Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /main /ru /api /pipelines /stable_diffusion /overview.md

mishig

about 3 hours ago

preview code

download

raw

10.4 kB

# Пайплайны Stable Diffusion

Stable Diffusion — это модель латентной диффузии для генерации изображений по текстовому описанию, созданная исследователями и инженерами из [CompVis](https://github.com/CompVis), [Stability AI](https://stability.ai/) и [LAION](https://laion.ai/). Латентная диффузия применяет процесс диффузии в пространстве меньшей размерности, что снижает требования к памяти и вычислительным ресурсам. Этот конкретный тип диффузионной модели был предложен в работе [High-Resolution Image Synthesis with Latent Diffusion Models](https://huggingface.co/papers/2112.10752) Робина Ромбаха, Андреаса Блаттмана, Доминика Лоренца, Патрика Эссера и Бьёрна Оммера.

Stable Diffusion обучен на изображениях размером 512x512 из подмножества набора данных LAION-5B. Эта модель использует замороженный текстовый энкодер CLIP ViT-L/14 для условного формирования модели на основе текстовых запросов. Благодаря UNet с 860 млн параметров и текстовому энкодеру с 123 млн параметров, модель относительно легковесна и может работать на потребительских GPU.

Для получения подробной информации о том, как работает Stable Diffusion и чем он отличается от базовой модели латентного диффузионного процесса, ознакомьтесь с [анонсом](https://stability.ai/blog/stable-diffusion-announcement) Stability AI и нашей собственной [статьей в блоге](https://huggingface.co/blog/stable_diffusion#how-does-stable-diffusion-work) с техническими деталями.

Исходный код Stable Diffusion v1.0 можно найти в [CompVis/stable-diffusion](https://github.com/CompVis/stable-diffusion), а Stable Diffusion v2.0 — в Stability-AI/stablediffusion, вместе с исходными скриптами для различных задач. Дополнительные официальные контрольные точки для разных версий и задач Stable Diffusion доступны в организациях [CompVis](https://huggingface.co/CompVis) и [Stability AI](https://huggingface.co/stabilityai) на Hub. Изучите эти организации, чтобы найти оптимальную контрольную точку для вашего случая!

Таблица ниже обобщает доступные пайплайны Stable Diffusion, поддерживаемые ими задачи и интерактивную демонстрацию:

            Pipeline
            
            Поддерживаемые задачи
            
            🤗 Space
            
            StableDiffusion
            
            text-to-image
            
            StableDiffusionImg2Img
            
            image-to-image
            
            StableDiffusionInpaint
            
            inpainting
            
            StableDiffusionDepth2Img
            
            depth-to-image
            
            StableDiffusionImageVariation
            
            вариация изображения
            
            StableDiffusionPipelineSafe (устаревший; нет страницы документации)
            
            фильтрованный текст в изображение
            
            StableDiffusion2
            
            создание изображений по тексту, восстановление изображений, создание изображений по глубине, супер-разрешение
            
            StableDiffusionXL
            
            текст в изображение, изображение в изображение
            
            StableDiffusionLatentUpscale
            
            сверхразрешение
            
            StableDiffusionUpscale
            
            сверхразрешение
        
            StableDiffusionLDM3D
            
            текст в rgb, текст в глубину, текст в панораму
            
            StableDiffusionUpscaleLDM3D
            
            ldm3d супер-разрешение
        
## Советы

Чтобы вы могли получить максимум от пайплайнов Stable Diffusion, ниже приведены несколько советов по улучшению производительности и удобства использования. Эти советы применимы ко всем пайплайнам Stable Diffusion.

### Исследуйте компромисс между скоростью и качеством

[StableDiffusionPipeline](/docs/diffusers/main/ru/api/pipelines/stable_diffusion/text2img#diffusers.StableDiffusionPipeline) по умолчанию использует [PNDMScheduler](/docs/diffusers/main/ru/api/schedulers/pndm#diffusers.PNDMScheduler), но 🤗 Diffusers предоставляет множество других совместимых планировщиков (некоторые из них работают быстрее или обеспечивают лучшее качество). Например, если вы хотите использовать [EulerDiscreteScheduler](/docs/diffusers/main/ru/api/schedulers/euler#diffusers.EulerDiscreteScheduler) вместо планировщика по умолчанию:

```py
from diffusers import StableDiffusionPipeline, EulerDiscreteScheduler
pipeline = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v1-4")
pipeline.scheduler = EulerDiscreteScheduler.from_config(pipeline.scheduler.config)
# or
euler_scheduler = EulerDiscreteScheduler.from_pretrained("CompVis/stable-diffusion-v1-4", subfolder="scheduler")
pipeline = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v1-4", scheduler=euler_scheduler)
```

