Hugging Face 的 LOGO

Diffusers 文档

Kandinsky 2.2

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

Kandinsky 2.2

此脚本是实验性的，很容易过拟合并遇到灾难性遗忘等问题。尝试探索不同的超参数，以在您的数据集上获得最佳结果。

Kandinsky 2.2 是一个多语言文本到图像模型，能够生成更逼真的图像。该模型包括一个图像先验模型用于从文本提示创建图像嵌入，以及一个解码器模型用于根据先验模型的嵌入生成图像。这就是为什么您会在 Diffusers 中找到两个独立的 Kandinsky 2.2 脚本，一个用于训练先验模型，一个用于训练解码器模型。您可以单独训练这两个模型，但要获得最佳结果，您应该同时训练先验模型和解码器模型。

根据您的 GPU，您可能需要启用 gradient_checkpointing (⚠️ 不支持先验模型！)、mixed_precision 和 gradient_accumulation_steps 以帮助模型适应内存并加速训练。您可以通过使用 xFormers 启用内存高效注意力来进一步减少内存使用（版本 v0.0.16 在某些 GPU 上训练失败，因此您可能需要安装开发版本）。

本指南探讨了 train_text_to_image_prior.py 和 train_text_to_image_decoder.py 脚本，以帮助您更熟悉它们，以及如何将其用于您自己的用例。

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/kandinsky2_2/text_to_image
pip install -r requirements.txt

🤗 Accelerate 是一个帮助您在多个 GPU/TPU 或混合精度下进行训练的库。它将根据您的硬件和环境自动配置您的训练设置。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，但它没有详细介绍脚本的各个方面。如果您有兴趣了解更多信息，请随时阅读脚本，如有任何疑问或担忧，请告诉我们。

脚本参数

训练脚本提供了许多参数来帮助您自定义训练运行。所有参数及其描述都可以在 parse_args() 函数中找到。训练脚本为每个参数提供了默认值，例如训练批次大小和学习率，但您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_text_to_image_prior.py \
  --mixed_precision="fp16"

大多数参数与 文本到图像 训练指南中的参数相同，所以让我们直接进入 Kandinsky 训练脚本的演练！

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收敛，从而有助于训练。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_text_to_image_prior.py \
  --snr_gamma=5.0

训练脚本

训练脚本也类似于 文本到图像 训练指南，但它已修改为支持训练先验模型和解码器模型。本指南侧重于 Kandinsky 2.2 训练脚本独有的代码。

先验模型
解码器模型

main() 函数包含准备数据集和训练模型的代码。

您会立即注意到，训练脚本的其中一个主要区别是，除了调度器和分词器之外，它还加载了 CLIPImageProcessor 用于预处理图像，以及 CLIPVisionModelWithProjection 模型用于编码图像

noise_scheduler = DDPMScheduler(beta_schedule="squaredcos_cap_v2", prediction_type="sample")
image_processor = CLIPImageProcessor.from_pretrained(
    args.pretrained_prior_model_name_or_path, subfolder="image_processor"
)
tokenizer = CLIPTokenizer.from_pretrained(args.pretrained_prior_model_name_or_path, subfolder="tokenizer")

with ContextManagers(deepspeed_zero_init_disabled_context_manager()):
    image_encoder = CLIPVisionModelWithProjection.from_pretrained(
        args.pretrained_prior_model_name_or_path, subfolder="image_encoder", torch_dtype=weight_dtype
    ).eval()
    text_encoder = CLIPTextModelWithProjection.from_pretrained(
        args.pretrained_prior_model_name_or_path, subfolder="text_encoder", torch_dtype=weight_dtype
    ).eval()

Kandinsky 使用 PriorTransformer 生成图像嵌入，因此您需要设置优化器以学习先验模型的参数。

prior = PriorTransformer.from_pretrained(args.pretrained_prior_model_name_or_path, subfolder="prior")
prior.train()
optimizer = optimizer_cls(
    prior.parameters(),
    lr=args.learning_rate,
    betas=(args.adam_beta1, args.adam_beta2),
    weight_decay=args.adam_weight_decay,
    eps=args.adam_epsilon,
)

