このリポジトリには、4K テキストから画像への生成のための拡散変換器の弱から強へのトレーニングを検討する論文用の PyTorch モデル定義、事前トレーニングされた重み、および推論/サンプリング コードが含まれています。プロジェクト ページでは、さらに多くのビジュアライゼーションを見つけることができます。
PixArt-Σ: 4K テキストから画像への生成のための拡散トランスフォーマーの弱から強へのトレーニング
Junsong Chen*、Chongjian Ge*、Enze Xie*†、Yue Wu*、Lewei Yao、Xiaozhe Ren、Zhondao Wang、Ping Luo、Huchuan Lu、Zhenguo Li
Huawei Noah's Ark Lab、DLUT、HKU、HKUST
前回の PixArt-α プロジェクトから学び、PixArt コミュニティの誰もが使用できるように、このリポジトリをできるだけシンプルに保つよう努めます。
? diffusersパッチを使用した? diffusers素早く体験できます。-主要
-ガイダンス
-その他
| モデル | T5 トークンの長さ | VAE | 2K/4K |
|---|---|---|---|
| PixArt-Σ | 300 | SDXL | ✅ |
| PixArt-α | 120 | SD1.5 |
| モデル | サンプル-1 | サンプル-2 | サンプル-3 |
|---|---|---|---|
| PixArt-Σ | |||
| PixArt-α | |||
| プロンプト | クローズアップ、白髪、ひげを生やした60代の男性、ウールのコートと茶色のベレー帽、眼鏡、映画のような姿で通行人を観察している。 | ボディショット、フランス人女性、写真、フランスの街路の背景、バックライト、リムライト、富士フイルム。 | 一杯のコーヒーの中で航行する 2 隻の海賊船のフォトリアリスティックなクローズアップ ビデオ。 |
conda create -n pixart python==3.9.0
conda activate pixart
conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 pytorch-cuda=11.7 -c pytorch -c nvidia
git clone https://github.com/PixArt-alpha/PixArt-sigma.git
cd PixArt-sigma
pip install -r requirements.txt初めに。
よりユーザーフレンドリーで互換性の高いコードベースを構築するために、新しいリポジトリを開始します。主要なモデル構造は PixArt-α と同じで、オリジナルのリポジトリをベースにして機能を開発できます。また、このリポジトリは将来的に PixArt-alpha をサポートする予定です。
ヒント
これで、事前の特徴抽出なしでモデルをトレーニングできるようになりました。 PixArt-α コードベースのデータ構造を再構築し、誰もが最初から苦痛なく学習、推論、視覚化を開始できるようにします。
まずおもちゃのデータセットをダウンロードします。トレーニング用のデータセット構造は次のとおりです。
cd ./pixart-sigma-toy-dataset
Dataset Structure
├──InternImgs/ (images are saved here)
│ ├──000000000000.png
│ ├──000000000001.png
│ ├──......
├──InternData/
│ ├──data_info.json (meta data)
Optional(?)
│ ├──img_sdxl_vae_features_1024resolution_ms_new (run tools/extract_caption_feature.py to generate caption T5 features, same name as images except .npz extension)
│ │ ├──000000000000.npy
│ │ ├──000000000001.npy
│ │ ├──......
│ ├──caption_features_new
│ │ ├──000000000000.npz
│ │ ├──000000000001.npz
│ │ ├──......
│ ├──sharegpt4v_caption_features_new (run tools/extract_caption_feature.py to generate caption T5 features, same name as images except .npz extension)
│ │ ├──000000000000.npz
│ │ ├──000000000001.npz
│ │ ├──......
