/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
14 июл 2026

ShellD

Генерация изображенийТекст → изображение3 профессии

ShellD — компактная латентная DiT-модель для генерации изображений 256×256 по текстовым запросам.

32скачиваний за 30 дней5лайковвеса обновлены16 июл 2026

Бенчмарки

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

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

ShellD (Shell Diffusion) — компактная модель генерации изображений по тексту, разработанная автором репозитория FlameF0X. Она предназначена для учебного изучения диффузионных трансформеров, генерации изображений на потребительском оборудовании и дообучения на собственных наборах данных.

Модель использует архитектуру DiT в латентном пространстве VAE: 12 трансформерных блоков с перекрёстным вниманием к тексту, патчами размера 4 и скрытым размером 256. Замороженный текстовый энкодер MiniLM-L6-v2 формирует векторы размерности 384; VAE кодирует изображения в 16-канальные латенты. Общий размер компонентов по приведённым значениям — около 67 млн параметров. На выходе получаются изображения 256×256; применяется DDPM с 1000 шагами и поддержкой classifier-free guidance.

Модель рассчитана на англоязычные текстовые запросы через используемый англоязычный энкодер MiniLM. Её сильная сторона — сравнительно лёгкая архитектура, пригодная для экспериментов и запуска на потребительских GPU. Ограничения: фиксированное разрешение 256×256, ограниченное понимание запросов и зависимость качества от обучающих данных; качество уступает крупным системам вроде SDXL или Flux. Лицензия — Apache-2.0.

Сценарии применения

  • генерация небольших изображений по текстовому описанию
  • учебные эксперименты с диффузионными трансформерами
  • запуск text-to-image генерации на потребительском GPU
  • дообучение генератора изображений на пользовательском датасете

Ограничения

Генерирует изображения только в разрешении 256×256 без встроенного увеличения. Понимание запросов ограничено небольшим DiT и замороженным лёгким текстовым энкодером, а качество зависит от распределения обучающих данных.

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

ShellD (Shell Diffusion)

Small DiT-based Text-to-Image Latent Diffusion Model

ShellD is a lightweight text-to-image model that generates 256×256 images from natural language prompts. It uses a Diffusion Transformer (DiT) backbone operating in a compact VAE latent space, making it feasible to train and run on consumer GPUs.


Model Architecture

Text Prompt → [MiniLM-L6-v2 (frozen)] → Text Embedding (384-d)
                                                      ↓
Random Noise → [VAE Encoder] → Latent (16ch) → [DiT (12 blocks)] → Denoised Latent → [VAE Decoder] → 256×256 Image
ComponentDetailsParams
Text Encodersentence-transformers/all-MiniLM-L6-v2 (frozen)22.71M
VAEEncoder + Decoder with residual blocks, 3 down/up stages, latent dim=1623.43M
DiT12-layer Transformer with self-attention, cross-attention (text), and adaptive timestep conditioning. Patch size=4, hidden dim=256, 8 heads20.80M
Total66.95M (trainable: 44.23M)

VAE (Autoencoder)

The VAE compresses 256×256 RGB images into a 16-channel latent with spatial size 32×32 (downsampled by 8×). It uses residual blocks with GroupNorm and SiLU activations. During training, a KL penalty (β=0.1) keeps latents close to a standard normal distribution.

DiT (Diffusion Transformer)

The DiT operates on patched latents (patch size 4 → 8×8 = 64 patches). Each block includes:

  • Self-attention for spatial relationships
  • Cross-attention conditioned on text embeddings
  • Adaptive timestep conditioning via an MLP-projected sinusoidal embedding
  • Dropout (0.1) in attention and MLP for regularization

Diffusion Process

Standard DDPM (Denoising Diffusion Probabilistic Model) with 1000 timesteps and a linear beta schedule (β₁=1e‑4, βᵀ=0.02). The model is trained to predict the added noise ε. Classifier-free guidance (CFG) is used during training with a text-conditioning dropout probability of 15%.


Training

Dataset

jackyhate/text-to-image-2M — ~2M high-quality text-image pairs in webdataset format. Loaded via the datasets library with streaming to avoid materializing the full 2TB+ dataset into memory. A rotating 2000-image in-memory buffer (~400 MB RAM) is refreshed each epoch from a fresh random stream to provide shuffle diversity without disk I/O bottlenecks.

Data Augmentation

Random horizontal flip (p=0.5), color jitter (brightness/contrast/saturation ±0.2, hue ±0.05), and random affine transforms (rotation ±10°, translation ±5%, scale 0.9–1.1) via torchvision.

Hyperparameters

ParameterValue
Image size256×256
Batch size8
OptimizerAdamW (β₁=0.9, β₂=0.999, lr=1e‑4, weight decay=0.01)
LR scheduleLinear warmup (500 steps) + Cosine annealing
Gradient clipping1.0 (norm)
Mixed precisionFP16 via torch.cuda.amp.GradScaler
Dropout0.1 (DiT attention + MLP)
EMAExponential moving average (decay=0.999) applied at every step; EMA weights used for validation and final checkpoint
Early stoppingPatience of 8 epochs on validation loss (10% held-out split)
KL weight0.1 (β-VAE style)

VAE Pretraining

Before diffusion training, the VAE is pretrained for 10 epochs on reconstruction + KL loss with a higher learning rate (lr=1e‑3) to establish a meaningful latent space. During this phase the DiT and text encoder are frozen.

Training Phases

  1. VAE Pretraining (10 epochs) — Train encoder + decoder on image reconstruction to establish a meaningful latent space. DiT and text encoder are frozen.
  2. DiT Diffusion Training (up to 30 epochs, early-stopped) — Freeze VAE, train DiT to denoise latents conditioned on text embeddings. CFG dropout randomly replaces text embeddings with a learned null embedding to enable classifier-free guidance at inference time.

Usage

Requirements

pip install torch safetensors sentence-transformers pillow numpy huggingface-hub

For training, also install:

pip install torchvision datasets

Inference (standalone — loads from Hugging Face)

from inference import ShellDInference

pipe = ShellDInference("FlameF0X/ShellD")
image = pipe.generate("a serene lake surrounded by mountains")
image.save("output.png")

ShellDInference automatically downloads weights from Hugging Face via huggingface_hub on first use and caches them locally.

Streaming Generation

View the diffusion process unfold step-by-step:

for img, step_info in pipe.generate_stream(
    prompt="a futuristic city at night",
    num_steps=250,
    cfg_scale=3.0,
    display_every=25,  # emit an image every 25 steps
):
    print(f"Step {step_info['step']}/{step_info['total']}")
    img.save(f"progress_{step_info['step']:04d}.png")

Intended Use

  • Educational exploration of diffusion transformers
  • Lightweight text-to-image generation on consumer hardware
  • Starting point for fine-tuning on custom datasets

Limitations

  • 256×256 resolution only (no upscaling built in)
  • Limited prompt understanding due to small DiT and frozen lightweight text encoder
  • Quality depends on training data distribution — may not match large-scale models like SDXL or Flux

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Генеративная модель выложена не в формате diffusers.

Ревизия весов
352eec2

0 моделей