Diffusers 文档
ControlNet
并获得增强的文档体验
开始使用
ControlNet
ControlNet 模型是在其他预训练模型之上训练的适配器。它通过使用额外的输入图像来条件化模型,从而实现对图像生成的更高程度控制。输入图像可以是 Canny 边缘、深度图、人体姿势等等。
如果你正在 vRAM 有限的 GPU 上训练,你应该尝试在训练命令中启用 gradient_checkpointing
、gradient_accumulation_steps
和 mixed_precision
参数。你还可以通过使用 xFormers 的内存高效注意力来减少内存占用。JAX/Flax 训练也支持在 TPU 和 GPU 上进行高效训练,但它不支持梯度检查点或 xFormers。如果你想用 Flax 更快地训练,你应该有一个 >30GB 内存的 GPU。
本指南将探讨 train_controlnet.py 训练脚本,以帮助你熟悉它,以及如何将其应用于你自己的用例。
在运行脚本之前,请确保从源代码安装库
git clone https://github.com/huggingface/diffusers
cd diffusers
pip install .
然后导航到包含训练脚本的示例文件夹并安装您正在使用的脚本所需的依赖项
cd examples/controlnet
pip install -r requirements.txt
🤗 Accelerate 是一个帮助你在多个 GPU/TPU 或混合精度下训练的库。它将根据你的硬件和环境自动配置你的训练设置。请查看 🤗 Accelerate 快速入门 以了解更多信息。
初始化 🤗 Accelerate 环境
accelerate config
要设置默认的 🤗 Accelerate 环境而不选择任何配置
accelerate config default
或者如果您的环境不支持交互式 shell(例如笔记本),您可以使用
from accelerate.utils import write_basic_config
write_basic_config()
最后,如果您想在自己的数据集上训练模型,请查看 创建训练数据集 指南,了解如何创建与训练脚本兼容的数据集。
以下部分重点介绍了训练脚本中对于理解如何修改它很重要的部分,但它并未详细介绍脚本的每个方面。如果你有兴趣了解更多信息,请随时阅读脚本,并告诉我们你是否有任何问题或疑虑。
脚本参数
训练脚本提供了许多参数来帮助你自定义训练运行。所有参数及其描述都可以在 parse_args()
函数中找到。此函数为每个参数提供默认值,例如训练批次大小和学习率,但你也可以在训练命令中设置自己的值。
例如,要使用 fp16 格式的混合精度加速训练,请将 --mixed_precision
参数添加到训练命令中
accelerate launch train_controlnet.py \
--mixed_precision="fp16"
许多基本且重要的参数都在 文本到图像 训练指南中进行了描述,因此本指南仅关注 ControlNet 的相关参数
--max_train_samples
: 训练样本的数量;可以降低此值以加快训练速度,但如果你想流式传输非常大的数据集,则需要包含此参数和--streaming
参数在训练命令中--gradient_accumulation_steps
: 反向传播前累积的更新步数;这允许你使用比 GPU 内存通常能处理的更大的批量大小进行训练
最小信噪比加权
最小信噪比 (Min-SNR) 加权策略可以通过重新平衡损失来实现更快的收敛,从而帮助训练。训练脚本支持预测 epsilon
(噪声) 或 v_prediction
,但 Min-SNR 兼容这两种预测类型。此加权策略仅受 PyTorch 支持,在 Flax 训练脚本中不可用。
添加 --snr_gamma
参数并将其设置为推荐值 5.0
accelerate launch train_controlnet.py \ --snr_gamma=5.0
训练脚本
与脚本参数一样,文本到图像 训练指南中提供了训练脚本的一般演练。本指南则着眼于 ControlNet 脚本的相关部分。
训练脚本有一个 make_train_dataset
函数,用于使用图像变换和标题标记化对数据集进行预处理。你会发现除了常规的标题标记化和图像变换之外,该脚本还包含用于条件图像的变换。
如果你在 TPU 上流式传输数据集,性能可能会受到 🤗 Datasets 库的瓶颈,该库并未针对图像进行优化。为确保最大吞吐量,建议你探索其他数据集格式,如 WebDataset、TorchData 和 TensorFlow Datasets。
conditioning_image_transforms = transforms.Compose( [ transforms.Resize(args.resolution, interpolation=transforms.InterpolationMode.BILINEAR), transforms.CenterCrop(args.resolution), transforms.ToTensor(), ] )
在 main()
函数中,你会找到用于加载分词器、文本编码器、调度器和模型的代码。这也是 ControlNet 模型从现有权重加载或从 UNet 随机初始化的地方
if args.controlnet_model_name_or_path:
logger.info("Loading existing controlnet weights")
controlnet = ControlNetModel.from_pretrained(args.controlnet_model_name_or_path)
else:
logger.info("Initializing controlnet weights from unet")
controlnet = ControlNetModel.from_unet(unet)
params_to_optimize = controlnet.parameters() optimizer = optimizer_class( params_to_optimize, lr=args.learning_rate, betas=(args.adam_beta1, args.adam_beta2), weight_decay=args.adam_weight_decay, eps=args.adam_epsilon, )
