/ Модель

Характеристики

Лицензия
CreativeML OpenRAIL-M
Библиотека
diffusers
Опубликована
1 апр 2024

sd15-big-g-alpha

Генерация изображенийТекст → изображение

Экспериментальная модель Stable Diffusion 1.5 с энкодером CLIP Big G для генерации изображений по текстовому описанию.

13скачиваний за 30 дней29лайковвеса обновлены1 апр 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

SD 1.5 Big G (alpha) — экспериментальная версия Stable Diffusion 1.5 от Ostris для генерации изображений по текстовому описанию. В модели заменён исходный текстовый энкодер CLIP-L на более крупный CLIP Big G; веса обучены переносом знаний от дообученной модели Objective Reality v2 методом «учитель—ученик». Модель распространяется в формате Diffusers с весами Safetensors по лицензии CreativeML OpenRAIL-M.

Чекпойнт предназначен для экспериментов с текстовым кодированием в генерации изображений и запускается через StableDiffusionPipeline в Diffusers. Автор отмечает, что обучение было предварительным: некоторые понятия не перенеслись, а для реализации потенциала большего энкодера модели требуется дальнейшее дообучение на крупном наборе данных. Примеры использования в карточке не приведены.

Сценарии применения

  • Эксперименты с генерацией изображений по текстовым промптам
  • Сравнение влияния энкодера CLIP Big G на генерацию Stable Diffusion 1.5
  • Дальнейшее дообучение текстово-графической модели

Ограничения

Автор сообщает, что часть понятий при переносе знаний не сохранилась; модель предварительно обучена и нуждается в дообучении на крупном наборе данных. Примеры генерации в карточке отсутствуют.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SD 1.5 Big G (alpha)

This is a Stable Diffusion 1.5 model, but it uses the CLIP Big G text encoder instead of the original CLIP-L text encoder. This is just a knowledge transfer pre-train with the goal of preserving the current knowledge of the model. It was only trained using student/teacher training from my SD 1.5 fine tune, Objective Reality v2. To fully realize the full potential of the much larger text encoder, it would need to be further fine tuned on a large dataset.

Examples

Coming soon

Usage

For diffusers, you can use it like any other stable diffusion model.

from diffusers import StableDiffusionPipeline
import torch

model_id = "ostris/sd15-big-g-alpha"
pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16)
pipe = pipe.to("cuda")

prompt = "a photo of an astronaut riding a horse on mars"
image = pipe(prompt).images[0]  
    
image.save("astronaut_rides_horse.png")

It will not work out of the box with Comfy UI or Auto1111. There would need to be special code to load it. If there is any interest in this model, I may work on compatibility. Overall, it won't be hard to add. The only architecture change is the text encoder the and cross attention weights.

Alpha

This is just a pretrained alpha. There are some concepts that did not seem to transfer. It really needs proper training on a large dataset. Anyone is welcome to take this task on. I do not plan to at the time.

Why make this?

In the words of George Mallory, "Because it's there"

Training Method

As mentioned above, it was trained using student/teacher only. This was an iterative process over the corse of a few months, and I did not keep track of all of the exact numbers. The following are best estimates.

The cross attention layers were trained for 1-2 million steps with a batch size of 8 on a single 4090 GPU. Then the full unet was trained for around 100k steps with the same settings.

Как запустить

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

GPU в ailist

Универсальный рантайм · diffusers

Можно запустить

Подбираем GPU…

Ревизия весов
bdfce59

0 моделей