张量拆分为切片，以便分多个步骤计算注意力。对于多个注意力头，计算将按每个头的顺序执行。这对于以牺牲少量速度降低为代价来节省一些内存很有用。

⚠️ 如果您已经在使用 PyTorch 2.0 或 xFormers 中的 scaled_dot_product_attention (SDPA)，请不要启用注意力切片。这些注意力计算本身已经非常节省内存，因此您无需启用此功能。如果使用 SDPA 或 xFormers 启用注意力切片，可能会导致严重的减速！

示例

>>> import torch
>>> from diffusers import StableDiffusionPipeline

>>> pipe = StableDiffusionPipeline.from_pretrained(
...     "runwayml/stable-diffusion-v1-5",
...     torch_dtype=torch.float16,
...     use_safetensors=True,
... )

>>> prompt = "a photo of an astronaut riding a horse on mars"
>>> pipe.enable_attention_slicing()
>>> image = pipe(prompt).images[0]

disable_attention_slicing

< >

( )

禁用切片注意力计算。如果之前调用了 enable_attention_slicing，则注意力将一步计算。

enable_xformers_memory_efficient_attention

< >

( attention_op: Optional = None )

参数

  • attention_op (Callable, 可选) — 覆盖默认的 None 运算符，用作 xFormers 的 memory_efficient_attention() 函数的 op 参数。

启用来自 xFormers 的内存高效注意力。启用此选项后，您应该会观察到更低的 GPU 内存使用量，以及推理过程中的潜在加速。训练过程中的加速无法保证。

⚠️ 当同时启用内存高效注意力和切片注意力时，内存高效注意力优先。

示例

>>> import torch
>>> from diffusers import DiffusionPipeline
>>> from xformers.ops import MemoryEfficientAttentionFlashAttentionOp

>>> pipe = DiffusionPipeline.from_pretrained("stabilityai/stable-diffusion-2-1", torch_dtype=torch.float16)
>>> pipe = pipe.to("cuda")
>>> pipe.enable_xformers_memory_efficient_attention(attention_op=MemoryEfficientAttentionFlashAttentionOp)
>>> # Workaround for not accepting attention shape using VAE for Flash Attention
>>> pipe.vae.enable_xformers_memory_efficient_attention(attention_op=None)

disable_xformers_memory_efficient_attention

< >

( )

禁用来自 xFormers 的内存高效注意力。

load_textual_inversion

< >

( pretrained_model_name_or_path: Union token: Union = None tokenizer: Optional = None text_encoder: Optional = None **kwargs )

参数

  • pretrained_model_name_or_path (str 或 os.PathLike 或 List[str or os.PathLike] 或 Dict 或 List[Dict]) — 可以是以下之一或它们的列表：

    • 一个字符串，预训练模型在 Hub 上托管的模型 ID（例如 sd-concepts-library/low-poly-hd-logos-icons）。
    • 包含文本反转权重的目录的路径（例如 ./my_text_inversion_directory/）。
    • 包含文本反转权重的文件的路径（例如 ./my_text_inversions.pt）。
    • 一个 torch 状态字典。
  • token (str 或 List[str], 可选) — 覆盖要用于文本反转权重的令牌。如果 pretrained_model_name_or_path 是一个列表，则 token 也必须是长度相等的列表。
  • text_encoder (CLIPTextModel, 可选) — 冻结的文本编码器 (clip-vit-large-patch14)。如果未指定，则函数将使用 self.tokenizer。
  • tokenizer (CLIPTokenizer, 可选) — 用于分词文本的 CLIPTokenizer。如果未指定，则函数将使用 self.tokenizer。
  • weight_name (str, 可选) — 自定义权重文件的名称。这应该在以下情况下使用：

