【文生图系列】 Stable Diffusion v1复现教程

Stable Diffusion v1

stable diffusion是一个潜在的文本到图像的扩散模型，能够在给定任何文本输入的情况下生成照片逼真的图像。

环境配置

https://github.com/CompVis/stable-diffusion.git ( Stable Diffusion v1)
conda env create -f environment.yaml 使用conda创建一个名字为ldm的虚拟环境
conda activate ldm

权重下载

在README.md中，点击权重下载链接时，出现的huggingface页面，有Dataset card、Files and versions和Community，但是找不到ckpt文件。这个时候需要在红色的框中输出"stable-diffusion-v1"，转到runwayml/stable-diffusion-v1-5界面。

v1-5用v1-2的权重进行初始化，随后在"laion-aesthetics v2 5+"上以分辨率$512\times 512$微调了595k步，将文本条件降低了10%，以提高classifier-free guidance sampling。v1-5提供了两个ckpt，v1-5-pruned-emaonly.ckpt，4.27G，使用较少的VRAM，适用于推理。v1-5-pruned.ckpt较重，7.7G，使用更多的VRAM，适合微调。

v1-5-pruned-emaonly.ckpt下载链接: https://huggingface.co/runwayml/stable-diffusion-v1-5/resolve/main/v1-5-pruned-emaonly.ckpt
v1-5-pruned.ckpt下载链接：https://huggingface.co/runwayml/stable-diffusion-v1-5/resolve/main/v1-5-pruned.ckpt

txt2img

mkdir -p models/ldm/stable-diffusion-v1/
将下载好的v1-5-pruned-emaonly.ckpt模型放到models/ldm/stable-diffusion-v1/文件夹下，并更名为model.ckpt，不然会报找不到model的错误，软链接不行。也可以定义txt2img的ckpt超参数，设定模型的位置。
python scripts/txt2img.py --prompt “a photograph of an astronaut riding a horse” --plms

bug

运行txt2img.py时，报上述ImportError错误，受issues_627启发，可能diffusers和transformers的版本太高了，所以降低diffusers和transformers的版本。在environment.yaml中更改diffusers和transformers的版本号，更新conda env update -f environment.yaml，bug消除，正常运行。

diffusers: 0.16.1 —> 0.15.0
transformers: 4.19.2 —>4.28.1

python scripts/txt2img.py --prompt “a photograph of an astronaut riding a horse” --plms
依据提示词"a photograph of an astronaut riding a horse"，生成如下六张图片。六张图片中有两张图片宇航员没有骑马，其他四张图片，完成度还不错。

超参数

txt2img的超参数解释如下所示。在推理时，可以通过设定相应的参数得到符合要求的图片。

参数	用途
prompt	提示词
outdir	结果保存文件夹，默认是outputs/txt2img-samples
skip_grid	不保存网格，只保存单个样本。在评估大量样本时很有用
skip_save	不保存单个样本，用于速度测量
ddim_steps	ddim 采样步骤数
plms	使用plms采样
laion400m	使用LAION400M模型
fixed_code	如果启用，样本见使用相同的起始代码
ddim_eta	ddim eta，默认为0.0，eta=0.0对应于确定性采样
H	像素空间上的图像高度，默认是512
W	像素空间上的图像宽度，默认是512
C	隐藏通道数，默认是4
f	下采样因子，默认是8
n_samples	每个给定提示输出的样本数量，又称批次，默认是3
n_rows	网格中的行，默认是n_samples
scale	无条件制导标度，默认是7.5，eps = eps(x, empty) + scale * (eps(x, cond) - eps(x, empty))
from-file	从文件中导入提示词
config	模型的config文件，默认是"configs/stable-diffusion/v1-inference.yaml"
ckpt	模型checkpoint的位置，默认是"models/ldm/stable-diffusion-v1/model.ckpt"
seed	用于重复取样的种子，默认是42
precision	以精度进行评估，有"full"和"autocast"两种选择，默认是"autocast"

当以下面命令行python scripts/txt2img.py --prompt "A classical Chinese Tang Dynasty beauty is drinking tea" --plms --skip_grid运行时，并没有生成上面和宇航员一样的网格图，有四张图片并保存下来。下面是其中生成的最好的照片。典型的唐朝仕女，有茶，但是在喝茶的动作并没有表现出来。

Diffusers

from diffusers import StableDiffusionPipeline
import torch

model_id = "runwayml/stable-diffusion-v1-5"
pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16)
pipe = pipe.to("cuda")

prompt = "a photo of an astronaut riding a horse on mars"
image = pipe(prompt).images[0]  
    
image.save("astronaut_rides_horse.png")

下述是上述代码的运行结果展示。

生成结果如下，只生成一个宇航员在火星上，提示词中的horse并没有出现。

参考

1. CompVis/stable-diffusion
2. runwayml/stable-diffusion-v1-5