diffusers/main/fr/api/models/controlnet_sparsectrl.md

SparseControlNetModel

SparseControlNetModel est une implémentation de ControlNet pour AnimateDiff.

ControlNet a été introduit dans Adding Conditional Control to Text-to-Image Diffusion Models par Lvmin Zhang, Anyi Rao et Maneesh Agrawala.

La version SparseCtrl de ControlNet a été introduite dans SparseCtrl: Adding Sparse Controls to Text-to-Video Diffusion Models pour réaliser une génération contrôlée dans les modèles de diffusion texte-vers-vidéo, par Yuwei Guo, Ceyuan Yang, Anyi Rao, Maneesh Agrawala, Dahua Lin et Bo Dai.

L'abstract de l'article est :

Le développement du texte-vers-vidéo (T2V), c'est-à-dire la génération de vidéos à partir d'un prompt textuel donné, a connu des avancées significatives ces dernières années. Cependant, s'appuyer uniquement sur des prompts textuels conduit souvent à une composition d'images ambiguë en raison de l'incertitude spatiale. La communauté de recherche exploite donc les signaux de structure denses, par exemple des séquences de profondeur ou de contours par image, pour améliorer la contrôlabilité, ce qui augmente en conséquence la charge d'inférence. Dans ce travail, nous présentons SparseCtrl pour permettre un contrôle de structure flexible avec des signaux temporellement espacés, nécessitant uniquement une ou quelques entrées, comme le montre la Figure 1. Il intègre un encodeur de condition supplémentaire pour traiter ces signaux espacés tout en laissant le modèle T2V pré-entraîné inchangé. L'approche proposée est compatible avec diverses modalités, y compris les croquis, les cartes de profondeur et les images RGB, offrant un contrôle plus pratique pour la génération de vidéos et favorisant des applications telles que le storyboarding, le rendu de profondeur, l'animation par images clés et l'interpolation. Des expériences étendues démontrent la généralisation de SparseCtrl sur les générateurs T2V originaux et personnalisés. Les codes et les modèles seront disponibles publiquement à cette URL https.

Exemple de chargement de SparseControlNetModel

import torch
from diffusers import SparseControlNetModel

# fp32 variant in float16
# 1. Scribble checkpoint
controlnet = SparseControlNetModel.from_pretrained("guoyww/animatediff-sparsectrl-scribble", dtype=torch.float16)

# 2. RGB checkpoint
controlnet = SparseControlNetModel.from_pretrained("guoyww/animatediff-sparsectrl-rgb", dtype=torch.float16)

# For loading fp16 variant, pass `variant="fp16"` as an additional parameter

SparseControlNetModel[[diffusers.SparseControlNetModel]]

diffusers.SparseControlNetModel[[diffusers.SparseControlNetModel]]

diffusers.SparseControlNetModel(in_channels: int = 4, conditioning_channels: int = 4, flip_sin_to_cos: bool = True, freq_shift: int = 0, down_block_types: tuple[str, ...] = ('CrossAttnDownBlockMotion', 'CrossAttnDownBlockMotion', 'CrossAttnDownBlockMotion', 'DownBlockMotion'), only_cross_attention: bool | tuple[bool] = False, block_out_channels: tuple[int, ...] = (320, 640, 1280, 1280), layers_per_block: int = 2, downsample_padding: int = 1, mid_block_scale_factor: float = 1, act_fn: str = 'silu', norm_num_groups: int | None = 32, norm_eps: float = 1e-05, cross_attention_dim: int = 768, transformer_layers_per_block: int | tuple[int, ...] = 1, transformer_layers_per_mid_block: int | tuple[int] | None = None, temporal_transformer_layers_per_block: int | tuple[int, ...] = 1, attention_head_dim: int | tuple[int, ...] = 8, num_attention_heads: int | tuple[int, ...] | None = None, use_linear_projection: bool = False, upcast_attention: bool = False, resnet_time_scale_shift: str = 'default', conditioning_embedding_out_channels: tuple[int, ...] | None = (16, 32, 96, 256), global_pool_conditions: bool = False, controlnet_conditioning_channel_order: str = 'rgb', motion_max_seq_length: int = 32, motion_num_attention_heads: int = 8, concat_conditioning_mask: bool = True, use_simplified_condition_embedding: bool = True)

Source

Paramètres :

in_channels (int, par défaut 4) : Le nombre de canaux dans l'échantillon d'entrée.

conditioning_channels (int, par défaut 4) : Le nombre de canaux d'entrée dans le module d'incorporation conditionnelle de controlnet. Si concat_condition_embedding est True, la valeur fournie ici est incrémentée de 1.