    • 保存的文本反转文件采用 🤗 Diffusers 格式，但以特定权重名称（例如 text_inv.bin）保存。
    • 保存的文本反转文件采用 Automatic1111 格式。
  • cache_dir (Union[str, os.PathLike], 可选) — 下载的预训练模型配置缓存的目录路径，如果未使用标准缓存。
  • force_download (bool, 可选，默认为 False) — 是否强制（重新）下载模型权重和配置文件，如果缓存版本存在则覆盖它们。
  • proxies (Dict[str, str]，可选) — 用于按协议或端点使用代理服务器的字典，例如 {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}。这些代理用于每个请求。
  • local_files_only (bool，可选，默认为 False) — 是否仅加载本地模型权重和配置文件。如果设置为 True，则模型不会从 Hub 下载。
  • token (str 或 bool，可选) — 用作远程文件 HTTP 载体授权的令牌。如果为 True，则使用 diffusers-cli login 生成的令牌（存储在 ~/.huggingface 中）。
  • revision (str，可选，默认为 "main") — 要使用的特定模型版本。它可以是分支名称、标签名称、提交 ID 或 Git 允许的任何标识符。
  • subfolder (str，可选，默认为 "") — Hub 或本地较大模型存储库中模型文件的子文件夹位置。
  • mirror (str，可选) — 如果您在中国下载模型，则镜像源可用于解决可访问性问题。我们不保证来源的及时性或安全性，您应该参考镜像站点以获取更多信息。

将文本反转嵌入加载到 StableDiffusionPipeline 的文本编码器中（支持 🤗 Diffusers 和 Automatic1111 格式）。

示例

要加载 🤗 Diffusers 格式的文本反转嵌入向量

from diffusers import StableDiffusionPipeline
import torch

model_id = "runwayml/stable-diffusion-v1-5"
pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16).to("cuda")

pipe.load_textual_inversion("sd-concepts-library/cat-toy")

prompt = "A <cat-toy> backpack"

image = pipe(prompt, num_inference_steps=50).images[0]
image.save("cat-backpack.png")

要加载 Automatic1111 格式的文本反转嵌入向量，请确保首先下载该向量（例如，从 civitAI），然后加载该向量

本地

from diffusers import StableDiffusionPipeline
import torch

model_id = "runwayml/stable-diffusion-v1-5"
pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16).to("cuda")

pipe.load_textual_inversion("./charturnerv2.pt", token="charturnerv2")

prompt = "charturnerv2, multiple views of the same character in the same outfit, a character turnaround of a woman wearing a black jacket and red shirt, best quality, intricate details."

image = pipe(prompt, num_inference_steps=50).images[0]
image.save("character.png")

from_single_file

< >

( pretrained_model_link_or_path **kwargs )

参数

  • pretrained_model_link_or_path (str 或 os.PathLike，可选) — 可以是：

    • Hub 上 .ckpt 文件的链接（例如 "https://huggingface.co/<repo_id>/blob/main/<path_to_file>.ckpt"）。
    • 包含所有管道权重的文件的路径。
  • torch_dtype (str 或 torch.dtype，可选) — 覆盖默认的 torch.dtype 并使用另一种 dtype 加载模型。
  • cache_dir (Union[str, os.PathLike], 可选) — 如果不使用标准缓存，则为下载预训练模型配置缓存到的目录路径。
  • proxies (Dict[str, str], 可选) — 一个包含要按协议或端点使用的代理服务器的字典，例如 {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}。这些代理在每个请求中使用。
  • local_files_only (bool, 可选，默认为 False) — 是否仅加载本地模型权重和配置文件。如果设置为 True，则模型不会从 Hub 下载。
  • token (str 或 bool, 可选) — 用作远程文件 HTTP 授权标头的令牌。如果为 True，则使用 diffusers-cli login 生成的令牌（存储在 ~/.huggingface 中）。
  • revision (str, 可选，默认为 "main") — 要使用的特定模型版本。它可以是分支名称、标签名称、提交 ID 或 Git 允许的任何标识符。
  • original_config_file (str, 可选) — 用于训练模型的原始配置文件的路径。如果未提供，则将从检查点文件推断配置文件。
  • config (str, 可选) — 可以是：

    • 一个字符串，预训练管道在 Hub 上托管的仓库 ID（例如 CompVis/ldm-text2im-large-256）。
    • 一个目录的路径（例如 ./my_pipeline_directory/），其中包含 Diffusers 格式的管道组件配置。
  • kwargs (其余关键字参数的字典，可选) — 可用于覆盖加载和可保存变量（特定管道类的管道组件）。覆盖的组件将直接传递到管道的 __init__ 方法。有关更多信息，请参见下面的示例。

从以 .ckpt 或 .safetensors 格式保存的预训练管道权重实例化一个 DiffusionPipeline。默认情况下，管道设置为评估模式（model.eval()）。

