/ Модель

Характеристики

Опубликована
9 янв 2024

koala-1b-llava-cap

Генерация изображенийТекст → изображение

KOALA-1B-LLaVA-Caption — компактная латентно-диффузионная модель ETRI для генерации изображений по тексту с архитектурой U-Net, сжатой относительно SDXL.

14скачиваний за 30 дней14лайковвеса обновлены15 янв 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

KOALA-1B-LLaVA-Caption — модель генерации изображений по текстовому описанию, разработанная лабораторией визуального интеллекта ETRI. Это вариант KOALA-1B, обученный на парах изображений и синтезированных подписей: подписи для изображений из LAION-Aesthetics v2 6+ были созданы с помощью мультимодальной модели LLaVA.

Модель использует латентную диффузию и сжатую архитектуру U-Net, полученную уменьшением числа остаточных и трансформерных блоков относительно SDXL. U-Net содержит около 1,16 млрд параметров; текстовые энкодеры соответствуют SDXL-Base-1.0. KOALA предназначена для создания изображений, в том числе для художественных и дизайнерских задач, а также экспериментов с генеративными моделями. В карточке заявлена генерация с разрешением до 1024×1024; приведённые сравнения скорости измерялись при 25 шагах денойзинга и точности FP16.

Модель ориентирована на более эффективную генерацию, чем SDXL, при сохранении приемлемого качества. Она может плохо отображать длинный разборчивый текст и испытывать трудности со сложными запросами, содержащими много атрибутов; результаты также зависят от характеристик обучающего набора. Модель не предназначена для достоверного изображения людей или событий. README указывает исследовательское назначение, но не сообщает конкретную лицензию.

Сценарии применения

  • создание иллюстраций по текстовому описанию
  • подготовка художественных концептов и дизайн-эскизов
  • генерация изображений в творческих инструментах
  • исследование ускоренных моделей генерации изображений

Ограничения

Модель может плохо отображать длинный разборчивый текст внутри изображения и испытывать трудности со сложными запросами с несколькими атрибутами. Она не предназначена для достоверного изображения людей или событий.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

KOALA-1B-LLaVA-Caption Model Card

KOALA-700M and -1B models originally were trained on LAION-aesthetics-V2 6+ which has some noisy or very short texts. So we construct synthesized captions of LAION-aesthetics-V2 6+ by using a large multimodal model, LLaVA. KOALA-700M-LLaVA-Caption and KOALA-1B-LLaVA-Caption is trained on the synthesized caption-image pairs of LAION-aesthetics-V2 6+.

KOALA Model Cards

Modellink
koala-700mhttps://huggingface.co/etri-vilab/koala-700m
koala-700m-llava-caphttps://huggingface.co/etri-vilab/koala-700m-llava-cap
koala-1bhttps://huggingface.co/etri-vilab/koala-1bm
koala-1b-llava-caphttps://huggingface.co/etri-vilab/koala-1b-llava-cap

Abstract

TL;DR

We propose a fast text-to-image model, called KOALA, by compressing SDXL's U-Net and distilling knowledge from SDXL into our model. KOALA-700M can generate a 1024x1024 image in less than 1.5 seconds on an NVIDIA 4090 GPU, which is more than 2x faster than SDXL. KOALA-700M can be used as a decent alternative between SDM and SDXL in limited resources.

These 1024x1024 samples are generated by KOALA-700M with 25 denoising steps.

Architecture

There are two two types of compressed U-Net, KOALA-1B and KOALA-700M, which are realized by reducing residual blocks and transformer blocks.

U-Net comparison

U-NetSDM-v2.0SDXL-Base-1.0KOALA-1BKOALA-700M
Param.865M2,567M1,161M782M
CKPT size3.46GB10.3GB4.4GB3.0GB
Tx blocks[1, 1, 1, 1][0, 2, 10][0, 2, 6][0, 2, 5]
Mid block✓✓✓✗
Latency1.131s3.133s1.604s1.257s
  • Tx menans transformer block and CKPT means the trained checkpoint file.
  • We measured latency with FP16-precision, and 25 denoising steps in NVIDIA 4090 GPU (24GB).
  • SDM-v2.0 uses 768x768 resolution, while SDXL and KOALA models uses 1024x1024 resolution.

Latency and memory usage comparison on different GPUs

We measure the inference time of SDM-v2.0 with 768x768 resolution and the other models with 1024x1024 using a variety of consumer-grade GPUs: NVIDIA 3060Ti (8GB), 2080Ti (11GB), and 4090 (24GB). We use 25 denoising steps and FP16/FP32 precisions. OOM means Out-of-Memory. Note that SDXL-Base cannot operate in the 8GB-GPU.

Key Features

  • Efficient U-Net Architecture: KOALA models use a simplified U-Net architecture that reduces the model size by up to 54% and 69% respectively compared to its predecessor, Stable Diffusion XL (SDXL).
  • Self-Attention-Based Knowledge Distillation: The core technique in KOALA focuses on the distillation of self-attention features, which proves crucial for maintaining image generation quality.

Model Description

Usage with 🤗Diffusers library

The inference code with denoising step 25

import torch
from diffusers import StableDiffusionXLPipeline

pipe = StableDiffusionXLPipeline.from_pretrained("etri-vilab/koala-1b-llava-cap", torch_dtype=torch.float16)
pipe = pipe.to("cuda")

prompt = "A portrait painting of a Golden Retriever like Leonard da Vinci"
negative = "worst quality, low quality, illustration, low resolution"
image = pipe(prompt=prompt, negative_prompt=negative).images[0]

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

  • Text Rendering: The models face challenges in rendering long, legible text within images.
  • Complex Prompts: KOALA sometimes struggles with complex prompts involving multiple attributes.
  • Dataset Dependencies: The current limitations are partially attributed to the characteristics of the training dataset (LAION-aesthetics-V2 6+).

Citation

@misc{Lee@koala,
    title={KOALA: Self-Attention Matters in Knowledge Distillation of Latent Diffusion Models for Memory-Efficient and Fast Image Synthesis}, 
    author={Youngwan Lee and Kwanyong Park and Yoorhim Cho and Yong-Ju Lee and Sung Ju Hwang},
    year={2023},
    eprint={2312.04005},
    archivePrefix={arXiv},
    primaryClass={cs.CV}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Ревизия весов
3572527

0 моделей