/ Модель

Характеристики

Лицензия
OpenRAIL++
Опубликована
11 апр 2024

PixArt-Sigma-XL-2-1024-MS

Генерация изображенийТекст → изображение4 профессии

PixArt-Σ XL 2 1024 MS — трансформерная латентно-диффузионная модель для генерации и редактирования изображений по текстовым запросам.

34 315скачиваний за 30 дней110лайковвеса обновлены4 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

PixArt-Σ XL 2 1024 MS — диффузионная модель генерации и редактирования изображений по текстовым запросам, разработанная командой PixArt-Σ. Она использует латентную диффузию на основе трансформерных блоков, предобученный текстовый кодировщик T5 и VAE. Модель рассчитана на создание изображений размером 1024 пикселя, а семейство PixArt-Σ также поддерживает генерацию в разрешении 2K и 4K.

Модель подходит для создания иллюстраций и концептов для дизайна, творческих и образовательных инструментов, а также для исследований генеративных моделей. Распространяется в форматах Diffusers и safetensors по лицензии CreativeML Open RAIL++-M. В карточке Hugging Face указана лицензия openrail++.

Ограничения включают несовершенный фотореализм, трудности с композицией объектов, нечитаемый текст внутри изображений и ошибки в деталях вроде пальцев. Модель не предназначена для создания достоверных изображений реальных людей или событий; генерация может усиливать социальные предубеждения, а VAE вносит потери.

Сценарии применения

  • создание иллюстраций по текстовому описанию
  • подготовка концепт-артов и дизайн-макетов
  • генерация изображений для творческих и образовательных инструментов
  • исследование трансформерных моделей латентной диффузии

Ограничения

Модель может ошибаться в фотореалистичности, композиции и мелких деталях, плохо отображает читаемый текст и не гарантирует точного воспроизведения людей или событий. Генерация может отражать социальные предубеждения, а латентный автоэнкодер вносит потери.

Для каких профессий подходит4

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

🐱 PixArt-Σ Model Card

row01

Model

pipeline

PixArt-Σ consists of pure transformer blocks for latent diffusion: It can directly generate 1024px, 2K and 4K images from text prompts within a single sampling process.

Source code is available at https://github.com/PixArt-alpha/PixArt-sigma.

Model Description

Model Sources

For research purposes, we recommend our generative-models Github repository (https://github.com/PixArt-alpha/PixArt-sigma), which is more suitable for both training and inference and for which most advanced diffusion sampler like SA-Solver will be added over time. Hugging Face provides free PixArt-Σ inference.

🧨 Diffusers

[!IMPORTANT]
Make sure to upgrade diffusers to >= 0.28.0:

pip install -U diffusers --upgrade

In addition make sure to install transformers, safetensors, sentencepiece, and accelerate:

pip install transformers accelerate safetensors sentencepiece

For diffusers<0.28.0, check this script for help.

To just use the base model, you can run:

import torch
from diffusers import Transformer2DModel, PixArtSigmaPipeline

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
weight_dtype = torch.float16

pipe = PixArtSigmaPipeline.from_pretrained(
    "PixArt-alpha/PixArt-Sigma-XL-2-1024-MS", 
    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")

When using torch >= 2.0, you can improve the inference speed by 20-30% with torch.compile. Simple wrap the unet with torch compile before running the pipeline:

pipe.transformer = torch.compile(pipe.transformer, mode="reduce-overhead", fullgraph=True)

If you are limited by GPU VRAM, you can enable cpu offloading by calling pipe.enable_model_cpu_offload instead of .to("cuda"):

- pipe.to("cuda")
+ pipe.enable_model_cpu_offload()

For more information on how to use PixArt-Σ with diffusers, please have a look at the PixArt-Σ Docs.

Uses

Direct Use

The model is intended for research purposes only. Possible research areas and tasks include

  • Generation of artworks and use in design and other artistic processes.

  • Applications in educational or creative tools.

  • Research on generative models.

  • Safe deployment of models which have the potential to generate harmful content.

  • Probing and understanding the limitations and biases of generative models.

Excluded uses are described below.

Out-of-Scope Use

The model was not trained to be factual or true representations of people or events, and therefore using the model to generate such content is out-of-scope for the abilities of this model.

Limitations and Bias

Limitations

  • The model does not achieve perfect photorealism
  • The model cannot render legible text
  • The model struggles with more difficult tasks which involve compositionality, such as rendering an image corresponding to “A red cube on top of a blue sphere”
  • fingers, .etc in general may not be generated properly.
  • The autoencoding part of the model is lossy.

Bias

While the capabilities of image generation models are impressive, they can also reinforce or exacerbate social biases.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Ревизия весов
e102b35

0 моделей