Buckets:
Licenciado sob a Apache License, Versão 2.0 (a "Licença");
você não pode usar este arquivo, exceto em conformidade com a Licença.
Você pode obter uma cópia da Licença em
http://www.apache.org/licenses/LICENSE-2.0
A menos que exigido pela lei aplicável ou acordado por escrito, o software
distribuído sob a Licença é distribuído em uma base "COMO ESTÁ",
SEM GARANTIAS OU CONDIÇÕES DE QUALQUER TIPO, expressas ou implícitas.
Consulte a Licença para o idioma específico que rege as permissões e
limitações sob a Licença. -->
Lumina2
Lumina Image 2.0: A Unified and Efficient Image Generative Model é um transformer de difusão baseado em fluxo com 2 bilhões de parâmetros, capaz de gerar imagens diversas a partir de descrições em texto.
O resumo do artigo é:
Apresentamos o Lumina-Image 2.0, um modelo avançado de texto para imagem que supera os métodos state-of-the-art anteriores em múltiplos benchmarks, ao mesmo tempo em que destaca seu potencial para evoluir para um modelo de inteligência visual generalista. O Lumina-Image 2.0 exibe três propriedades-chave: (1) Unificação – adota uma arquitetura unificada que trata tokens de texto e imagem como uma sequência conjunta, permitindo interações cross-modais naturais e facilitando a expansão de tarefas. Além disso, como captioners de alta qualidade podem fornecer pares de treinamento texto-imagem semanticamente mais alinhados, introduzimos um sistema de legendagem unificado, o UniCaptioner, que gera legendas abrangentes e precisas para o modelo. Isso não apenas acelera a convergência do modelo, mas também melhora a aderência ao prompt, o tratamento de prompts de comprimento variável e a generalização de tarefas por meio de templates de prompt. (2) Eficiência – para melhorar a eficiência da arquitetura unificada, desenvolvemos um conjunto de técnicas de otimização que aprimoram a aprendizagem semântica e a geração de texturas de alto detalhe durante o treinamento, ao mesmo tempo em que incorporam estratégias de aceleração no tempo de inferência sem comprometer a qualidade da imagem. (3) Transparência – disponibilizamos em código aberto todos os detalhes de treinamento, o código e os modelos para garantir reprodutibilidade total, com o objetivo de reduzir a lacuna entre equipes de pesquisa fechadas com muitos recursos e desenvolvedores independentes.
Certifique-se de consultar o guia de Schedulers para aprender a explorar o compromisso entre a velocidade e a qualidade do scheduler, e veja a seção reutilização de componentes entre pipelines para aprender a carregar eficientemente os mesmos componentes em vários pipelines.
Usando carregamento de arquivo único com Lumina Image 2.0
O carregamento em arquivo único para Lumina Image 2.0 está disponível para o Lumina2Transformer2DModel
import torch
from diffusers import Lumina2Transformer2DModel, Lumina2Pipeline
ckpt_path = "https://huggingface.co/Alpha-VLLM/Lumina-Image-2.0/blob/main/consolidated.00-of-01.pth"
transformer = Lumina2Transformer2DModel.from_single_file(
ckpt_path, dtype=torch.bfloat16
)
pipe = Lumina2Pipeline.from_pretrained(
"Alpha-VLLM/Lumina-Image-2.0", transformer=transformer, dtype=torch.bfloat16
)
pipe.enable_model_cpu_offload()
image = pipe(
"a cat holding a sign that says hello",
generator=torch.Generator("cpu").manual_seed(0),
).images[0]
image.save("lumina-single-file.png")
Usando checkpoints quantizados GGUF com Lumina Image 2.0
Os checkpoints quantizados em GGUF para o Lumina2Transformer2DModel podem ser carregados via from_single_file com o GGUFQuantizationConfig
from diffusers import Lumina2Transformer2DModel, Lumina2Pipeline, GGUFQuantizationConfig
ckpt_path = "https://huggingface.co/calcuis/lumina-gguf/blob/main/lumina2-q4_0.gguf"
transformer = Lumina2Transformer2DModel.from_single_file(
ckpt_path,
quantization_config=GGUFQuantizationConfig(compute_dtype=torch.bfloat16),
dtype=torch.bfloat16,
)
pipe = Lumina2Pipeline.from_pretrained(
"Alpha-VLLM/Lumina-Image-2.0", transformer=transformer, dtype=torch.bfloat16
)
pipe.enable_model_cpu_offload()
image = pipe(
"a cat holding a sign that says hello",
generator=torch.Generator("cpu").manual_seed(0),
).images[0]
image.save("lumina-gguf.png")
Lumina2Pipeline[[diffusers.Lumina2Pipeline]]
diffusers.Lumina2Pipeline[[diffusers.Lumina2Pipeline]]
diffusers.Lumina2Pipeline(transformer: Lumina2Transformer2DModel, scheduler: FlowMatchEulerDiscreteScheduler, vae: AutoencoderKL, text_encoder: Gemma2PreTrainedModel, tokenizer: GemmaTokenizer)
Parâmetros:
vae (AutoencoderKL) : Modelo de Variational Auto-Encoder (VAE) para codificar e decodificar imagens para e a partir de representações latentes.