最后,在训练循环中,条件文本嵌入和图像被传递给 ControlNet 模型的下层和中层块。
encoder_hidden_states = text_encoder(batch["input_ids"])[0]
controlnet_image = batch["conditioning_pixel_values"].to(dtype=weight_dtype)
down_block_res_samples, mid_block_res_sample = controlnet(
noisy_latents,
timesteps,
encoder_hidden_states=encoder_hidden_states,
controlnet_cond=controlnet_image,
return_dict=False,
)
如果您想了解更多关于训练循环如何工作的信息,请查看 理解管道、模型和调度器 教程,它分解了去噪过程的基本模式。
启动脚本
现在你准备好启动训练脚本了!🚀
本指南使用 fusing/fill50k 数据集,但请记住,如果你愿意,可以创建和使用自己的数据集(参见 创建用于训练的数据集 指南)。
将环境变量 MODEL_NAME
设置为 Hub 上的模型 ID 或本地模型的路径,并将 OUTPUT_DIR
设置为你要保存模型的位置。
下载以下图像以条件化你的训练
wget https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/diffusers/controlnet_training/conditioning_image_1.png wget https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/diffusers/controlnet_training/conditioning_image_2.png
在启动脚本之前还有一件事!根据你拥有的 GPU,你可能需要启用某些优化来训练 ControlNet。此脚本中的默认配置需要约 38GB 的显存。如果你在多个 GPU 上进行训练,请将 --multi_gpu
参数添加到 accelerate launch
命令中。
在 16GB GPU 上,你可以使用 bitsandbytes 8 位优化器和梯度检查点来优化你的训练运行。安装 bitsandbytes
pip install bitsandbytes
然后,将以下参数添加到您的训练命令中
accelerate launch train_controlnet.py \ --gradient_checkpointing \ --use_8bit_adam \
export MODEL_DIR="stable-diffusion-v1-5/stable-diffusion-v1-5"
export OUTPUT_DIR="path/to/save/model"
accelerate launch train_controlnet.py \
--pretrained_model_name_or_path=$MODEL_DIR \
--output_dir=$OUTPUT_DIR \
--dataset_name=fusing/fill50k \
--resolution=512 \
--learning_rate=1e-5 \
--validation_image "./conditioning_image_1.png" "./conditioning_image_2.png" \
--validation_prompt "red circle with blue background" "cyan circle with brown floral background" \
--train_batch_size=1 \
--gradient_accumulation_steps=4 \
--push_to_hub
训练完成后,您可以使用新训练的模型进行推理!
from diffusers import StableDiffusionControlNetPipeline, ControlNetModel
from diffusers.utils import load_image
import torch
controlnet = ControlNetModel.from_pretrained("path/to/controlnet", torch_dtype=torch.float16)
pipeline = StableDiffusionControlNetPipeline.from_pretrained(
"path/to/base/model", controlnet=controlnet, torch_dtype=torch.float16
).to("cuda")
control_image = load_image("./conditioning_image_1.png")
prompt = "pale golden rod circle with old lace background"
generator = torch.manual_seed(0)
image = pipeline(prompt, num_inference_steps=20, generator=generator, image=control_image).images[0]
image.save("./output.png")
Stable Diffusion XL
Stable Diffusion XL (SDXL) 是一个强大的文本到图像模型,可以生成高分辨率图像,并在其架构中添加了第二个文本编码器。使用 train_controlnet_sdxl.py
脚本来训练 SDXL 模型的 ControlNet 适配器。
SDXL 训练脚本在 SDXL 训练指南中有更详细的讨论。
下一步
恭喜你训练了自己的 ControlNet!要了解如何使用新模型,以下指南可能会有所帮助
- 了解如何 使用 ControlNet 进行各种任务的推理。