示例

>>> from diffusers import StableDiffusionPipeline

>>> # Download pipeline from huggingface.co and cache.
>>> pipeline = StableDiffusionPipeline.from_single_file(
...     "https://huggingface.co/WarriorMama777/OrangeMixs/blob/main/Models/AbyssOrangeMix/AbyssOrangeMix.safetensors"
... )

>>> # Download pipeline from local file
>>> # file is downloaded under ./v1-5-pruned-emaonly.ckpt
>>> pipeline = StableDiffusionPipeline.from_single_file("./v1-5-pruned-emaonly.ckpt")

>>> # Enable float16 and move to GPU
>>> pipeline = StableDiffusionPipeline.from_single_file(
...     "https://huggingface.co/runwayml/stable-diffusion-v1-5/blob/main/v1-5-pruned-emaonly.ckpt",
...     torch_dtype=torch.float16,
... )
>>> pipeline.to("cuda")

load_lora_weights

< >

( pretrained_model_name_or_path_or_dict: Union adapter_name = None **kwargs )

参数

  • kwargs (dict, 可选) — 请参阅 lora_state_dict()。
  • adapter_name (str, 可选) — 用于引用已加载适配器模型的适配器名称。如果未指定，它将使用 default_{i}，其中 i 是正在加载的适配器总数。

将 pretrained_model_name_or_path_or_dict 中指定的 LoRA 权重加载到 self.unet 和 self.text_encoder 中。

所有 kwargs 都转发到 self.lora_state_dict。

请参阅 lora_state_dict()，了解有关如何加载状态字典的更多详细信息。

请参阅 load_lora_into_unet()，了解有关如何将状态字典加载到 self.unet 中的更多详细信息。

请参阅 load_lora_into_text_encoder()，了解有关如何将状态字典加载到 self.text_encoder 中的更多详细信息。

save_lora_weights

< >

( save_directory: Union unet_lora_layers: Dict = None text_encoder_lora_layers: Dict = None is_main_process: bool = True weight_name: str = None save_function: Callable = None safe_serialization: bool = True )

参数

  • save_directory (str 或 os.PathLike) — 保存 LoRA 参数的目录。如果不存在，将创建它。
  • unet_lora_layers (Dict[str, torch.nn.Module] 或 Dict[str, torch.Tensor]) — 与 unet 对应的 LoRA 层的状态字典。
  • text_encoder_lora_layers (Dict[str, torch.nn.Module] 或 Dict[str, torch.Tensor]) — 与 text_encoder 对应的 LoRA 层的状态字典。必须显式传递文本编码器 LoRA 状态字典，因为它来自 🤗 Transformers。
  • is_main_process (bool, 可选，默认为 True) — 调用此函数的进程是否为主进程。在分布式训练期间有用，您需要在所有进程上调用此函数。在这种情况下，仅在主进程上将 is_main_process=True 设置为避免竞争条件。
  • save_function (Callable) — 用于保存状态字典的函数。在分布式训练期间有用，当您需要用其他方法替换 torch.save 时。可以使用环境变量 DIFFUSERS_SAVE_MODE 进行配置。
  • safe_serialization (bool, 可选，默认为 True) — 是否使用 safetensors 或使用传统的 PyTorch 方法（使用 pickle）保存模型。

保存与 UNet 和文本编码器对应的 LoRA 参数。

encode_prompt

< >

( prompt device num_images_per_prompt do_classifier_free_guidance negative_prompt = None prompt_embeds: Optional = None negative_prompt_embeds: Optional = None lora_scale: Optional = None clip_skip: Optional = None )

参数

  • prompt (str 或 List[str], 可选) — 要编码的提示 device — (torch.device): torch 设备
  • num_images_per_prompt (int) — 每个提示应生成的图像数量
  • do_classifier_free_guidance (bool) — 是否使用分类器免费引导
  • negative_prompt (str 或 List[str], 可选) — 用于不引导图像生成的提示或提示。如果未定义，则必须传递 negative_prompt_embeds。在不使用引导时忽略（即，如果 guidance_scale 小于 1，则忽略）。
  • 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，例如提示加权。如果未提供，则将从 prompt 输入参数生成文本嵌入。
  • negative_prompt_embeds (torch.Tensor, 可选) — 预生成的负文本嵌入。可用于轻松调整文本输入，例如提示加权。如果未提供，则将从 negative_prompt 输入参数生成 negative_prompt_embeds。
  • lora_scale (float, 可选) — 如果加载了 LoRA 层，则将应用于文本编码器所有 LoRA 层的 LoRA 比例。
  • clip_skip (int, 可选) — 计算提示嵌入时要从 CLIP 跳过的层数。值为 1 表示将使用倒数第二层的输出计算提示嵌入。

