Diffusers documentation
Lumina2
Lumina2
Lumina Image 2.0: A Unified and Efficient Image Generative Model est un transformateur de diffusion basé sur les flux, doté de 2 milliards de paramètres, capable de générer des images variées à partir de descriptions textuelles.
L'abstract de l'article est :
Nous présentons Lumina-Image 2.0, un modèle avancé de génération d'images à partir de texte qui surpasse les méthodes de référence précédentes sur plusieurs benchmarks, tout en mettant en lumière son potentiel à évoluer vers un modèle d'intelligence visuelle généraliste. Lumina-Image 2.0 présente trois propriétés clés : (1) Unification – il adopte une architecture unifiée qui traite les jetons de texte et d'image comme une séquence conjointe, permettant des interactions inter-modales naturelles et facilitant l'extension des tâches. Par ailleurs, comme des légendeurs de haute qualité peuvent fournir des paires texte-image d'entraînement mieux alignées sémantiquement, nous introduisons un système de légendage unifié, UniCaptioner, qui génère des légendes complètes et précises pour le modèle. Cela accélère non seulement la convergence du modèle, mais améliore également le respect des prompts, le traitement des prompts de longueur variable et la généralisation des tâches via des modèles de prompts. (2) Efficacité – afin d'améliorer l'efficacité de l'architecture unifiée, nous développons un ensemble de techniques d'optimisation qui améliorent l'apprentissage sémantique et la génération de textures fines pendant l'entraînement, tout en intégrant des stratégies d'accélération à l'inférence sans compromettre la qualité des images. (3) Transparence – nous open-source tous les détails d'entraînement, le code et les modèles pour garantir une reproductibilité complète, visant à combler l'écart entre les équipes de recherche fermées bien dotées et les développeurs indépendants.
Pensez à consulter le guide des Schedulers pour apprendre à explorer le compromis entre la vitesse et la qualité du scheduler, et à consulter la section réutilisation des composants entre les pipelines pour apprendre à charger efficacement les mêmes composants dans plusieurs pipelines.
Utilisation du chargement en fichier unique avec Lumina Image 2.0
Le chargement en fichier unique pour Lumina Image 2.0 est disponible pour le 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")
Utilisation des points de contrôle quantifiés GGUF avec Lumina Image 2.0
Les points de contrôle quantifiés GGUF pour le Lumina2Transformer2DModel peuvent être chargés via from_single_file avec le 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
classe diffusers.Lumina2Pipeline
< source >( transformer: Lumina2Transformer2DModelscheduler: FlowMatchEulerDiscreteSchedulervae: AutoencoderKLtext_encoder: Gemma2PreTrainedModeltokenizer: GemmaTokenizer )
Paramètres
- vae (AutoencoderKL) — Modèle de Variational Auto-Encoder (VAE) pour encoder et décoder des images vers et depuis des représentations latentes.
- text_encoder (
Gemma2PreTrainedModel) — Encodeur de texte Gemma2 figé. - tokenizer (
GemmaTokenizerouGemmaTokenizerFast) — Tokeniseur Gemma. - transformer (Transformer2DModel) —
Un
Transformer2DModelconditionné par du texte pour débruyer les latents d’image encodés. - scheduler (SchedulerMixin) —
Un scheduler à utiliser en combinaison avec
transformerpour débruyer les latents d'image encodés.
Pipeline pour la génération d'images à partir de texte utilisant Lumina-T2I.
Ce modèle hérite de DiffusionPipeline. Consultez la documentation de la classe parente pour les méthodes génériques que la bibliothèque implémente pour tous les pipelines (tels que le téléchargement ou l'enregistrement, l'exécution sur un appareil particulier, etc.)
__call__
< source >( prompt: str | list[str] = Nonewidth: int | None = Noneheight: int | None = Nonenum_inference_steps: int = 30guidance_scale: float = 4.0negative_prompt: str | list[str] = Nonesigmas: list = Nonenum_images_per_prompt: int | None = 1generator: typing.Union[torch.Generator, list[torch.Generator], NoneType] = Nonelatents: typing.Optional[torch.Tensor] = Noneprompt_embeds: typing.Optional[torch.Tensor] = Nonenegative_prompt_embeds: typing.Optional[torch.Tensor] = Noneprompt_attention_mask: typing.Optional[torch.Tensor] = Nonenegative_prompt_attention_mask: typing.Optional[torch.Tensor] = Noneoutput_type: str | None = 'pil'return_dict: bool = Trueattention_kwargs: dict[str, typing.Any] | None = Nonecallback_on_step_end: typing.Optional[typing.Callable[[int, int], NoneType]] = Nonecallback_on_step_end_tensor_inputs: list = ['latents']system_prompt: str | None = