# Stable Diffusion 流水线

  

Stable Diffusion 是由 [CompVis](https://github.com/CompVis)、[Stability AI](https://stability.ai/) 和 [LAION](https://laion.ai/) 的研究人员和工程师开发的文本到图像潜在扩散模型。潜在扩散在低维潜在空间中应用扩散过程，以降低内存和计算复杂度。这种特定类型的扩散模型由 Robin Rombach、Andreas Blattmann、Dominik Lorenz、Patrick Esser 和 Björn Ommer 在 [High-Resolution Image Synthesis with Latent Diffusion Models](https://huggingface.co/papers/2112.10752) 中提出。

Stable Diffusion 是在 LAION-5B 数据集的一个子集上的 512x512 图像上训练的。该模型使用冻结的 CLIP ViT-L/14 文本编码器，以文本提示作为条件来引导模型。凭借其 860M 参数的 UNet 和 123M 参数的文本编码器，该模型相对轻量，可以在消费级 GPU 上运行。

如需了解更多关于 Stable Diffusion 的工作原理及其与基础潜在扩散模型的区别，请参阅 Stability AI 的[公告](https://stability.ai/blog/stable-diffusion-announcement)以及我们自己的[博客文章](https://huggingface.co/blog/stable_diffusion#how-does-stable-diffusion-work)以获取更详细的技术信息。

您可以在 [CompVis/stable-diffusion](https://github.com/CompVis/stable-diffusion) 找到 Stable Diffusion v1.0 的原始代码库，在 [Stability-AI/stablediffusion](https://github.com/Stability-AI/stablediffusion) 找到 Stable Diffusion v2.0 的原始代码库，以及用于各种任务的原始脚本。不同 Stable Diffusion 版本和任务的额外官方检查点可以在 [CompVis](https://huggingface.co/CompVis) 和 [Stability AI](https://huggingface.co/stabilityai) Hub 组织中查找。请探索这些组织，以找到最适合您使用场景的检查点！

下表总结了可用的 Stable Diffusion 流水线、其支持的任务以及交互式演示：

    
    
        
        
            
            Pipeline
            
            
            支持的任务
            
            
            🤗 Space
            
        
        
        
        
            
            StableDiffusion
            
            文本到图像
            
            
        
        
            
            StableDiffusionImg2Img
            
            图像到图像
            
            
        
        
            
            StableDiffusionInpaint
            
            inpainting
            
            
        
        
            
            StableDiffusionDepth2Img
            
            depth-to-image
            
            
        
        
            
            StableDiffusionImageVariation
            
            图像变体
            
            
        
        
            
            StableDiffusionPipelineSafe （已弃用；无文档页面）
            
            过滤后的文本到图像
            
            
        
        
            
            StableDiffusion2
            
            文本到图像、图像修复、深度到图像、超分辨率
            
            
        
        
            
            StableDiffusionXL
            
            文本到图像，图像到图像
            
            
        
        
            
            StableDiffusionLatentUpscale
            
            超分辨率
            
            
        
        
            
            StableDiffusionUpscale
            
            超分辨率
        
        
            
            StableDiffusionLDM3D
            
            文本到 RGB、文本到深度、文本到全景
            
            
        
        
            
            StableDiffusionUpscaleLDM3D
            
            ldm3d 超分辨率
        
        
    
    

## 提示

为了帮助您充分利用 Stable Diffusion 流水线，这里提供了一些提升性能和易用性的技巧。这些技巧适用于所有 Stable Diffusion 流水线。

### 探索速度与质量之间的权衡

[StableDiffusionPipeline](/docs/diffusers/v0.43.0/zh/api/pipelines/stable_diffusion/text2img#diffusers.StableDiffusionPipeline) 默认使用 [PNDMScheduler](/docs/diffusers/v0.43.0/zh/api/schedulers/pndm#diffusers.PNDMScheduler)，但 🤗 Diffusers 提供了许多其他兼容的调度器（其中一些速度更快或输出质量更高）。例如，如果您想使用 [EulerDiscreteScheduler](/docs/diffusers/v0.43.0/zh/api/schedulers/euler#diffusers.EulerDiscreteScheduler) 而不是默认的调度器：

```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)
```

### 复用流水线组件以节省内存

为了节省内存并在多个流水线中复用相同的组件，请使用 `.components` 方法，以避免将权重多次加载到 RAM 中。

```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
```

### 使用 `gradio` 创建 Web 演示

Stable Diffusion 流水线在 [Gradio](https://github.com/gradio-app/gradio/) 中受到自动支持。Gradio 是一个库，可轻松创建美观且用户友好的 Web 机器学习应用。首先，请确保已安装 Gradio：

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

然后，围绕任意基于 Stable Diffusion 的流水线创建一个 Web 演示。例如，你可以使用 Gradio 的 [`Interface.from_pipeline`](https://www.gradio.app/docs/interface#interface-from-pipeline) 函数，仅用一行代码创建一个图像生成流水线：

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

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

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

它会在您的浏览器中打开一个直观的拖放界面：

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

类似地，你可以使用以下方式为图像到图像流水线创建一个演示：

```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()
```

默认情况下，Web 演示在本地服务器上运行。如果您想与他人共享，可以在 `launch()` 中设置 `share=True` 来生成一个临时的公共链接。或者，您可以将演示托管在 [Hugging Face Spaces](https://huggingface.co/spaces)https://huggingface.co/spaces 上，以获取一个永久链接。