text_encoder (Gemma2PreTrainedModel) : Codificador de texto Gemma2 congelado.
tokenizer (GemmaTokenizer ou GemmaTokenizerFast) : Tokenizador Gemma.
transformer (Transformer2DModel) : Um Transformer2DModel condicionado por texto para desruidar os latentes da imagem codificada.
scheduler (SchedulerMixin) : Um scheduler para ser usado em combinação com transformer para desruidar os latentes da imagem codificada.
Pipeline para geração de texto para imagem usando Lumina-T2I.
Este modelo herda de DiffusionPipeline. Consulte a documentação da superclasse para os métodos genéricos que a biblioteca implementa para todos os pipelines (como download ou salvamento, execução em um dispositivo específico, etc.)
call[[diffusers.Lumina2Pipeline.call]]
__call__(prompt: str | list[str] = None, width: int | None = None, height: int | None = None, num_inference_steps: int = 30, guidance_scale: float = 4.0, negative_prompt: str | list[str] = None, sigmas: list[float] = None, num_images_per_prompt: int | None = 1, generator: typing.Union[torch.Generator, list[torch.Generator], NoneType] = None, latents: typing.Optional[torch.Tensor] = None, prompt_embeds: typing.Optional[torch.Tensor] = None, negative_prompt_embeds: typing.Optional[torch.Tensor] = None, prompt_attention_mask: typing.Optional[torch.Tensor] = None, negative_prompt_attention_mask: typing.Optional[torch.Tensor] = None, output_type: str | None = 'pil', return_dict: bool = True, attention_kwargs: dict[str, typing.Any] | None = None, callback_on_step_end: typing.Optional[typing.Callable[[int, int], NoneType]] = None, callback_on_step_end_tensor_inputs: list[str] = ['latents'], system_prompt: str | None = None, cfg_trunc_ratio: float = 1.0, cfg_normalization: bool = True, max_sequence_length: int = 256)
Parâmetros:
prompt (str ou list[str], opcional) : O prompt ou os prompts para orientar a geração da imagem. Se não definido, é necessário passar prompt_embeds em vez disso.
negative_prompt (str ou list[str], opcional) : O prompt ou os prompts que não devem orientar a geração da imagem. Se não definido, é necessário passar negative_prompt_embeds em vez disso. Ignorado quando não se usa orientação (ou seja, ignorado se guidance_scale for menor que 1).
num_inference_steps (int, opcional, padrão 30) : O número de etapas de remoção de ruído. Mais etapas de remoção de ruído geralmente resultam em uma imagem de maior qualidade, às custas de uma inferência mais lenta.
sigmas (list[float], opcional) : Sigmas personalizados para usar no processo de desruidamento com agendadores que suportam um argumento sigmas em seu método set_timesteps. Se não definido, o comportamento padrão quando num_inference_steps é passado será usado.
guidance_scale (float, opcional, padrão 4.0) : Escala de orientação definida em Classifier-Free Diffusion Guidance. guidance_scale é definido como w da equação 2. do Imagen Paper. A escala de orientação é ativada ao definir guidance_scale > 1. Uma escala de orientação maior incentiva a geração de imagens que estão intimamente ligadas ao prompt de texto, geralmente em detrimento de uma menor qualidade de imagem.
num_images_per_prompt (int, opcional, padrão 1) : O número de imagens a serem geradas por prompt.
height (int, opcional, padrão é self.unet.config.sample_size) : A altura em pixels da imagem gerada.
width (int, opcional, padrão é self.unet.config.sample_size) : A largura em pixels da imagem gerada.
generator (torch.Generator ou list[torch.Generator], opcional) : Um ou uma lista de geradores do torch para tornar a geração determinística.
latents (torch.Tensor, opcional) : Latentes ruidosos pré-gerados, amostrados de uma distribuição gaussiana, a serem usados como entradas para a geração de imagens. Pode ser usado para ajustar a mesma geração com diferentes prompts. Se não for fornecido, um tensor de latentes será gerado por amostragem usando o generator aleatório fornecido.
prompt_embeds (torch.Tensor, opcional) : Embeddings de texto pré-gerados. Podem ser usados para ajustar facilmente as entradas de texto, por exemplo, ponderação de prompts. Se não forem fornecidos, os embeddings de texto serão gerados a partir do argumento de entrada prompt.
prompt_attention_mask (torch.Tensor, opcional) : Máscara de atenção pré-gerada para embeddings de texto.