flip_sin_to_cos (bool, par défaut True) : Indique s'il faut inverser le sin en cos dans l'encodage temporel.

freq_shift (int, par défaut 0) : Le décalage de fréquence à appliquer à l'embedding temporel.

down_block_types (tuple[str], par défaut ("CrossAttnDownBlock2D", "CrossAttnDownBlock2D", "CrossAttnDownBlock2D", "DownBlock2D")) : Le tuple de blocs de downsampling à utiliser.

only_cross_attention (bool | tuple[bool], par défaut False) --

block_out_channels (tuple[int], par défaut (320, 640, 1280, 1280)) : Le tuple des canaux de sortie pour chaque bloc.

layers_per_block (int, par défaut 2) : Le nombre de couches par bloc.

downsample_padding (int, par défaut 1) : Le padding à utiliser pour la convolution de downsampling.

mid_block_scale_factor (float, par défaut 1) : Le facteur d'échelle à utiliser pour le bloc intermédiaire.

act_fn (str, par défaut "silu") : La fonction d'activation à utiliser.

norm_num_groups (int, facultatif, valeur par défaut 32) : Le nombre de groupes à utiliser pour la normalisation. Si None, les couches de normalisation et d'activation sont ignorées lors du post-traitement.

norm_eps (float, par défaut 1e-5) : L'épsilon à utiliser pour la normalisation.

cross_attention_dim (int, par défaut 1280) : La dimension des fonctionnalités d'attention croisée.

transformer_layers_per_block (int ou tuple[int], facultatif, valeur par défaut 1) : Le nombre de blocs de transformateur de type BasicTransformerBlock. Ne concerne que ~models.unet_2d_blocks.CrossAttnDownBlock2D, ~models.unet_2d_blocks.CrossAttnUpBlock2D, ~models.unet_2d_blocks.UNetMidBlock2DCrossAttn.

transformer_layers_per_mid_block (int ou tuple[int], facultatif, valeur par défaut : 1) : Le nombre de couches de transformateur à utiliser dans chaque couche du bloc central.

attention_head_dim (int ou tuple[int], par défaut 8) : La dimension des têtes d'attention.

num_attention_heads (int ou tuple[int], facultatif) : Le nombre de têtes à utiliser pour l'attention multi-têtes.

use_linear_projection (bool, par défaut False) --

upcast_attention (bool, par défaut False) --

resnet_time_scale_shift (str, par défaut "default") : Configuration du décalage de l'échelle temporelle pour les blocs ResNet (voir ResnetBlock2D). Choisissez entre default et scale_shift.

conditioning_embedding_out_channels (tuple[int], par défaut (16, 32, 96, 256)) : Le tuple des canaux de sortie pour chaque bloc de la couche conditioning_embedding.

global_pool_conditions (bool, par défaut False) : TODO(Patrick) - paramètre non utilisé

controlnet_conditioning_channel_order (str, par défaut rgb) --

motion_max_seq_length (int, par défaut 32) : La longueur de séquence maximale à utiliser dans le module de mouvement.

motion_num_attention_heads (int ou tuple[int], par défaut 8) : Le nombre de têtes à utiliser dans chaque couche d'attention du module de mouvement.

concat_conditioning_mask (bool, par défaut True) --

use_simplified_condition_embedding (bool, par défaut True) --

Un modèle SparseControlNet tel que décrit dans SparseCtrl: Adding Sparse Controls to Text-to-Video Diffusion Models.

forward[[diffusers.SparseControlNetModel.forward]]

forward(sample: Tensor, timestep: typing.Union[torch.Tensor, float, int], encoder_hidden_states: Tensor, controlnet_cond: Tensor, conditioning_scale: float = 1.0, timestep_cond: typing.Optional[torch.Tensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, cross_attention_kwargs: dict[str, typing.Any] | None = None, conditioning_mask: typing.Optional[torch.Tensor] = None, guess_mode: bool = False, return_dict: bool = True)

Source

Paramètres :

sample (torch.Tensor) : Le tenseur d'entrée bruité.

timestep (torch.Tensor | float | int) : Le nombre de pas de temps pour débruitiser une entrée.

encoder_hidden_states (torch.Tensor) : Les états cachés de l'encodeur.

controlnet_cond (torch.Tensor) : Le tenseur d'entrée conditionnel de forme (batch_size, sequence_length, hidden_size).

conditioning_scale (float, par défaut 1.0) : Le facteur d'échelle pour les sorties de ControlNet.

