Treinar um modelo de difusão

A geração de imagens incondicional é uma aplicação popular dos modelos de difusão que gera imagens semelhantes às do conjunto de dados usado para o treinamento. Normalmente, os melhores resultados são obtidos ao fazer o ajuste fino de um modelo pré-treinado em um conjunto de dados específico. Você pode encontrar muitos desses checkpoints no Hub, mas, se não encontrar nenhum que lhe agrade, você sempre pode treinar o seu próprio!

Este tutorial ensinará você a treinar um UNet2DModel do zero em um subconjunto do conjunto de dados Smithsonian Butterflies para gerar suas próprias borboletas 🦋.

💡 Este tutorial de treinamento é baseado no notebook Training with 🧨 Diffusers. Para mais detalhes e contexto sobre modelos de difusão, como eles funcionam, confira o notebook!

Antes de começar, verifique se você tem o 🤗 Datasets instalado para carregar e pré-processar conjuntos de dados de imagens, e o 🤗 Accelerate, para simplificar o treinamento em qualquer número de GPUs. O comando a seguir também instalará o TensorBoard para visualizar as métricas de treinamento (você também pode usar o Weights & Biases para acompanhar seu treinamento).

# uncomment to install the necessary libraries in Colab
#!pip install diffusers[training]

Incentivamos você a compartilhar seu modelo com a comunidade. Para isso, será necessário fazer login na sua conta do Hugging Face (crie uma aqui caso ainda não tenha!). Você pode fazer login a partir de um notebook e inserir seu token quando solicitado. Certifique-se de que seu token possui a permissão de escrita.

>>> from huggingface_hub import notebook_login

>>> notebook_login()

Ou faça login a partir do terminal:

hf auth login

Como os checkpoints do modelo são bastante grandes, instale o Git-LFS para versionar esses arquivos grandes:

!sudo apt -qq install git-lfs
!git config --global credential.helper store

Configuração de treinamento

Para facilitar, crie uma classe TrainingConfig contendo os hiperparâmetros de treinamento (sinta-se à vontade para ajustá-los):

>>> from dataclasses import dataclass

>>> @dataclass
... class TrainingConfig:
...     image_size = 128  # the generated image resolution
...     train_batch_size = 16
...     eval_batch_size = 16  # how many images to sample during evaluation
...     num_epochs = 50
...     gradient_accumulation_steps = 1
...     learning_rate = 1e-4
...     lr_warmup_steps = 500
...     save_image_epochs = 10
...     save_model_epochs = 30
...     mixed_precision = "fp16"  # `no` for float32, `fp16` for automatic mixed precision
...     output_dir = "ddpm-butterflies-128"  # the model name locally and on the HF Hub

...     push_to_hub = True  # whether to upload the saved model to the HF Hub
...     hub_model_id = "<your-username>/<my-awesome-model>"  # the name of the repository to create on the HF Hub
...     hub_private_repo = None
...     overwrite_output_dir = True  # overwrite the old model when re-running the notebook
...     seed = 0


>>> config = TrainingConfig()

Carregue o conjunto de dados

Você pode carregar facilmente o conjunto de dados Smithsonian Butterflies com a biblioteca 🤗 Datasets:

>>> from datasets import load_dataset

>>> config.dataset_name = "huggan/smithsonian_butterflies_subset"
>>> dataset = load_dataset(config.dataset_name, split="train")

💡 Você pode encontrar conjuntos de dados adicionais do HugGan Community Event ou usar seu próprio conjunto de dados criando um ImageFolder local. Defina config.dataset_name como o id do repositório do conjunto de dados, se ele for do HugGan Community Event, ou imagefolder se você estiver usando suas próprias imagens.

