/ Модель

Характеристики

Лицензия
OpenRAIL++
Опубликована
4 ноя 2023

PixArt-XL-2-1024-MS

Генерация изображенийТекст → изображение3 профессии

PixArt-α — трансформерная латентно-диффузионная модель для генерации и редактирования изображений по текстовым запросам с разрешением 1024 пикселя.

4 850скачиваний за 30 дней212лайковвеса обновлены7 ноя 2023

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-α — генеративная модель преобразования текста в изображения, разработанная командой PixArt-α. Она построена на трансформерных блоках латентной диффузии и использует предварительно обученный текстовый энкодер T5 и VAE для представления изображений. По текстовому запросу модель генерирует изображения размером 1024 пикселя за один процесс семплирования; также заявлена возможность редактирования изображений по тексту.

Модель предназначена для создания иллюстраций и художественных изображений, дизайнерских задач и исследований генеративных моделей. Авторы отмечают ограничения в фотореализме, отрисовке читаемого текста, сложных пространственных композициях и деталях вроде пальцев; автоэнкодер вносит потери. Генерация изображений реальных людей или событий как фактических изображений выходит за рамки назначения модели. Лицензия — CreativeML Open RAIL++-M.

Сценарии применения

  • создание художественных изображений по описанию
  • генерация иллюстраций для творческих проектов
  • подготовка визуальных концепций для дизайна
  • создание изображений в образовательных инструментах
  • исследование генеративных моделей и их ограничений

Ограничения

Модель может плохо передавать фотореализм, читаемый текст, сложные пространственные отношения и мелкие детали, например пальцы; латентный автоэнкодер вносит потери. Генерация фактических изображений реальных людей или событий не относится к её назначению.

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

🐱 Pixart-α Model Card

row01

Model

pipeline

Pixart-α consists of pure transformer blocks for latent diffusion: It can directly generate 1024px images from text prompts within a single sampling process.

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

Model Description

Model Sources

For research purposes, we recommend our generative-models Github repository (https://github.com/PixArt-alpha/PixArt-alpha), 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-α inference.

🔥🔥🔥 Why PixArt-α?

Training Efficiency

PixArt-α only takes 10.8% of Stable Diffusion v1.5's training time (675 vs. 6,250 A100 GPU days), saving nearly $300,000 ($26,000 vs. $320,000) and reducing 90% CO2 emissions. Moreover, compared with a larger SOTA model, RAPHAEL, our training cost is merely 1%. Training Efficiency.

MethodType#Params#ImagesA100 GPU days
DALL·EDiff12.0B1.54B
GLIDEDiff5.0B5.94B
LDMDiff1.4B0.27B
DALL·E 2Diff6.5B5.63B41,66
SDv1.5Diff0.9B3.16B6,250
GigaGANGAN0.9B0.98B4,783
ImagenDiff3.0B15.36B7,132
RAPHAELDiff3.0B5.0B60,000
PixArt-αDiff0.6B0.025B675

Evaluation

comparison The chart above evaluates user preference for Pixart-α over SDXL 0.9, Stable Diffusion 2, DALLE-2 and DeepFloyd. The Pixart-α base model performs comparable or even better than the existing state-of-the-art models.

🧨 Diffusers

Make sure to upgrade diffusers to >= 0.22.0:

pip install -U diffusers --upgrade

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

pip install transformers accelerate safetensors sentencepiece

To just use the base model, you can run:

from diffusers import PixArtAlphaPipeline
import torch

pipe = PixArtAlphaPipeline.from_pretrained("PixArt-alpha/PixArt-XL-2-1024-MS", torch_dtype=torch.float16)
pipe = pipe.to("cuda")

# if using torch < 2.0
# pipe.enable_xformers_memory_efficient_attention()

prompt = "An astronaut riding a green horse"
images = pipe(prompt=prompt).images[0]

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-α with diffusers, please have a look at the Pixart-α Docs.

Free Google Colab

You can use Google Colab to generate images from PixArt-α free of charge. Click here to try.

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
b89adad

0 моделей