hunyuandit_pytorch AIGC 以文生图模型_bitsandbytes-0.42.0-py3-none-any.whl-CSDN博客

本文链接：https://blog.csdn.net/qq_27815483/article/details/140291779

HunyuanDiT

论文

Hunyuan-DiT : A Powerful Multi-Resolution Diffusion Transformer with Fine-Grained Chinese Understanding

https://arxiv.org/pdf/2405.08748

模型结构

模型基于transformer decoder结构，在DiT基础上重新设计了Time Embedding以及positional Embedding的添加方式，Text Prompt通过两个text encoder进行编码，其余与DiT一致。

算法原理

使用self-attention捕获图像内部的结构信息，使用cross attention对齐文本与图像。

环境配置

Docker（方法一）

docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:2.1.0-centos7.6-dtk24.04-py310

docker run --shm-size 10g --network=host --name=hunyuan --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v 项目地址(绝对路径):/home/ -v /opt/hyhal:/opt/hyhal:ro -it <your IMAGE ID> bash

pip install -r requirements.txt

pip install timm --no-deps

pip install flash_attn-2.0.4+das1.0+82379d7.abi0.dtk2404.torch2.1-cp310-cp310-manylinux2014_x86_64.whl  （开发者社区）

pip install bitsandbytes-0.42.0-py3-none-any.whl  （whl文件夹中）

Dockerfile（方法二）

docker build -t <IMAGE_NAME>:<TAG> .

docker run --shm-size 10g --network=host --name=hunyuan --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v 项目地址(绝对路径):/home/ -v /opt/hyhal:/opt/hyhal:ro -it <your IMAGE ID> bash

pip install -r requirements.txt

pip install timm --no-deps

pip install flash_attn-2.0.4+das1.0+82379d7.abi0.dtk2404.torch2.1-cp310-cp310-manylinux2014_x86_64.whl  （开发者社区）

pip install bitsandbytes-0.42.0-py3-none-any.whl  （whl文件夹中）

Anaconda (方法三)

1、关于本项目DCU显卡所需的特殊深度学习库可从光合开发者社区下载安装： https://developer.hpccube.com/tool/

DTK驱动：dtk24.04
python：python3.10
torch: 2.1.0
torchvision: 0.16.0
onnx: 1.15.0
flash-attn: 2.0.4

Tips：以上dtk驱动、python、torch等DCU相关工具版本需要严格一一对应

2、其它非特殊库参照requirements.txt安装

pip install -r requirements.txt

pip install timm --no-deps

pip install bitsandbytes-0.42.0-py3-none-any.whl  （whl文件夹中）

数据集

无

推理

命令行

# Prompt Enhancement + Text-to-Image. Torch mode
python sample_t2i.py --prompt "千里冰封万里雪飘"

# Prompt Enhancement + Text-to-Image. Torch mode（在最新硬件上可用）
python sample_t2i.py --prompt "千里冰封万里雪飘" --infer-mode fa

# Only Text-to-Image. Torch mode
python sample_t2i.py --prompt "飞流直下三千尺疑是银河落九天" --no-enhance

# Generate an image with other image sizes.
python sample_t2i.py --prompt "飞流直下三千尺疑是银河落九天" --image-size 1280 768

# Prompt Enhancement + Text-to-Image. DialogGen loads with 4-bit quantization, but it may loss performance.
python sample_t2i.py --prompt "飞流直下三千尺疑是银河落九天"  --load-4bit

参数列表

Argument	Default	Description
`--prompt`	None	The text prompt for image generation
`--image-size`	1024 1024	The size of the generated image
`--seed`	42	The random seed for generating images
`--infer-steps`	100	The number of steps for sampling
`--negative`	-	The negative prompt for image generation
`--infer-mode`	torch	The inference mode (torch, fa)
`--sampler`	ddpm	The diffusion sampler (ddpm, ddim, or dpmms)
`--no-enhance`	False	Disable the prompt enhancement model
`--model-root`	ckpts	The root directory of the model checkpoints
`--load-key`	ema	Load the student model or EMA model (ema or module)
`--load-4bit`	Fasle	Load DialogGen model with 4bit quantization

webui（推荐）

# By default, we start a Chinese UI.
python app/hydit_app.py

# Using Flash Attention for acceleration. （在最新硬件上可用）
python app/hydit_app.py --infer-mode fa

# You can disable the enhancement model if the GPU memory is insufficient.
# The enhancement will be unavailable until you restart the app without the `--no-enhance` flag. 
python app/hydit_app.py --no-enhance

# Start with English UI
python app/hydit_app.py --lang en

# Start a multi-turn（对话形式） T2I generation UI. 
# If your DCU memory is less than 32GB, use '--load-4bit' to enable 4-bit quantization, which requires at least 22GB of memory.
python app/multiTurnT2I_app.py

result


结果
prompt	千里冰封万里雪飘	飞流直下三千尺疑是银河落九天	一只金毛犬叼着一个RTX4090显卡

精度

无

应用场景

算法类别

AIGC

热点应用行业

零售,广媒,电商

预训练权重

预训练权重快速下载中心：SCNet AlModels ，项目中的预训练权重可从快速下载通道下载：HunyuanDiT。

下载链接中的所有模型文件，并放入ckpts文件中。

ckpts/
├── dialoggen
│   ├── config.json
│   ├── generation_config.json
│   ├── model-00001-of-00004.safetensors
│   ├── model-00002-of-00004.safetensors
│   ├── model-00003-of-00004.safetensors
│   ├── model-00004-of-00004.safetensors
│   ├── model.safetensors.index.json
│   ├── openai
│   │   └── clip-vit-large-patch14-336
│   │       ├── config.json
│   │       ├── merges.txt
│   │       ├── preprocessor_config.json
│   │       ├── pytorch_model.bin
│   │       ├── README.md
│   │       ├── special_tokens_map.json
│   │       ├── tokenizer_config.json
│   │       ├── tokenizer.json
│   │       └── vocab.json
│   ├── special_tokens_map.json
│   ├── tokenizer_config.json
│   └── tokenizer.model
└── t2i
    ├── clip_text_encoder
    │   ├── config.json
    │   └── pytorch_model.bin
    ├── model
    │   ├── pytorch_model_ema.pt
    │   └── pytorch_model_module.pt
    ├── mt5
    │   ├── config.json
    │   ├── download.sh
    │   ├── generation_config.json
    │   ├── nohup.out
    │   ├── pytorch_model.bin
    │   ├── README.md
    │   ├── special_tokens_map.json
    │   ├── spiece.model
    │   └── tokenizer_config.json
    ├── sdxl-vae-fp16-fix
    │   ├── config.json
    │   ├── diffusion_pytorch_model.bin
    │   └── diffusion_pytorch_model.safetensors
    └── tokenizer
        ├── special_tokens_map.json
        ├── tokenizer_config.json
        ├── vocab_org.txt
        └── vocab.txt