🤗 O Datasets usa o recurso Image para decodificar automaticamente os dados da imagem e carregá-la como PIL.Image, que podemos visualizar:

>>> import matplotlib.pyplot as plt

>>> fig, axs = plt.subplots(1, 4, figsize=(16, 4))
>>> for i, image in enumerate(dataset[:4]["image"]):
...     axs[i].imshow(image)
...     axs[i].set_axis_off()
>>> fig.show()

As imagens, no entanto, têm todos os tamanhos diferentes, então você precisará pré-processá-las primeiro:

Resize altera o tamanho da imagem para o definido em config.image_size.
RandomHorizontalFlip aumenta o conjunto de dados espelhando as imagens aleatoriamente.
Normalize é importante para reescalar os valores dos pixels para o intervalo [-1, 1], que é o que o modelo espera.

>>> from torchvision import transforms

>>> preprocess = transforms.Compose(
...     [
...         transforms.Resize((config.image_size, config.image_size)),
...         transforms.RandomHorizontalFlip(),
...         transforms.ToTensor(),
...         transforms.Normalize([0.5], [0.5]),
...     ]
... )

Use o método set_transform do 🤗 Datasets para aplicar a função preprocess em tempo real durante o treinamento:

>>> def transform(examples):
...     images = [preprocess(image.convert("RGB")) for image in examples["image"]]
...     return {"images": images}


>>> dataset.set_transform(transform)

Sinta-se à vontade para visualizar as imagens novamente para confirmar que elas foram redimensionadas. Agora você está pronto para envolver o dataset em um DataLoader para o treinamento!

>>> import torch

>>> train_dataloader = torch.utils.data.DataLoader(dataset, batch_size=config.train_batch_size, shuffle=True)

Crie um UNet2DModel

Modelos pré-treinados no 🧨 Diffusers são facilmente criados a partir de sua classe de modelo com os parâmetros desejados. Por exemplo, para criar um UNet2DModel:

>>> from diffusers import UNet2DModel

>>> model = UNet2DModel(
...     sample_size=config.image_size,  # the target image resolution
...     in_channels=3,  # the number of input channels, 3 for RGB images
...     out_channels=3,  # the number of output channels
...     layers_per_block=2,  # how many ResNet layers to use per UNet block
...     block_out_channels=(128, 128, 256, 256, 512, 512),  # the number of output channels for each UNet block
...     down_block_types=(
...         "DownBlock2D",  # a regular ResNet downsampling block
...         "DownBlock2D",
...         "DownBlock2D",
...         "DownBlock2D",
...         "AttnDownBlock2D",  # a ResNet downsampling block with spatial self-attention
...         "DownBlock2D",
...     ),
...     up_block_types=(
...         "UpBlock2D",  # a regular ResNet upsampling block
...         "AttnUpBlock2D",  # a ResNet upsampling block with spatial self-attention
...         "UpBlock2D",
...         "UpBlock2D",
...         "UpBlock2D",
...         "UpBlock2D",
...     ),
... )

Muitas vezes, é uma boa ideia verificar rapidamente se a forma da imagem de exemplo corresponde à forma da saída do modelo:

>>> sample_image = dataset[0]["images"].unsqueeze(0)
>>> print("Input shape:", sample_image.shape)
Input shape: torch.Size([1, 3, 128, 128])

>>> print("Output shape:", model(sample_image, timestep=0).sample.shape)
Output shape: torch.Size([1, 3, 128, 128])

Ótimo! Em seguida, você precisará de um agendador para adicionar algum ruído à imagem.

Criar um agendador

O agendador se comporta de maneira diferente dependendo de você estar usando o modelo para treinamento ou inferência. Durante a inferência, o agendador gera a imagem a partir do ruído. Durante o treinamento, o agendador recebe uma saída do modelo - ou uma amostra - de um ponto específico no processo de difusão e aplica ruído à imagem de acordo com um agendamento de ruído e uma regra de atualização.