negative_prompt_embeds (torch.Tensor, opcional) : Embeddings de texto negativo pré-gerados. Para o Lumina-T2I, este prompt negativo deve ser "". Se não for fornecido, negative_prompt_embeds será gerado a partir do argumento de entrada negative_prompt.
negative_prompt_attention_mask (torch.Tensor, opcional) : Máscara de atenção pré-gerada para embeddings de texto negativo.
output_type (str, opcional, padrão "pil") : O formato de saída da imagem gerada. Escolha entre PIL: PIL.Image.Image ou np.array.
return_dict (bool, opcional, padrão True) : Se deve ou não retornar um ~pipelines.stable_diffusion.IFPipelineOutput em vez de uma tupla simples.
attention_kwargs : Um dicionário de kwargs que, se especificado, é passado para o AttentionProcessor definido em self.processor em diffusers.models.attention_processor.
callback_on_step_end (Callable, opcional) : Uma função que é chamada no final de cada etapa de desruidamento durante a inferência. A função é chamada com os seguintes argumentos: callback_on_step_end(self: DiffusionPipeline, step: int, timestep: int, callback_kwargs: Dict). callback_kwargs incluirá uma lista de todos os tensores, conforme especificado por callback_on_step_end_tensor_inputs.
callback_on_step_end_tensor_inputs (list, opcional) : A lista de entradas de tensor para a função callback_on_step_end. Os tensores especificados na lista serão passados como argumento callback_kwargs. Você só poderá incluir variáveis listadas no atributo ._callback_tensor_inputs da sua classe de pipeline.
system_prompt (str, opcional) : O prompt de sistema a ser usado para a geração de imagem.
cfg_trunc_ratio (float, opcional, padrão 1.0) : A proporção do intervalo de timestep para aplicar a escala de orientação baseada em normalização.
cfg_normalization (bool, opcional, padrão True) : Se deve aplicar a escala de orientação baseada em normalização.
max_sequence_length (int, padrão 256) : Comprimento máximo da sequência a ser usado com o prompt.
Retorna: ImagePipelineOutput ou tuple
Se return_dict for True, ImagePipelineOutput é retornado; caso contrário, uma tuple é retornada, em que o primeiro elemento é uma lista com as imagens geradas
Função invocada ao chamar o pipeline para geração.
Exemplos:
>>> import torch
>>> from diffusers import Lumina2Pipeline
>>> pipe = Lumina2Pipeline.from_pretrained("Alpha-VLLM/Lumina-Image-2.0", torch_dtype=torch.bfloat16)
>>> # Enable memory optimizations.
>>> pipe.enable_model_cpu_offload()
>>> prompt = "Upper body of a young woman in a Victorian-era outfit with brass goggles and leather straps. Background shows an industrial revolution cityscape with smoky skies and tall, metal structures"
>>> image = pipe(prompt).images[0]
encode_prompt[[diffusers.Lumina2Pipeline.encode_prompt]]
encode_prompt(prompt: str | list[str], do_classifier_free_guidance: bool = True, negative_prompt: str | list[str] = None, num_images_per_prompt: int = 1, device: typing.Optional[torch.device] = None, prompt_embeds: typing.Optional[torch.Tensor] = None, negative_prompt_embeds: typing.Optional[torch.Tensor] = None, prompt_attention_mask: typing.Optional[torch.Tensor] = None, negative_prompt_attention_mask: typing.Optional[torch.Tensor] = None, system_prompt: str | None = None, max_sequence_length: int = 256)
Parâmetros:
prompt (str ou list[str], opcional) : prompt a ser codificado
negative_prompt (str ou list[str], opcional) : O prompt para não orientar a geração da imagem. Se não for definido, é necessário passar negative_prompt_embeds em vez disso. Ignorado quando não se usa orientação (ou seja, ignorado se guidance_scale for menor que 1). Para o Lumina-T2I, isso deve ser "".
do_classifier_free_guidance (bool, opcional, padrão True) : se deve ou não usar classifier free guidance
num_images_per_prompt (int, opcional, padrão 1) : número de imagens que devem ser geradas por prompt
device : (torch.device, opcional): dispositivo torch onde os embeddings resultantes serão colocados
prompt_embeds (torch.Tensor, opcional) : Embeddings de texto pré-gerados. Podem ser usados para ajustar facilmente as entradas de texto, por exemplo, ponderação de prompts. Se não forem fornecidos, os embeddings de texto serão gerados a partir do argumento de entrada prompt.
negative_prompt_embeds (torch.Tensor, opcional) : Embeddings de texto negativo pré-gerados. Para o Lumina-T2I, deve ser os embeddings da string "".
max_sequence_length (int, padrão 256) : Comprimento máximo da sequência a ser usado para o prompt.
Codifica o prompt em estados ocultos do codificador de texto.
Xet Storage Details
- Size:
- 15.5 kB
- Xet hash:
- 71ce975e30d958be10c96225dca1fd2dbbf0c50682b457910f1f58cd137a0dab
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.