将提示编码为文本编码器隐藏状态。

get_guidance_scale_embedding

< >

( w: 张量 embedding_dim: int = 512 dtype: 数据类型 = torch.float32 ) → torch.Tensor

参数

  • w (torch.Tensor) — 使用指定的引导尺度生成嵌入向量，以随后丰富时间步长嵌入。
  • embedding_dim (int, 可选, 默认为 512) — 要生成的嵌入的维度。
  • dtype (torch.dtype, 可选, 默认为 torch.float32) — 生成的嵌入的数据类型。

返回

torch.Tensor

形状为 (len(w), embedding_dim) 的嵌入向量。

参见 https://github.com/google-research/vdm/blob/dc27b98a554f65cdc654b800da5aa1846545d41b/model_vdm.py#L298

StableDiffusionPipelineOutput

类 diffusers.pipelines.stable_diffusion.StableDiffusionPipelineOutput

< >

( images: 联合体 nsfw_content_detected: 可选 )

参数

  • images (List[PIL.Image.Image] 或 np.ndarray) — 长度为 batch_size 的去噪 PIL 图像列表或形状为 (batch_size, height, width, num_channels) 的 NumPy 数组。
  • nsfw_content_detected (List[bool]) — 指示相应的生成图像是否包含“不适合工作场所”（nsfw）内容的列表，如果无法执行安全检查，则为 None。

Stable Diffusion 管道的输出类。

FlaxStableDiffusionImg2ImgPipeline

类 diffusers.FlaxStableDiffusionImg2ImgPipeline

  • vae (FlaxAutoencoderKL) — 变分自动编码器 (VAE) 模型，用于将图像编码和解码到潜在表示中，以及从潜在表示中解码图像。
  • text_encoder (FlaxCLIPTextModel) — 冻结的文本编码器 (clip-vit-large-patch14)。
  • tokenizer (CLIPTokenizer) — 用于分词文本的 CLIPTokenizer。
  • unet (FlaxUNet2DConditionModel) — 用于对编码图像潜在表示进行去噪的 FlaxUNet2DConditionModel。
  • scheduler (SchedulerMixin) — 与 unet 结合使用以对编码图像潜在表示进行去噪的调度器。可以是 FlaxDDIMScheduler、FlaxLMSDiscreteScheduler、FlaxPNDMScheduler 或 FlaxDPMSolverMultistepScheduler 之一。
  • safety_checker (FlaxStableDiffusionSafetyChecker) — 用于评估生成的图像是否可能被视为冒犯性或有害的分类模块。有关模型潜在危害的更多详细信息，请参阅 模型卡片。
  • feature_extractor (CLIPImageProcessor) — 用于从生成图像中提取特征的 CLIPImageProcessor；用作 safety_checker 的输入。

基于 Flax 的管道，用于使用 Stable Diffusion 进行文本引导的图像到图像生成。

此模型继承自 FlaxDiffusionPipeline。查看超类文档以了解为所有管道实现的通用方法（下载、保存、在特定设备上运行等）。

__call__

< >

( prompt_ids: 数组 image: 数组 params: 联合类型 prng_seed: 数组 strength: 浮点数 = 0.8 num_inference_steps: 整数 = 50 height: 可选 = None width: 可选 = None guidance_scale: 联合类型 = 7.5 noise: 数组 = None neg_prompt_ids: 数组 = None return_dict: 布尔值 = True jit: 布尔值 = False ) → FlaxStableDiffusionPipelineOutput 或 元组

