/ Модель

Характеристики

Лицензия
MIT
Библиотека
pytorch
Опубликована
15 авг 2026

text-diffusion-fashion-mnist

Генерация изображенийТекст → изображение3 профессии

Учебная диффузионная модель создаёт небольшие изображения предметов одежды Fashion-MNIST по одному из десяти фиксированных текстовых описаний.

23скачиваний за 30 дней2лайкавеса обновлены18 авг 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

Это экспериментальная текстово-условная диффузионная модель, созданная с нуля автором репозитория mbsdeepak на PyTorch. U-Net с 19,4 млн параметров учится обращать гауссовский процесс зашумления, используя замороженные текстовые эмбеддинги CLIP и classifier-free guidance, и создаёт изображение одежды Fashion-MNIST из случайного шума.

Модель предназначена для генерации изображений по одному из десяти фиксированных названий классов Fashion-MNIST: например, «sneaker», «dress» или «bag». Генерация выполняется в оттенках серого с разрешением 32×32; в карточке описана выборка методом DDIM за 50 шагов с guidance 1.5. Это учебный проект для знакомства с диффузионной генерацией, а не модель для фотореалистичных изображений или произвольных текстовых запросов. Лицензия — MIT.

Сценарии применения

  • генерация изображения кроссовка Fashion-MNIST по названию класса
  • создание учебных примеров одежды в оттенках серого
  • демонстрация работы диффузионной генерации изображений
  • изучение conditioning по текстовым эмбеддингам CLIP
  • эксперименты с classifier-free guidance на Fashion-MNIST

Ограничения

Модель поддерживает только фиксированный набор из десяти подписей Fashion-MNIST и не предназначена для произвольных текстовых запросов. Она генерирует только изображения в оттенках серого размером 32×32 и не рассчитана на фотореализм.

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

text-diffusion-fashion-mnist

A text-conditioned diffusion model built from scratch in PyTorch — a miniature Stable Diffusion trained on Fashion-MNIST (32×32 grayscale). A U-Net learns to reverse a Gaussian noising process, conditioned on frozen CLIP text embeddings, and generates a garment image from a caption using classifier-free guidance.

📦 Code / training / full write-up: https://github.com/mbsdeepak/text-diffusion-fashion-mnist

samples

One row per class (t-shirt, trouser, pullover, dress, coat, sandal, shirt, sneaker, bag, ankle boot); each image is generated from pure noise, DDIM 50 steps, guidance 1.5.

What it does

Give it one of the 10 Fashion-MNIST categories and it synthesises a brand-new image of that item from random noise:

"sneaker" ──► [model] ──► a novel 32×32 image of a sneaker

Files

FileDescription
model.safetensorsU-Net weights (19.4M params, raw / non-EMA)
config.jsonThe Config used to build the U-Net

How to load & sample

The architecture is defined in the GitHub repo, so load the weights into it:

git clone https://github.com/mbsdeepak/text-diffusion-fashion-mnist
cd text-diffusion-fashion-mnist
pip install -r requirements.txt
huggingface-cli download mbsdeepak/text-diffusion-fashion-mnist model.safetensors --local-dir .
import torch
from safetensors.torch import load_file
from config import get_config, FASHION_CLASSES
from src.unet import UNet
from src.diffusion import GaussianDiffusion
from src.text_encoder import TextConditioner
from src.data import denormalize
from torchvision.utils import save_image

cfg = get_config()
model = UNet(cfg).to(cfg.device)
model.load_state_dict(load_file("model.safetensors"))
model.eval()

cond = TextConditioner(cfg).to(cfg.device)
diff = GaussianDiffusion(cfg).to(cfg.device)

labels = torch.arange(len(FASHION_CLASSES), device=cfg.device)  # one of each class
imgs = diff.ddim_sample(model, cond, labels)
save_image(denormalize(imgs), "out.png", nrow=len(FASHION_CLASSES))

Training details

  • Data: Fashion-MNIST, 32×32, normalized to [-1, 1]
  • Objective: ε-prediction MSE (DDPM), cosine noise schedule, T=1000
  • Conditioning: frozen CLIP (openai/clip-vit-base-patch32) text embeddings via FiLM + cross-attention; 15% caption dropout for classifier-free guidance
  • Trained: 25 epochs on Apple Silicon (MPS), final loss ≈ 0.042
  • Sampling: DDIM, 50 steps, guidance scale 1.5 (low guidance — high CFG artifacts on this small, short-trained model)

These are the raw weights, not EMA — for a short (25-epoch) run the EMA average still lags the live weights, so the raw model produces the cleaner samples.

Limitations

  • Conditioned on a fixed set of 10 captions, so it's text-driven class-conditional generation, not open-vocabulary text-to-image (the cross-attention plumbing is the same; the dataset is the limit).
  • 32×32 grayscale — a learning/portfolio project to understand the method, not photorealism.

References

Ho et al. DDPM (2020) · Nichol & Dhariwal Improved DDPM (2021) · Song et al. DDIM (2021) · Ho & Salimans Classifier-Free Guidance (2022) · Rombach et al. Latent Diffusion (2022).

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

Генеративная модель выложена не в формате diffusers.

Ревизия весов
8d2b075

0 моделей