### Повторное использование компонентов конвейера для экономии памяти

Чтобы сэкономить память и использовать одни и те же компоненты в нескольких конвейерах, применяйте метод `.components`, чтобы избежать повторной загрузки весов в оперативную память.

```py
from diffusers import (
    StableDiffusionPipeline,
    StableDiffusionImg2ImgPipeline,
    StableDiffusionInpaintPipeline,
)
text2img = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v1-4")
img2img = StableDiffusionImg2ImgPipeline(**text2img.components)
inpaint = StableDiffusionInpaintPipeline(**text2img.components)
# now you can use text2img(...), img2img(...), inpaint(...) just like the call methods of each respective pipeline
```

### Создание веб-демо с помощью `gradio`

Пайплайны Stable Diffusion автоматически поддерживаются в [Gradio](https://github.com/gradio-app/gradio/) — библиотеке, которая позволяет легко создавать красивые и удобные веб-приложения для машинного обучения. Сначала убедитесь, что Gradio установлен:

```sh
pip install -U gradio
```

Затем создайте веб-демо на основе любого пайплайна Stable Diffusion. Например, с помощью функции [`Interface.from_pipeline`](https://www.gradio.app/docs/interface#interface-from-pipeline) в Gradio вы можете создать пайплайн генерации изображений одной строкой кода:

```py
from diffusers import StableDiffusionPipeline
import gradio as gr
pipe = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v1-4")
gr.Interface.from_pipeline(pipe).launch()
```

который открывает интуитивно понятный интерфейс с перетаскиванием элементов в вашем браузере:

![](https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/diffusers/gradio-panda.png)

Аналогично, вы можете создать демо для пайплайна image-to-image с помощью:

```py
from diffusers import StableDiffusionImg2ImgPipeline
import gradio as gr
pipe = StableDiffusionImg2ImgPipeline.from_pretrained("stable-diffusion-v1-5/stable-diffusion-v1-5")
gr.Interface.from_pipeline(pipe).launch()
```

По умолчанию веб-демо работает на локальном сервере. Если вы хотите поделиться им с другими, вы можете сгенерировать временную публичную ссылку, установив `share=True` в `launch()`. Либо вы можете разместить ваше демо на [Hugging Face Spaces](https://huggingface.co/spaces)https://huggingface.co/spaces для получения постоянной ссылки.

Xet Storage Details

Size:: 10.4 kB
Xet hash:: acc8b1dae8f2586da36867f51e22b134e48b948987b8c39d8f6a68ef337ca979

Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.

	# Пайплайны Stable Diffusion



	Stable Diffusion — это модель латентной диффузии для генерации изображений по текстовому описанию, созданная исследователями и инженерами из [CompVis](https://github.com/CompVis), [Stability AI](https://stability.ai/) и [LAION](https://laion.ai/). Латентная диффузия применяет процесс диффузии в пространстве меньшей размерности, что снижает требования к памяти и вычислительным ресурсам. Этот конкретный тип диффузионной модели был предложен в работе [High-Resolution Image Synthesis with Latent Diffusion Models](https://huggingface.co/papers/2112.10752) Робина Ромбаха, Андреаса Блаттмана, Доминика Лоренца, Патрика Эссера и Бьёрна Оммера.

	Stable Diffusion обучен на изображениях размером 512x512 из подмножества набора данных LAION-5B. Эта модель использует замороженный текстовый энкодер CLIP ViT-L/14 для условного формирования модели на основе текстовых запросов. Благодаря UNet с 860 млн параметров и текстовому энкодеру с 123 млн параметров, модель относительно легковесна и может работать на потребительских GPU.

	Для получения подробной информации о том, как работает Stable Diffusion и чем он отличается от базовой модели латентного диффузионного процесса, ознакомьтесь с [анонсом](https://stability.ai/blog/stable-diffusion-announcement) Stability AI и нашей собственной [статьей в блоге](https://huggingface.co/blog/stable_diffusion#how-does-stable-diffusion-work) с техническими деталями.

	Исходный код Stable Diffusion v1.0 можно найти в [CompVis/stable-diffusion](https://github.com/CompVis/stable-diffusion), а Stable Diffusion v2.0 — в Stability-AI/stablediffusion, вместе с исходными скриптами для различных задач. Дополнительные официальные контрольные точки для разных версий и задач Stable Diffusion доступны в организациях [CompVis](https://huggingface.co/CompVis) и [Stability AI](https://huggingface.co/stabilityai) на Hub. Изучите эти организации, чтобы найти оптимальную контрольную точку для вашего случая!