Vamos dar uma olhada no DDPMScheduler e usar o método add_noise para adicionar um pouco de ruído aleatório à sample_image de antes:

>>> import torch
>>> from PIL import Image
>>> from diffusers import DDPMScheduler

>>> noise_scheduler = DDPMScheduler(num_train_timesteps=1000)
>>> noise = torch.randn(sample_image.shape)
>>> timesteps = torch.LongTensor([50])
>>> noisy_image = noise_scheduler.add_noise(sample_image, noise, timesteps)

>>> Image.fromarray(((noisy_image.permute(0, 2, 3, 1) + 1.0) * 127.5).type(torch.uint8).numpy()[0])

O objetivo de treinamento do modelo é prever o ruído adicionado à imagem. A perda nesta etapa pode ser calculada por:

>>> import torch.nn.functional as F

>>> noise_pred = model(noisy_image, timesteps).sample
>>> loss = F.mse_loss(noise_pred, noise)

Treinar o modelo

Até aqui, você já tem a maior parte das peças para começar a treinar o modelo e o que falta é juntar tudo.

Primeiro, você precisará de um otimizador e de um agendador de taxa de aprendizado:

>>> from diffusers.optimization import get_cosine_schedule_with_warmup

>>> optimizer = torch.optim.AdamW(model.parameters(), lr=config.learning_rate)
>>> lr_scheduler = get_cosine_schedule_with_warmup(
...     optimizer=optimizer,
...     num_warmup_steps=config.lr_warmup_steps,
...     num_training_steps=(len(train_dataloader) * config.num_epochs),
... )

Em seguida, você precisará de uma maneira de avaliar o modelo. Para a avaliação, você pode usar o DDPMPipeline para gerar um lote de imagens de exemplo e salvá-lo como uma grade:

>>> from diffusers import DDPMPipeline
>>> from diffusers.utils import make_image_grid
>>> import os

>>> def evaluate(config, epoch, pipeline):
...     # Sample some images from random noise (this is the backward diffusion process).
...     # The default pipeline output type is `List[PIL.Image]`
...     images = pipeline(
...         batch_size=config.eval_batch_size,
...         generator=torch.Generator(device='cpu').manual_seed(config.seed), # Use a separate torch generator to avoid rewinding the random state of the main training loop
...     ).images

...     # Make a grid out of the images
...     image_grid = make_image_grid(images, rows=4, cols=4)

...     # Save the images
...     test_dir = os.path.join(config.output_dir, "samples")
...     os.makedirs(test_dir, exist_ok=True)
...     image_grid.save(f"{test_dir}/{epoch:04d}.png")

Agora você pode agrupar todos esses componentes em um loop de treinamento com 🤗 Accelerate para registro fácil no TensorBoard, acúmulo de gradientes e treinamento com precisão mista. Para enviar o modelo para o Hub, escreva uma função para obter o nome do seu repositório e informações e, em seguida, envie-o para o Hub.

💡 O loop de treinamento abaixo pode parecer intimidador e longo, mas valerá a pena mais tarde, quando você iniciar o treinamento em apenas uma linha de código! Se não consegue esperar e quer começar a gerar imagens, sinta-se à vontade para copiar e executar o código abaixo. Você sempre pode voltar e examinar o loop de treinamento com mais detalhes depois, como quando estiver esperando seu modelo terminar o treinamento. 🤗

>>> from accelerate import Accelerator
>>> from huggingface_hub import create_repo, upload_folder
>>> from tqdm.auto import tqdm
>>> from pathlib import Path
>>> import os

>>> def train_loop(config, model, noise_scheduler, optimizer, train_dataloader, lr_scheduler):
...     # Initialize accelerator and tensorboard logging
...     accelerator = Accelerator(
...         mixed_precision=config.mixed_precision,
...         gradient_accumulation_steps=config.gradient_accumulation_steps,
...         log_with="tensorboard",
...         project_dir=os.path.join(config.output_dir, "logs"),
...     )
...     if accelerator.is_main_process:
...         if config.output_dir is not None:
...             os.makedirs(config.output_dir, exist_ok=True)
...         if config.push_to_hub:
...             repo_id = create_repo(
...                 repo_id=config.hub_model_id or Path(config.output_dir).name, exist_ok=True
...             ).repo_id
...         accelerator.init_trackers("train_example")

...     # Prepare everything
...     # There is no specific order to remember, you just need to unpack the
...     # objects in the same order you gave them to the prepare method.
...     model, optimizer, train_dataloader, lr_scheduler = accelerator.prepare(
...         model, optimizer, train_dataloader, lr_scheduler
...     )

