Hugging Face 的 LOGO

Diffusers 文档

Stable Diffusion XL

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

Stable Diffusion XL

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。

Stable Diffusion XL (SDXL) 是 Stable Diffusion 模型的一个更大更强大的迭代，能够生成更高分辨率的图像。

SDXL 的 UNet 大 3 倍，并且模型向架构中添加了第二个文本编码器。根据您可用的硬件，这可能非常计算密集，并且可能无法在像 Tesla T4 这样的消费级 GPU 上运行。为了帮助将这个更大的模型装入内存并加快训练速度，请尝试启用 `gradient_checkpointing`、`mixed_precision` 和 `gradient_accumulation_steps`。您可以通过使用 xFormers 启用内存高效注意力并使用 bitsandbytes 的 8 位优化器来进一步减少内存使用。

本指南将探讨 train_text_to_image_sdxl.py 训练脚本，以帮助您更熟悉它，以及如何根据您自己的用例对其进行调整。

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/text_to_image
pip install -r requirements_sdxl.txt

🤗 Accelerate 是一个帮助您在多个 GPU/TPU 上或使用混合精度进行训练的库。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。

脚本参数

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每个方面。如果您有兴趣了解更多信息，请随时阅读 脚本，如果您有任何问题或疑虑，请告诉我们。

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。此函数为每个参数（例如训练批量大小和学习率）提供了默认值，但您也可以在训练命令中设置自己的值（如果需要）。

例如，要使用 bf16 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_sdxl.py \
  --mixed_precision="bf16"

大多数参数与 文本到图像 训练指南中的参数相同，因此本指南将重点介绍与训练 SDXL 相关的参数。

  • --pretrained_vae_model_name_or_path：预训练 VAE 的路径；SDXL VAE 已知存在数值不稳定性问题，因此此参数允许您指定更好的 VAE
  • --proportion_empty_prompts：将图像提示替换为空字符串的比例
  • --timestep_bias_strategy：在时间步长的哪个位置（更早或更晚）应用偏差，这可以促使模型学习低频或高频细节
  • --timestep_bias_multiplier：应用于时间步长的偏差权重
  • --timestep_bias_begin：开始应用偏差的时间步长
  • --timestep_bias_end：结束应用偏差的时间步长
  • --timestep_bias_portion：应用偏差的时间步长比例

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来帮助训练。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_text_to_image_sdxl.py \
  --snr_gamma=5.0

训练脚本

该训练脚本也类似于文本到图像训练指南，但已针对 SDXL 训练进行了修改。本指南将重点介绍 SDXL 训练脚本独有的代码。

它首先创建函数以分词提示以计算提示嵌入，并使用VAE计算图像嵌入。接下来，您将创建一个函数，根据时间步数和要应用的时间步偏差策略来生成时间步权重。

在main()函数中，除了加载一个分词器，脚本还加载了第二个分词器和文本编码器，因为 SDXL 架构使用了两个这样的组件。

tokenizer_one = AutoTokenizer.from_pretrained(
    args.pretrained_model_name_or_path, subfolder="tokenizer", revision=args.revision, use_fast=False
)
tokenizer_two = AutoTokenizer.from_pretrained(
    args.pretrained_model_name_or_path, subfolder="tokenizer_2", revision=args.revision, use_fast=False
)

text_encoder_cls_one = import_model_class_from_model_name_or_path(
    args.pretrained_model_name_or_path, args.revision
)
text_encoder_cls_two = import_model_class_from_model_name_or_path(
    args.pretrained_model_name_or_path, args.revision, subfolder="text_encoder_2"
)

提示和图像嵌入首先计算并保存在内存中，这对于较小的数据集来说通常不是问题，但对于较大的数据集可能会导致内存问题。如果出现这种情况，您应该将预计算的嵌入单独保存到磁盘，并在训练过程中将它们加载到内存中（有关此主题的更多讨论，请参阅此 PR）。

text_encoders = [text_encoder_one, text_encoder_two]
tokenizers = [tokenizer_one, tokenizer_two]
compute_embeddings_fn = functools.partial(
    encode_prompt,
    text_encoders=text_encoders,
    tokenizers=tokenizers,
    proportion_empty_prompts=args.proportion_empty_prompts,
    caption_column=args.caption_column,
)

train_dataset = train_dataset.map(compute_embeddings_fn, batched=True, new_fingerprint=new_fingerprint)
train_dataset = train_dataset.map(
    compute_vae_encodings_fn,
    batched=True,
    batch_size=args.train_batch_size * accelerator.num_processes * args.gradient_accumulation_steps,
    new_fingerprint=new_fingerprint_for_vae,
)

计算嵌入后，文本编码器、VAE 和分词器将被删除以释放一些内存

del text_encoders, tokenizers, vae
gc.collect()
torch.cuda.empty_cache()

最后，训练循环负责其余部分。如果您选择应用时间步长偏差策略，您会看到时间步长权重被计算并作为噪声添加

weights = generate_timestep_weights(args, noise_scheduler.config.num_train_timesteps).to(
        model_input.device
    )
    timesteps = torch.multinomial(weights, bsz, replacement=True).long()

noisy_model_input = noise_scheduler.add_noise(model_input, noise, timesteps)

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！🚀

让我们在 Naruto BLIP captions 数据集上进行训练，以生成您自己的火影忍者角色。将环境变量 `MODEL_NAME` 和 `DATASET_NAME` 设置为模型和数据集（来自 Hub 或本地路径）。您还应该使用 `VAE_NAME` 指定一个不同于 SDXL VAE 的 VAE（来自 Hub 或本地路径），以避免数值不稳定性。

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` 和 `--validation_epochs` 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。

export MODEL_NAME="stabilityai/stable-diffusion-xl-base-1.0"
export VAE_NAME="madebyollin/sdxl-vae-fp16-fix"
export DATASET_NAME="lambdalabs/naruto-blip-captions"

accelerate launch train_text_to_image_sdxl.py \
  --pretrained_model_name_or_path=$MODEL_NAME \
  --pretrained_vae_model_name_or_path=$VAE_NAME \
  --dataset_name=$DATASET_NAME \
  --enable_xformers_memory_efficient_attention \
  --resolution=512 \
  --center_crop \
  --random_flip \
  --proportion_empty_prompts=0.2 \
  --train_batch_size=1 \
  --gradient_accumulation_steps=4 \
  --gradient_checkpointing \
  --max_train_steps=10000 \
  --use_8bit_adam \
  --learning_rate=1e-06 \
  --lr_scheduler="constant" \
  --lr_warmup_steps=0 \
  --mixed_precision="fp16" \
  --report_to="wandb" \
  --validation_prompt="a cute Sundar Pichai creature" \
  --validation_epochs 5 \
  --checkpointing_steps=5000 \
  --output_dir="sdxl-naruto-model" \
  --push_to_hub

训练完成后，您可以使用新训练的 SDXL 模型进行推理！

PyTorch
PyTorch XLA
from diffusers import DiffusionPipeline
import torch

pipeline = DiffusionPipeline.from_pretrained("path/to/your/model", torch_dtype=torch.float16).to("cuda")

prompt = "A naruto with green eyes and red legs."
image = pipeline(prompt, num_inference_steps=30, guidance_scale=7.5).images[0]
image.save("naruto.png")

后续步骤

恭喜您训练了一个 SDXL 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 Stable Diffusion XL 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），如何使用其精炼器模型以及不同类型的微条件。
  • 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 SDXL 模型。这两种训练技术甚至可以结合使用！
< > 在 GitHub 上更新

←文本到图像 Kandinsky 2.2→