在之前的文章中，我们使用ollama在本地运行了大语言模型，它可以与你聊天，帮助你理解和生成文本内容。使用coqui-tts在本地运行了文本转语音模型，它可以将大语言模型生成的文字转换成语音，让你的应用更有趣。今天我们将要介绍Stable Diffusion，一种扩散神经网络的深度学习模型，使用它可以生成各种不可思议的图片。
我们使用的工具是huggingface提供的diffusers，一个在纯python环境下运行的库。废话不多说，我们进入今天的教程。
安装
diffusers目前不支持python 3.12，因此我们使用虚拟环境来安装。
# 使用3.10版本的python创建venv
/opt/homebrew/opt/python@3.10/libexec/bin/python3 -m venv .venv
# 激活venv
source .venv/bin/activate
安装diffusers及其依赖：
pip install diffusers accelerate transformers
下载模型
和之前文章里介绍的一样，模型我们还是选择自己下载。你可以到huggingface网站下载已经训练好的模型，比如runwayml/stable-diffusion-v1-5。
Tips：你可以使用如下命令下载huggingface上的模型：
git lfs install
git clone git@hf.co:
此外，diffusers支持AUTOMATIC1111的模型，因此你可以去Civitai下载各种CheckPoint和LoRA。本文使用的模型就是Civitai的dreamshaper。选择模型时要注意以下几点：
根据自己的喜好选择模型的风格，比如“写实”、“动漫”或者“魔幻”模型有一个属性是“基础模型”，如下图。对应的诸如SD 1.5、SDXL 1.0、SDXL Turbo等等。SD系列只能生成512x512的图片，SDXL系列可以生成1024x1024及以上的图片。而Turbo系列可以将生成所需的时间缩短。根据自己的电脑配置选择合适的模型吧。
选择好模型后，就点击Download下载吧。
加载模型
如果你的模型是单个safetensors格式的，使用from_single_file加载，如果是从huggingface下载的预训练模型，使用from_pretrained加载。此外如果你的模型是SDXL，使用StableDiffusionXLPipeline，因此dreamshaperXL模型加载的代码如下：
from diffusers import StableDiffusionXLPipeline
pipe = StableDiffusionXLPipeline.from_single_file("your/path/dreamshaperXL_v21TurboDPMSDE.safetensors")
使用GPU运行
windows用户可以根据如下代码判断自己的电脑能否进行GPU推理：
device = "cuda" if torch.cuda.is_available() else "cpu"
MAC的M1和M2芯片可以使用如下代码：
device = 'mps'
然后：
pipe = pipe.to(device)
调度器
diffusers的调度器对应的是AUTOMATIC1111中的Sampling method，它对获得高质量的图像至关重要。Sampling method和diffusers的调度器的对应关系可以参照此处。
至于如何选择调度器，在模型的详情页可以找到作者给出的建议，比如：
这里作者建议的是DPM++ SDE Karras，可以参照上面的对应表找到对应的调度器为DPMSolverSinglestepScheduler，初始化参数为use_karras_sigmas=True。
调度器代码如下：
pipe.scheduler = DPMSolverSinglestepScheduler.from_config(pipe.scheduler.config, use_karras_sigmas=True)
提示词
提示词的质量对最终生成的图像质量有很大的影响。提示词的写法这里不做展开，提示词的例子：
prompt = "masterpiece, cat wizard, gandalf, lord of the rings, detailed, fantasy, cute, adorable, Pixar, Disney"
negative_prompt = "worst quality, low quality, normal quality, lowres, low details, oversaturated, undersaturated, overexposed, underexposed"
提示词目前有77个长度的限制，要突破这个限制，可以将提示词向量化，以下是代码例子：
pip install compel
compel = Compel(
tokenizer=[pipe.tokenizer, pipe.tokenizer_2] ,
text_encoder=[pipe.text_encoder, pipe.text_encoder_2],
returned_embeddings_type=ReturnedEmbeddingsType.PENULTIMATE_HIDDEN_STATES_NON_NORMALIZED,
requires_pooled=[False, True]
)
conditioning, pooled = compel(prompt)
negative_prompt_embeds, negative_pooled = compel(negative_prompt)
图片生成
image = pipe(
prompt_embeds = conditioning,
pooled_prompt_embeds=pooled,
negative_prompt_embeds = negative_prompt_embeds,
negative_pooled_prompt_embeds=negative_pooled,
# height=800,
# width=512,
num_inference_steps=6,
guidance_scale=2,
strength=0.5
).images[0]
image.save("data/out.jpg")
这里对图片生成质量有影响的几个参数是guidance_scale和num_inference_steps，这两个参数分别对应AUTOMATIC1111里的CFG Scale和Sampling steps。你也可以在模型的详情页找到作者给出的建议：
至此，运行代码，你应该可以获得模型生成的图片了。
总结
本文介绍了使用diffusers在本地运行Stable Diffusion的方法，并进行了一次基本的Text to Image的实践。下篇文章将继续介绍diffusers使用LoRA，ControlNet和Adapter生成高级图片的实践。
本文首发于：https://babyno.top/posts/2024/04/run-stable-diffusion-locally/
欢迎订阅公众号：
文章来源
您阅读本篇文章共花了：
发表评论