	Таблица ниже обобщает доступные пайплайны Stable Diffusion, поддерживаемые ими задачи и интерактивную демонстрацию:






	Pipeline


	Поддерживаемые задачи


	🤗 Space






	StableDiffusion

	text-to-image





	StableDiffusionImg2Img

	image-to-image





	StableDiffusionInpaint

	inpainting





	StableDiffusionDepth2Img

	depth-to-image





	StableDiffusionImageVariation

	вариация изображения





	StableDiffusionPipelineSafe (устаревший; нет страницы документации)

	фильтрованный текст в изображение





	StableDiffusion2

	создание изображений по тексту, восстановление изображений, создание изображений по глубине, супер-разрешение





	StableDiffusionXL

	текст в изображение, изображение в изображение





	StableDiffusionLatentUpscale

	сверхразрешение





	StableDiffusionUpscale

	сверхразрешение



	StableDiffusionLDM3D

	текст в rgb, текст в глубину, текст в панораму





	StableDiffusionUpscaleLDM3D

	ldm3d супер-разрешение





	## Советы

	Чтобы вы могли получить максимум от пайплайнов Stable Diffusion, ниже приведены несколько советов по улучшению производительности и удобства использования. Эти советы применимы ко всем пайплайнам Stable Diffusion.

	### Исследуйте компромисс между скоростью и качеством

	[StableDiffusionPipeline](/docs/diffusers/main/ru/api/pipelines/stable_diffusion/text2img#diffusers.StableDiffusionPipeline) по умолчанию использует [PNDMScheduler](/docs/diffusers/main/ru/api/schedulers/pndm#diffusers.PNDMScheduler), но 🤗 Diffusers предоставляет множество других совместимых планировщиков (некоторые из них работают быстрее или обеспечивают лучшее качество). Например, если вы хотите использовать [EulerDiscreteScheduler](/docs/diffusers/main/ru/api/schedulers/euler#diffusers.EulerDiscreteScheduler) вместо планировщика по умолчанию:

	```py
	from diffusers import StableDiffusionPipeline, EulerDiscreteScheduler

	pipeline = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v1-4")
	pipeline.scheduler = EulerDiscreteScheduler.from_config(pipeline.scheduler.config)

	# or
	euler_scheduler = EulerDiscreteScheduler.from_pretrained("CompVis/stable-diffusion-v1-4", subfolder="scheduler")
	pipeline = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v1-4", scheduler=euler_scheduler)
	```

	### Повторное использование компонентов конвейера для экономии памяти

	Чтобы сэкономить память и использовать одни и те же компоненты в нескольких конвейерах, применяйте метод `.components`, чтобы избежать повторной загрузки весов в оперативную память.

	```py
	from diffusers import (
	StableDiffusionPipeline,
	StableDiffusionImg2ImgPipeline,
	StableDiffusionInpaintPipeline,
	)

	text2img = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v1-4")
	img2img = StableDiffusionImg2ImgPipeline(**text2img.components)
	inpaint = StableDiffusionInpaintPipeline(**text2img.components)

	# now you can use text2img(...), img2img(...), inpaint(...) just like the call methods of each respective pipeline
	```

	### Создание веб-демо с помощью `gradio`

	Пайплайны Stable Diffusion автоматически поддерживаются в [Gradio](https://github.com/gradio-app/gradio/) — библиотеке, которая позволяет легко создавать красивые и удобные веб-приложения для машинного обучения. Сначала убедитесь, что Gradio установлен:

	```sh
	pip install -U gradio
	```

	Затем создайте веб-демо на основе любого пайплайна Stable Diffusion. Например, с помощью функции [`Interface.from_pipeline`](https://www.gradio.app/docs/interface#interface-from-pipeline) в Gradio вы можете создать пайплайн генерации изображений одной строкой кода:

	```py
	from diffusers import StableDiffusionPipeline
	import gradio as gr

	pipe = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v1-4")

	gr.Interface.from_pipeline(pipe).launch()
	```

	который открывает интуитивно понятный интерфейс с перетаскиванием элементов в вашем браузере:

	![](https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/diffusers/gradio-panda.png)

	Аналогично, вы можете создать демо для пайплайна image-to-image с помощью:

	```py
	from diffusers import StableDiffusionImg2ImgPipeline
	import gradio as gr

	pipe = StableDiffusionImg2ImgPipeline.from_pretrained("stable-diffusion-v1-5/stable-diffusion-v1-5")

	gr.Interface.from_pipeline(pipe).launch()
	```

	По умолчанию веб-демо работает на локальном сервере. Если вы хотите поделиться им с другими, вы можете сгенерировать временную публичную ссылку, установив `share=True` в `launch()`. Либо вы можете разместить ваше демо на [Hugging Face Spaces](https://huggingface.co/spaces)https://huggingface.co/spaces для получения постоянной ссылки.