...     global_step = 0

...     # Now you train the model
...     for epoch in range(config.num_epochs):
...         progress_bar = tqdm(total=len(train_dataloader), disable=not accelerator.is_local_main_process)
...         progress_bar.set_description(f"Epoch {epoch}")

...         for step, batch in enumerate(train_dataloader):
...             clean_images = batch["images"]
...             # Sample noise to add to the images
...             noise = torch.randn(clean_images.shape, device=clean_images.device)
...             bs = clean_images.shape[0]

...             # Sample a random timestep for each image
...             timesteps = torch.randint(
...                 0, noise_scheduler.config.num_train_timesteps, (bs,), device=clean_images.device,
...                 dtype=torch.int64
...             )

...             # Add noise to the clean images according to the noise magnitude at each timestep
...             # (this is the forward diffusion process)
...             noisy_images = noise_scheduler.add_noise(clean_images, noise, timesteps)

...             with accelerator.accumulate(model):
...                 # Predict the noise residual
...                 noise_pred = model(noisy_images, timesteps, return_dict=False)[0]
...                 loss = F.mse_loss(noise_pred, noise)
...                 accelerator.backward(loss)

...                 if accelerator.sync_gradients:
...                     accelerator.clip_grad_norm_(model.parameters(), 1.0)
...                 optimizer.step()
...                 lr_scheduler.step()
...                 optimizer.zero_grad()

...             progress_bar.update(1)
...             logs = {"loss": loss.detach().item(), "lr": lr_scheduler.get_last_lr()[0], "step": global_step}
...             progress_bar.set_postfix(**logs)
...             accelerator.log(logs, step=global_step)
...             global_step += 1

...         # After each epoch you optionally sample some demo images with evaluate() and save the model
...         if accelerator.is_main_process:
...             pipeline = DDPMPipeline(unet=accelerator.unwrap_model(model), scheduler=noise_scheduler)

...             if (epoch + 1) % config.save_image_epochs == 0 or epoch == config.num_epochs - 1:
...                 evaluate(config, epoch, pipeline)

...             if (epoch + 1) % config.save_model_epochs == 0 or epoch == config.num_epochs - 1:
...                 if config.push_to_hub:
...                     upload_folder(
...                         repo_id=repo_id,
...                         folder_path=config.output_dir,
...                         commit_message=f"Epoch {epoch}",
...                         ignore_patterns=["step_*", "epoch_*"],
...                     )
...                 else:
...                     pipeline.save_pretrained(config.output_dir)

Ufa, foi bastante código! Mas você finalmente está pronto para iniciar o treinamento com a função notebook_launcher do 🤗 Accelerate. Passe para a função o loop de treinamento, todos os argumentos de treinamento e o número de processos (você pode alterar esse valor para o número de GPUs disponíveis para você) a serem usados no treinamento:

>>> from accelerate import notebook_launcher

>>> args = (config, model, noise_scheduler, optimizer, train_dataloader, lr_scheduler)

>>> notebook_launcher(train_loop, args, num_processes=1)

Quando o treinamento estiver concluído, confira as imagens finais 🦋 geradas pelo seu modelo de difusão! 🦋

>>> import glob

>>> sample_images = sorted(glob.glob(f"{config.output_dir}/samples/*.png"))
>>> Image.open(sample_images[-1])

Próximas etapas

A geração de imagens incondicional é um exemplo de tarefa que pode ser treinada. Você pode explorar outras tarefas e técnicas de treinamento visitando a página 🧨 Exemplos de Treinamento do Diffusers. Aqui estão alguns exemplos do que você pode aprender:

Textual Inversion, um algoritmo que ensina a um modelo um conceito visual específico e o integra na imagem gerada.
DreamBooth, uma técnica para gerar imagens personalizadas de um sujeito a partir de várias imagens de entrada do sujeito.
Guia para o ajuste fino de um modelo Stable Diffusion em seu próprio conjunto de dados.
Guia para o uso de LoRA, uma técnica de ajuste fino de modelos muito grandes que é eficiente em memória e mais rápida.

Update on GitHub