Hugging Face 的徽标

Diffusers 文档

文本到图像

Hugging Face's logo
加入 Hugging Face 社区

并访问增强的文档体验

开始使用

文本到图像

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

像 Stable Diffusion 这样的文本到图像模型被训练为根据文本提示生成图像。

训练模型可能会对您的硬件造成负担，但如果您启用 gradient_checkpointing 和 mixed_precision，则可以在单个 24GB GPU 上训练模型。如果您使用更大的批次大小进行训练或希望更快地训练，最好使用内存超过 30GB 的 GPU。您可以通过使用 xFormers 启用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、梯度累积或 xFormers。建议使用至少 30GB 内存的 GPU 或 TPU v3 进行 Flax 训练。

本指南将探讨 train_text_to_image.py 训练脚本，以帮助您熟悉它以及如何将其应用于自己的用例。

在运行脚本之前，请确保您已从源代码安装库

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

PyTorch
Flax
cd examples/text_to_image
pip install -r requirements.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。它会根据您的硬件和环境自动配置您的训练设置。查看 🤗 Accelerate 的 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（如笔记本），则可以使用

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 创建用于训练的数据集 指南，了解如何创建适用于训练脚本的数据集。

脚本参数

以下部分重点介绍了训练脚本中一些重要的部分，有助于理解如何修改它，但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 并告诉我们您有任何疑问或疑虑。

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 格式通过混合精度加速训练，请将 --mixed_precision 参数添加到训练命令中

accelerate launch train_text_to_image.py \
  --mixed_precision="fp16"

一些基本且重要的参数包括

  • --pretrained_model_name_or_path：Hub 上的模型名称或预训练模型的本地路径
  • --dataset_name：Hub 上的数据集名称或用于训练的数据集的本地路径
  • --image_column：用于训练的数据集中图像列的名称
  • --caption_column：用于训练的数据集中文本列的名称
  • --output_dir：保存训练模型的位置
  • --push_to_hub：是否将训练后的模型推送到 Hub
  • --checkpointing_steps：在模型训练期间保存检查点的频率；如果由于某种原因训练中断，您可以通过将 --resume_from_checkpoint 添加到训练命令中来从该检查点继续训练

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帮助训练，从而实现更快的收敛。训练脚本支持预测 epsilon（噪声）或 v_prediction，但最小信噪比与两种预测类型都兼容。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.py \
  --snr_gamma=5.0

您可以在此 Weights and Biases 报告中比较不同 snr_gamma 值的损失面。对于较小的数据集，与较大的数据集相比，最小信噪比的影响可能不太明显。

训练脚本

数据集预处理代码和训练循环可以在 main() 函数中找到。如果您需要调整训练脚本，则需要在此处进行修改。

train_text_to_image 脚本首先 加载一个调度器 和分词器。如果需要，您可以在此处选择使用不同的调度器。

noise_scheduler = DDPMScheduler.from_pretrained(args.pretrained_model_name_or_path, subfolder="scheduler")
tokenizer = CLIPTokenizer.from_pretrained(
    args.pretrained_model_name_or_path, subfolder="tokenizer", revision=args.revision
)

然后，脚本 加载 UNet 模型。

load_model = UNet2DConditionModel.from_pretrained(input_dir, subfolder="unet")
model.register_to_config(**load_model.config)

model.load_state_dict(load_model.state_dict())

接下来，需要预处理数据集的文本和图像列。 tokenize_captions 函数负责对输入进行分词，而 train_transforms 函数指定要应用于图像的变换类型。这两个函数都打包在 preprocess_train 中。

def preprocess_train(examples):
    images = [image.convert("RGB") for image in examples[image_column]]
    examples["pixel_values"] = [train_transforms(image) for image in images]
    examples["input_ids"] = tokenize_captions(examples)
    return examples

最后， 训练循环 处理所有其他内容。它将图像编码到潜在空间中，向潜在变量添加噪声，计算用于条件化的文本嵌入，更新模型参数，并将模型保存并推送到 Hub。如果您想了解有关训练循环如何工作的更多信息，请查看 理解管道、模型和调度器 教程，该教程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感到满意后，您就可以启动训练脚本了！🚀

PyTorch
Flax

让我们使用 Naruto BLIP 标题 数据集来生成您自己的鸣人角色。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）。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。

要在本地数据集上进行训练，请将 TRAIN_DIR 和 OUTPUT_DIR 环境变量设置为数据集路径和模型保存位置。

export MODEL_NAME="runwayml/stable-diffusion-v1-5"
export dataset_name="lambdalabs/naruto-blip-captions"

accelerate launch --mixed_precision="fp16"  train_text_to_image.py \
  --pretrained_model_name_or_path=$MODEL_NAME \
  --dataset_name=$dataset_name \
  --use_ema \
  --resolution=512 --center_crop --random_flip \
  --train_batch_size=1 \
  --gradient_accumulation_steps=4 \
  --gradient_checkpointing \
  --max_train_steps=15000 \
  --learning_rate=1e-05 \
  --max_grad_norm=1 \
  --enable_xformers_memory_efficient_attention \
  --lr_scheduler="constant" --lr_warmup_steps=0 \
  --output_dir="sd-naruto-model" \
  --push_to_hub

训练完成后，您可以使用新训练的模型进行推理。

PyTorch
Flax
from diffusers import StableDiffusionPipeline
import torch

pipeline = StableDiffusionPipeline.from_pretrained("path/to/saved_model", torch_dtype=torch.float16, use_safetensors=True).to("cuda")

image = pipeline(prompt="yoda").images[0]
image.save("yoda-naruto.png")

后续步骤

恭喜您训练了自己的文生图模型！若要了解有关如何使用新模型的更多信息，以下指南可能会有所帮助。

  • 如果您使用 LoRA 训练了模型，请学习如何 加载 LoRA 权重 以进行推理。
  • 在 文生图 任务指南中，了解有关某些参数（如引导比例）或提示加权等技术的更多信息，这些参数和技术可以帮助您控制推理。
< > 在 GitHub 上更新

←无条件图像生成 Stable Diffusion XL→