/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
stable-cascade
Библиотека
diffusers
Опубликована
10 июн 2024

sotediffusion-wuerstchen3

Генерация изображенийТекст → изображение3 профессии

Дообученная на аниме-изображениях модель Stable Cascade для генерации иллюстраций по текстовым запросам.

659скачиваний за 30 дней16лайковвеса обновлены1 окт 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображения» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SoteDiffusion Wuerstchen3 — модель генерации изображений по текстовому описанию, разработанная автором Disty0 как дообучение Stable Cascade от Stability AI. Она предназначена прежде всего для создания аниме-иллюстраций; для запуска автор приводит примеры настроек в SD.Next и ComfyUI, а также упоминает доступ через API Fal.AI.

Модель обучали на 6 млн изображений в течение трёх эпох на восьми GPU A100 80 ГБ. Веса доступны в формате safetensors для Diffusers. В обучающих данных использовались подписи и теги, включая оценки эстетики и качества; для промптов автор рекомендует теги вроде «newest» и «best quality». README не сообщает длину контекста или перечень поддерживаемых текстовых языков.

Модель специализируется на аниме-стиле; реалистичная генерация не проверялась. Иногда результат может становиться реалистичным, а глаза и руки на дальнем плане могут выглядеть неудачно. Лицензия в метаданных указана как «other», поэтому конкретные условия использования следует уточнить на странице репозитория.

Сценарии применения

  • создание аниме-иллюстраций по текстовому описанию
  • генерация персонажей в заданном стиле или качестве
  • подготовка вертикальных и широкоформатных аниме-изображений

Ограничения

Реалистичная генерация не проверялась; модель иногда может выдавать реалистичный стиль. Глаза и руки на дальнем плане могут выглядеть неудачно.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

New verison is available: https://huggingface.co/Disty0/sotediffusion-v2

SoteDiffusion Wuerstchen3

Anime finetune of Würstchen V3.

Release Notes

  • This release is sponsored by fal.ai/grants
  • Trained on 6M images for 3 epochs using 8x A100 80G GPUs.

API Usage

This model can be used via API with Fal.AI
For more details: https://fal.ai/models/fal-ai/stable-cascade/sote-diffusion

UI Guide

SD.Next

URL: https://github.com/vladmandic/automatic/

Go to Models -> Huggingface and type Disty0/sotediffusion-wuerstchen3-decoder into the model name and press download.
Load Disty0/sotediffusion-wuerstchen3-decoder after the download process is complete.

Prompt:

newest, extremely aesthetic, best quality,

Negative Prompt:

very displeasing, worst quality, monochrome, realistic, oldest, loli,

Parameters:
Sampler: Default

Steps: 30 or 40
Refiner Steps: 10

CFG: 7
Secondary CFG: 2 or 1

Resolution: 1024x1536, 2048x1152
Anything works as long as it's a multiply of 128.

ComfyUI

Please refer to CivitAI: https://civitai.com/models/353284

Code Example

pip install diffusers
import torch
from diffusers import StableCascadeCombinedPipeline

device = "cuda"
dtype = torch.bfloat16 # or torch.float16
model = "Disty0/sotediffusion-wuerstchen3-decoder"

pipe = StableCascadeCombinedPipeline.from_pretrained(model, torch_dtype=dtype)

# send everything to the gpu:
pipe = pipe.to(device, dtype=dtype)
pipe.prior_pipe = pipe.prior_pipe.to(device, dtype=dtype)

# or enable model offload to save vram:
# pipe.enable_model_cpu_offload()



prompt = "newest, extremely aesthetic, best quality, 1girl, solo, cat ears, pink hair, orange eyes, long hair, bare shoulders, looking at viewer, smile, indoors, casual, living room, playing guitar,"
negative_prompt = "very displeasing, worst quality, monochrome, realistic, oldest, loli,"
output = pipe(
    width=1024,
    height=1536,
    prompt=prompt,
    negative_prompt=negative_prompt,
    decoder_guidance_scale=2.0,
    prior_guidance_scale=7.0,
    prior_num_inference_steps=30,
    output_type="pil",
    num_inference_steps=10
).images[0]

## do something with the output image

Training:

Software used: Kohya SD-Scripts with Stable Cascade branch.
https://github.com/kohya-ss/sd-scripts/tree/stable-cascade

