/ Модель

Характеристики

Лицензия
Своя лицензия
Опубликована
25 апр 2024

sotediffusion-wuerstchen3-alpha1

Генерация изображенийТекст → изображение3 профессии

Экспериментальная текстовая модель Disty0 для генерации аниме-иллюстраций на основе Würstchen V3.

90скачиваний за 30 дней2лайкавеса обновлены28 мая 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 — экспериментальная модель генерации изображений в стиле аниме, созданная Disty0 как дообучение Würstchen V3. Она принимает текстовые запросы и предназначена прежде всего для создания аниме-иллюстраций; автор приводит примеры работы с разрешением 1024×1536 и 2048×1152, а также с разрешениями, кратными 128. Модель обучалась с помощью Kohya SD-Scripts на ветке Stable Cascade; в README указана базовая модель Disty0/sote-diffusion-cascade-alpha0.

Модель находится на раннем этапе обучения. Реалистичная генерация не проверялась, возможны реалистичные результаты вместо аниме, ошибки в анатомии и руках, а также дефекты глаз у персонажей на дальнем плане. Для исправления реалистичных результатов автор советует добавлять тег realistic в negative prompt. Лицензия указана как other; автор предупреждает, что коммерческое использование запрещено.

Сценарии применения

  • создание аниме-иллюстраций по текстовому запросу
  • генерация изображений персонажей в эстетике визуальных новелл
  • создание аниме-арта в разных разрешениях для творческих проектов

Ограничения

Модель всё ещё активно обучается; реалистичная генерация не проверялась. Возможны ошибки анатомии и рук, дефекты глаз на дальнем плане и уход в реалистичный стиль.

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

SoteDiffusion Wuerstchen3

Anime finetune of Würstchen V3.
Currently is in early state in training.
No commercial use thanks to StabilityAI.

Release Notes

Did major cleanup on the dataset in this release.
Changed the training parameters and started from a fresh state.
Switch to FairAI license. (Still no commercial use.)

UI Guide

SD.Next

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

Go to Models -> Huggingface and type Disty0/sotediffusion-wuerstchen3-alpha1-decoder into the model name and press download.
Load Disty0/sotediffusion-wuerstchen3-alpha1-decoder after the download process is complete.

Prompt:

very aesthetic, best quality, newest,

Negative Prompt:

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

Parameters:
Sampler: Default

Steps: 30 or 40
Refiner Steps: 10

CFG: 8
Secondary CFG: 1 or 1.2

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
model = "Disty0/sotediffusion-wuerstchen3-alpha1-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 = "1girl, solo, cowboy shot, straight hair, looking at viewer, hoodie, indoors, slight smile, casual, furniture, doorway, very aesthetic, best quality, newest,"
negative_prompt = "very displeasing, worst quality, oldest, monochrome, sketch, realistic,"

output = pipe(
    width=1024,
    height=1536,
    prompt=prompt,
    negative_prompt=negative_prompt,
    decoder_guidance_scale=1.0,
    prior_guidance_scale=8.0,
    prior_num_inference_steps=40,
    output_type="pil",
    num_inference_steps=10
).images[0]

## do something with the output image

Training Status:

GPU used for training: 1x AMD RX 7900 XTX 24GB
GPU Hours: 100

dataset nametraining doneremaining
newest003228
recent003169
mid003121
early003067
oldest003017
pixiv003039
visual novel cg003025
anime wallpaper003010
Total32682

Note: chunks starts from 0 and there are 8000 images per chunk

Dataset:

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

Model used for captioning: SmilingWolf/wd-swinv2-tagger-v3
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 imagestotal chunk
newest1.848.331232
recent1.380.630173
mid993.227125
early566.152071
oldest160.397021
pixiv343.614043
visual novel cg231.358029
anime wallpaper104.790014
Total5.628.499708

Note:

  • Smallest size is 1280x600 | 768.000 pixels
  • Deduped based on image similarity using czkawka-cli

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,
pixivart by Display_Name,
visual novel cgFull_VN_Name (short_3_letter_name), visual novel cg,
anime wallpaperdate, anime wallpaper,

Training Parameters:

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

Base model: Disty0/sote-diffusion-cascade-alpha0

Command:

LD_PRELOAD=/usr/lib/libtcmalloc.so.4 accelerate launch  --mixed_precision fp16 --num_cpu_threads_per_process 1 stable_cascade_train_stage_c.py \
--mixed_precision fp16 \
--save_precision fp16 \
--full_fp16 \
--sdpa \
--gradient_checkpointing \
--train_text_encoder \
--resolution "1024,1024" \
--train_batch_size 2 \
--gradient_accumulation_steps 8 \
--learning_rate 1e-5 \
--learning_rate_te1 1e-5 \
--lr_scheduler constant_with_warmup \
--lr_warmup_steps 100 \
--optimizer_type adafactor \
--optimizer_args "scale_parameter=False" "relative_step=False" "warmup_init=False" \
--max_grad_norm 0 \
--token_warmup_min 1 \
--token_warmup_step 0 \
--shuffle_caption \
--caption_separator ", " \
--caption_dropout_rate 0 \
--caption_tag_dropout_rate 0 \
--caption_dropout_every_n_epochs 0 \
--dataset_repeats 1 \
--save_state \
--save_every_n_steps 256 \
--sample_every_n_steps 64 \
--max_token_length 225 \
--max_train_epochs 1 \
--caption_extension ".txt" \
--max_data_loader_n_workers 2 \
--persistent_data_loader_workers \
--enable_bucket \
--min_bucket_reso 256 \
--max_bucket_reso 4096 \
--bucket_reso_steps 64 \
--bucket_no_upscale \
--log_with tensorboard \
--output_name sotediffusion-wr3_3b \
--train_data_dir /mnt/DataSSD/AI/anime_image_dataset/combined/combined-0004/0005 \
--in_json /mnt/DataSSD/AI/anime_image_dataset/combined/combined-0004/0005.json \
--output_dir /mnt/DataSSD/AI/SoteDiffusion/Wuerstchen3/sotediffusion-wr3_3b-4/0005 \
--logging_dir /mnt/DataSSD/AI/SoteDiffusion/Wuerstchen3/sotediffusion-wr3_3b-4/0005/logs \
--resume /mnt/DataSSD/AI/SoteDiffusion/Wuerstchen3/sotediffusion-wr3_3b-4/0004/sotediffusion-wr3_3b-state \
--stage_c_checkpoint_path /mnt/DataSSD/AI/SoteDiffusion/Wuerstchen3/sotediffusion-wr3_3b-4/0004/sotediffusion-wr3_3b.safetensors \
--text_model_checkpoint_path /mnt/DataSSD/AI/SoteDiffusion/Wuerstchen3/sotediffusion-wr3_3b-4/0004/sotediffusion-wr3_3b_text_model.safetensors \
--effnet_checkpoint_path /mnt/DataSSD/AI/models/wuerstchen3/effnet_encoder.safetensors \
--previewer_checkpoint_path /mnt/DataSSD/AI/models/wuerstchen3/previewer.safetensors \
--sample_prompts /mnt/DataSSD/AI/SoteDiffusion/Wuerstchen3/config/sotediffusion-prompt.txt

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 can be bad.
  • Anatomy and hands can be bad.
  • Still in active training.

License

(This part is copied directly from Animagine V3.1 and modified.)

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. Meaning, still no commercial use of any kind.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Ревизия весов
cd7bcf7

0 моделей