# SDXL-VAE, T5 checkpoints
git lfs install
git clone https://huggingface.co/PixArt-alpha/pixart_sigma_sdxlvae_T5_diffusers output/pretrained_models/pixart_sigma_sdxlvae_T5_diffusers
# PixArt-Sigma checkpoints
python tools/download.py # environment eg. HF_ENDPOINT=https://hf-mirror.com can use for HuggingFace mirror設定ファイルディレクトリから目的の設定ファイルを選択します。
python -m torch.distributed.launch --nproc_per_node=1 --master_port=12345
train_scripts/train.py
configs/pixart_sigma_config/PixArt_sigma_xl2_img512_internalms.py
--load-from output/pretrained_models/PixArt-Sigma-XL-2-512-MS.pth
--work-dir output/your_first_pixart-exp
--debug開始するには、まず必要な依存関係をインストールします。チェックポイント ファイルをモデル (近日公開予定) からoutput/pretrained_modelsフォルダーにダウンロードしたことを確認し、ローカル マシンで実行します。
# SDXL-VAE, T5 checkpoints
git lfs install
git clone https://huggingface.co/PixArt-alpha/pixart_sigma_sdxlvae_T5_diffusers output/pixart_sigma_sdxlvae_T5_diffusers
# PixArt-Sigma checkpoints
python tools/download.py
# demo launch
python scripts/interface.py --model_path output/pretrained_models/PixArt-Sigma-XL-2-512-MS.pth --image_size 512 --port 11223重要
diffusersアップグレードして、 PixArtSigmaPipeline利用できるようにしましょう。
pip install git+https://github.com/huggingface/diffusers diffusers<0.28.0の場合は、このスクリプトでヘルプを確認してください。
import torch
from diffusers import Transformer2DModel , PixArtSigmaPipeline
device = torch . device ( "cuda:0" if torch . cuda . is_available () else "cpu" )
weight_dtype = torch . float16
transformer = Transformer2DModel . from_pretrained (
"PixArt-alpha/PixArt-Sigma-XL-2-1024-MS" ,
subfolder = 'transformer' ,
torch_dtype = weight_dtype ,
use_safetensors = True ,
)
pipe = PixArtSigmaPipeline . from_pretrained (
"PixArt-alpha/pixart_sigma_sdxlvae_T5_diffusers" ,
transformer = transformer ,
torch_dtype = weight_dtype ,
use_safetensors = True ,
)
pipe . to ( device )
# Enable memory optimizations.
# pipe.enable_model_cpu_offload()
prompt = "A small cactus with a happy face in the Sahara desert."
image = pipe ( prompt ). images [ 0 ]
image . save ( "./catcus.png" )pip install git+https://github.com/huggingface/diffusers
# PixArt-Sigma 1024px
DEMO_PORT=12345 python app/app_pixart_sigma.py
# PixArt-Sigma One step Sampler(DMD)
DEMO_PORT=12345 python app/app_pixart_dmd.py http://your-server-ip:12345を使用した簡単な例を見てみましょう。
ハグフェイスから直接ダウンロード
または次のように実行します。
pip install git+https://github.com/huggingface/diffusers
python tools/convert_pixart_to_diffusers.py --orig_ckpt_path output/pretrained_models/PixArt-Sigma-XL-2-1024-MS.pth --dump_path output/pretrained_models/PixArt-Sigma-XL-2-1024-MS --only_transformer=True --image_size=1024 --version sigmaすべてのモデルがここで自動的にダウンロードされます。この URL から手動でダウンロードすることもできます。
| モデル | #Params | チェックポイントのパス | OpenXLab でダウンロードする |
|---|---|---|---|
| T5 および SDXL-VAE | 4.5B | ディフューザー: pixart_sigma_sdxlvae_T5_diffusers | 近日公開 |
| PixArt-Σ-256 | 0.6B | pth: PixArt-Sigma-XL-2-256x256.pth ディフューザー: PixArt-Sigma-XL-2-256x256 | 近日公開 |
| PixArt-Σ-512 | 0.6B | pth: PixArt-Sigma-XL-2-512-MS.pth ディフューザー: PixArt-Sigma-XL-2-512-MS | 近日公開 |
| PixArt-α-512-DMD | 0.6B | ディフューザー: PixArt-Alpha-DMD-XL-2-512x512 | 近日公開 |
| PixArt-Σ-1024 | 0.6B | pth: PixArt-Sigma-XL-2-1024-MS.pth ディフューザー: PixArt-Sigma-XL-2-1024-MS | 近日公開 |
| PixArt-Σ-2K | 0.6B | pth: PixArt-Sigma-XL-2-2K-MS.pth ディフューザー: PixArt-Sigma-XL-2-2K-MS | 近日公開 |
リリースできるように頑張ります
@misc{chen2024pixartsigma,
title={PixArt-Sigma: Weak-to-Strong Training of Diffusion Transformer for 4K Text-to-Image Generation},
author={Junsong Chen and Chongjian Ge and Enze Xie and Yue Wu and Lewei Yao and Xiaozhe Ren and Zhongdao Wang and Ping Luo and Huchuan Lu and Zhenguo Li},
year={2024},
eprint={2403.04692},
archivePrefix={arXiv},
primaryClass={cs.CV}