GPU used: 8x Nvidia A100 80GB
GPU Hours: 220

Base

parametervalue
ampbf16
weightsfp32
save weightsfp16
resolution1024x1024
effective batch size128
unet learning rate1e-5
te learning rate4e-6
optimizerAdafactor
images6M
epochs3

Final

parametervalue
ampbf16
weightsfp32
save weightsfp16
resolution1024x1024
effective batch size128
unet learning rate4e-6
te learning ratenone
optimizerAdafactor
images120K
epochs16

Dataset:

GPU used for captioning: 1x Intel ARC A770 16GB
GPU Hours: 350

Model used for captioning: SmilingWolf/wd-swinv2-tagger-v3
Model used for text: llava-hf/llava-1.5-7b-hf

Command:

python /mnt/DataSSD/AI/Apps/kohya_ss/sd-scripts/finetune/tag_images_by_wd14_tagger.py --model_dir "/mnt/DataSSD/AI/models/wd14_tagger_model" --repo_id "SmilingWolf/wd-swinv2-tagger-v3" --recursive --remove_underscore --use_rating_tags --character_tags_first --character_tag_expand --append_tags --onnx --caption_separator ", " --general_threshold 0.35 --character_threshold 0.50 --batch_size 4 --caption_extension ".txt" ./
dataset nametotal images
newest1.848.331
recent1.380.630
mid993.227
early566.152
oldest160.397
pixiv343.614
visual novel cg231.358
anime wallpaper104.790
Total5.628.499

Note:

  • Smallest size is 1280x600 | 768.000 pixels
  • Deduped based on image similarity using czkawka-cli
  • Around 120K very high quality images got intentionally duplicated 5 times, making the total image count 6.2M

Tags:

Model is trained with random tag order but this is the order in the dataset if you are interested:

aesthetic tags, quality tags, date tags, custom tags, rating tags, character, series, rest of the tags

Date:

tagdate
newest2022 to 2024
recent2019 to 2021
mid2015 to 2018
early2011 to 2014
oldest2005 to 2010

Aesthetic Tags:

Model used: shadowlilac/aesthetic-shadow-v2

score greater thantagcount
0.90extremely aesthetic125.451
0.80very aesthetic887.382
0.70aesthetic1.049.857
0.50slightly aesthetic1.643.091
0.40not displeasing569.543
0.30not aesthetic445.188
0.20slightly displeasing341.424
0.10displeasing237.660
rest of themvery displeasing328.712

Quality Tags:

Model used: https://huggingface.co/hakurei/waifu-diffusion-v1-4/blob/main/models/aes-B32-v0.pth

score greater thantagcount
0.980best quality1.270.447
0.900high quality498.244
0.750great quality351.006
0.500medium quality366.448
0.250normal quality368.380
0.125bad quality279.050
0.025low quality538.958
rest of themworst quality1.955.966

Rating Tags:

tagcount
general1.416.451
sensitive3.447.664
nsfw427.459
explicit nsfw336.925

Custom Tags:

dataset namecustom tag
image boardsdate,
textThe text says "text",
characterscharacter, series
pixivart by Display_Name,
visual novel cgFull_VN_Name (short_3_letter_name), visual novel cg,
anime wallpaperdate, anime wallpaper,

Limitations and Bias

Bias

  • This model is intended for anime illustrations.
    Realistic capabilites are not tested at all.

Limitations

  • Can fall back to realistic.
    Add "realistic" tag to the negatives when this happens.
  • Far shot eyes and hands can be bad.

License

SoteDiffusion models falls under Fair AI Public License 1.0-SD license, which is compatible with Stable Diffusion models’ license. Key points:

  1. Modification Sharing: If you modify SoteDiffusion models, you must share both your changes and the original license.
  2. Source Code Accessibility: If your modified version is network-accessible, provide a way (like a download link) for others to get the source code. This applies to derived models too.
  3. Distribution Terms: Any distribution must be under this license or another with similar rules.
  4. Compliance: Non-compliance must be fixed within 30 days to avoid license termination, emphasizing transparency and adherence to open-source values.

Notes: Anything not covered by Fair AI license is inherited from Stability AI Non-Commercial license which is named as LICENSE_INHERIT.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · diffusers

Можно запустить

Подбираем GPU…

Ревизия весов
9698642

0 моделей