timestep_cond (torch.Tensor, facultatif, valeur par défaut None) : Incrustations conditionnelles supplémentaires pour le pas de temps. Si fournies, les incrustations seront additionnées à la timestep_embedding transmise à travers la couche self.time_embedding pour obtenir les incrustations de pas de temps finales.

attention_mask (torch.Tensor, facultatif, par défaut None) : Un masque d'attention de forme (batch, key_tokens) est appliqué à encoder_hidden_states. Si la valeur est 1, le masque est conservé ; sinon, si elle est 0, il est ignoré. Le masque est converti en biais, qui ajoute de grandes valeurs négatives aux scores d'attention correspondant aux jetons « ignorés ».

conditioning_mask (torch.Tensor, facultatif, valeur par défaut None) : Masque facultatif indiquant quels cadres de controlnet_cond sont des cadres de conditionnement valides.

cross_attention_kwargs (dict[str], facultatif, par défaut None) : Un dictionnaire de kwargs qui, s'il est spécifié, est transmis au AttnProcessor.

guess_mode (bool, par défaut False) : Dans ce mode, l'encodeur ControlNet fait de son mieux pour reconnaître le contenu de l'entrée, même si vous supprimez tous les prompts. Un guidance_scale compris entre 3,0 et 5,0 est recommandé.

return_dict (bool, par défaut True) : Indique s'il faut retourner un ~models.controlnet.ControlNetOutput plutôt qu'un simple tuple.

Retourne : ~models.controlnet.ControlNetOutput ou tuple

Si return_dict est True, un ~models.controlnet.ControlNetOutput est renvoyé, sinon un tuple est renvoyé dont le premier élément est le tenseur d'échantillon.

La méthode forward du modèle SparseControlNetModel.

from_unet[[diffusers.SparseControlNetModel.from_unet]]

from_unet(unet: UNet2DConditionModel, controlnet_conditioning_channel_order: str = 'rgb', conditioning_embedding_out_channels: tuple[int, ...] | None = (16, 32, 96, 256), load_weights_from_unet: bool = True, conditioning_channels: int = 3)

Source

Paramètres :

unet (UNet2DConditionModel) : Les poids du modèle UNet à copier vers le SparseControlNetModel. Toutes les options de configuration sont également copiées lorsque cela est applicable.

Instanciez un SparseControlNetModel à partir de UNet2DConditionModel.

set_attention_slice[[diffusers.SparseControlNetModel.set_attention_slice]]

set_attention_slice(slice_size: str | int | list[int])

Source

Paramètres :

slice_size (str ou int ou list(int), facultatif, par défaut "auto") : lorsque la valeur est "auto", l’entrée des têtes d’attention est divisée par deux, de sorte que l’attention est calculée en deux étapes. Si la valeur est "max", la quantité maximale de mémoire est économisée en n’exécutant qu’une seule tranche à la fois. Si un nombre est fourni, autant de tranches sont utilisées que attention_head_dim // slice_size. Dans ce cas, attention_head_dim doit être un multiple de slice_size.

Activer le calcul de l'attention par tranches.

Lorsque cette option est activée, le module d'attention divise le tenseur d'entrée en tranches pour calculer l'attention en plusieurs étapes. Cela est utile pour économiser de la mémoire au prix d'une légère diminution de la vitesse.

set_default_attn_processor[[diffusers.SparseControlNetModel.set_default_attn_processor]]

set_default_attn_processor()

Source

Désactive les processeurs d'attention personnalisés et définit l'implémentation d'attention par défaut.

SparseControlNetOutput[[diffusers.models.controlnets.SparseControlNetOutput]]

diffusers.models.controlnets.SparseControlNetOutput[[diffusers.models.controlnets.SparseControlNetOutput]]

diffusers.models.controlnets.SparseControlNetOutput(down_block_res_samples: tuple[torch.Tensor], mid_block_res_sample: Tensor)

Source

Paramètres :

down_block_res_samples (tuple[torch.Tensor]) : Un tuple d'activations de downsampling à différentes résolutions pour chaque bloc de downsampling. Chaque tenseur doit avoir la forme (batch_size, channel * resolution, height //resolution, width // resolution). La sortie peut être utilisée pour conditionner les activations de downsampling du UNet d'origine.

mid_down_block_re_sample (torch.Tensor) : L'activation du bloc central (la résolution d'échantillonnage la plus basse). Chaque tenseur doit avoir la forme (batch_size, channel * lowest_resolution, height // lowest_resolution, width // lowest_resolution). La sortie peut être utilisée pour conditionner l'activation du bloc central du UNet d'origine.

La sortie de SparseControlNetModel.