接下来，输入字幕被分词，图像由 CLIPImageProcessor 进行 预处理

def preprocess_train(examples):
    images = [image.convert("RGB") for image in examples[image_column]]
    examples["clip_pixel_values"] = image_processor(images, return_tensors="pt").pixel_values
    examples["text_input_ids"], examples["text_mask"] = tokenize_captions(examples)
    return examples

最后，训练循环 将输入图像转换为潜在空间，向图像嵌入添加噪声，并进行预测

model_pred = prior(
    noisy_latents,
    timestep=timesteps,
    proj_embedding=prompt_embeds,
    encoder_hidden_states=text_encoder_hidden_states,
    attention_mask=text_mask,
).predicted_image_embedding

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

完成所有更改或对默认配置满意后，您就可以启动训练脚本了！🚀

您将使用 Naruto BLIP captions 数据集来生成您自己的火影忍者角色，但您也可以通过遵循 创建训练数据集 指南来创建并训练您自己的数据集。将环境变量 DATASET_NAME 设置为 Hub 上数据集的名称，如果您正在训练自己的文件，则将环境变量 TRAIN_DIR 设置为数据集的路径。

如果您在多个 GPU 上进行训练，请将 --multi_gpu 参数添加到 accelerate launch 命令中。

要使用 Weights & Biases 监控训练进度，请将 --report_to=wandb 参数添加到训练命令中。您还需要将 --validation_prompt 添加到训练命令中以跟踪结果。这对于调试模型和查看中间结果非常有用。

先验模型
解码器模型
export DATASET_NAME="lambdalabs/naruto-blip-captions"

accelerate launch --mixed_precision="fp16"  train_text_to_image_prior.py \
  --dataset_name=$DATASET_NAME \
  --resolution=768 \
  --train_batch_size=1 \
  --gradient_accumulation_steps=4 \
  --max_train_steps=15000 \
  --learning_rate=1e-05 \
  --max_grad_norm=1 \
  --checkpoints_total_limit=3 \
  --lr_scheduler="constant" \
  --lr_warmup_steps=0 \
  --validation_prompts="A robot naruto, 4k photo" \
  --report_to="wandb" \
  --push_to_hub \
  --output_dir="kandi2-prior-naruto-model"

训练完成后，您就可以使用新训练的模型进行推理了！

先验模型
解码器模型
from diffusers import AutoPipelineForText2Image, DiffusionPipeline
import torch

prior_pipeline = DiffusionPipeline.from_pretrained(output_dir, torch_dtype=torch.float16)
prior_components = {"prior_" + k: v for k,v in prior_pipeline.components.items()}
pipeline = AutoPipelineForText2Image.from_pretrained("kandinsky-community/kandinsky-2-2-decoder", **prior_components, torch_dtype=torch.float16)

pipe.enable_model_cpu_offload()
prompt="A robot naruto, 4k photo"
image = pipeline(prompt=prompt, negative_prompt=negative_prompt).images[0]

随意将 kandinsky-community/kandinsky-2-2-decoder 替换为您自己训练的解码器检查点！

下一步

恭喜您训练了一个 Kandinsky 2.2 模型！要了解如何使用您的新模型，以下指南可能会有所帮助

  • 阅读 Kandinsky 指南，了解如何将其用于各种不同任务（文本到图像、图像到图像、图像修复、插值），以及如何将其与 ControlNet 结合使用。
  • 查看 DreamBooth 和 LoRA 训练指南，了解如何仅使用少量示例图像来训练个性化的 Kandinsky 模型。这两种训练技术甚至可以结合使用！
< > 在 GitHub 上更新

←Stable Diffusion XL Wuerstchen→