参数

  • prompt_ids (jnp.ndarray) — 指导图像生成的提示或提示。
  • image (jnp.ndarray) — 表示用作起始点的图像批次的数组。
  • params (Dict 或 FrozenDict) — 包含模型参数/权重的字典。
  • prng_seed (jax.Array 或 jax.Array) — 包含随机数生成器密钥的数组。
  • strength (float, 可选, 默认为 0.8) — 指示变换参考 image 的程度。必须在 0 和 1 之间。image 用作起点，添加的噪声越多，strength 越高。降噪步骤的数量取决于最初添加的噪声量。当 strength 为 1 时，添加的噪声最大，并且降噪过程在 num_inference_steps 中指定的完整迭代次数内运行。值为 1 本质上会忽略 image。
  • num_inference_steps (int, 可选, 默认为 50) — 降噪步骤的数量。更多的降噪步骤通常会导致更高的图像质量，但会以推理速度变慢为代价。此参数受 strength 调节。
  • height (int, 可选, 默认为 self.unet.config.sample_size * self.vae_scale_factor) — 生成的图像的高度（以像素为单位）。
  • width (int, 可选, 默认为 self.unet.config.sample_size * self.vae_scale_factor) — 生成的图像的宽度（以像素为单位）。
  • guidance_scale (float, 可选, 默认为 7.5) — 较高的引导尺度值鼓励模型生成与文本 prompt 密切相关的图像，但会以降低图像质量为代价。当 guidance_scale > 1 时启用引导尺度。
  • 噪声 (jnp.ndarray, 可选) — 从高斯分布中采样的预生成噪声潜在变量，用作图像生成的输入。可用于使用不同的提示调整相同的生成。该数组是使用提供的随机 generator 采样生成的。
  • return_dict (bool, 可选, 默认为 True) — 是否返回 FlaxStableDiffusionPipelineOutput 而不是普通元组。
  • jit (bool, 默认为 False) — 是否运行生成和安全评分函数的 pmap 版本。

    此参数存在是因为 __call__ 尚未实现端到端的 pmap。它将在将来的版本中移除。

返回

FlaxStableDiffusionPipelineOutput 或 tuple

如果 return_dict 为 True，则返回 FlaxStableDiffusionPipelineOutput，否则返回一个 tuple，其中第一个元素是包含生成图像的列表，第二个元素是表示相应生成图像是否包含“不适合工作”（nsfw）内容的 bool 值列表。

管道生成调用的函数。

示例

>>> import jax
>>> import numpy as np
>>> import jax.numpy as jnp
>>> from flax.jax_utils import replicate
>>> from flax.training.common_utils import shard
>>> import requests
>>> from io import BytesIO
>>> from PIL import Image
>>> from diffusers import FlaxStableDiffusionImg2ImgPipeline


>>> def create_key(seed=0):
...     return jax.random.PRNGKey(seed)


>>> rng = create_key(0)

>>> url = "https://raw.githubusercontent.com/CompVis/stable-diffusion/main/assets/stable-samples/img2img/sketch-mountains-input.jpg"
>>> response = requests.get(url)
>>> init_img = Image.open(BytesIO(response.content)).convert("RGB")
>>> init_img = init_img.resize((768, 512))

>>> prompts = "A fantasy landscape, trending on artstation"

>>> pipeline, params = FlaxStableDiffusionImg2ImgPipeline.from_pretrained(
...     "CompVis/stable-diffusion-v1-4",
...     revision="flax",
...     dtype=jnp.bfloat16,
... )

>>> num_samples = jax.device_count()
>>> rng = jax.random.split(rng, jax.device_count())
>>> prompt_ids, processed_image = pipeline.prepare_inputs(
...     prompt=[prompts] * num_samples, image=[init_img] * num_samples
... )
>>> p_params = replicate(params)
>>> prompt_ids = shard(prompt_ids)
>>> processed_image = shard(processed_image)

>>> output = pipeline(
...     prompt_ids=prompt_ids,
...     image=processed_image,
...     params=p_params,
...     prng_seed=rng,
...     strength=0.75,
...     num_inference_steps=50,
...     jit=True,
...     height=512,
...     width=768,
... ).images

>>> output_images = pipeline.numpy_to_pil(np.asarray(output.reshape((num_samples,) + output.shape[-3:])))

FlaxStableDiffusionPipelineOutput

类 diffusers.pipelines.stable_diffusion.FlaxStableDiffusionPipelineOutput

< >

( images: ndarray nsfw_content_detected: List )

参数

  • images (np.ndarray) — 形状为 (batch_size, height, width, num_channels) 的去噪图像数组。
  • nsfw_content_detected (List[bool]) — 指示相应生成图像是否包含“不适合工作”（nsfw）内容的列表，如果无法执行安全检查，则为 None。

基于 Flax 的 Stable Diffusion 管道的输出类。

替换

< >

( **updates )

“返回一个新的对象，用新值替换指定的字段。

< > 在 GitHub 上更新

←文本到图像 图像到视频→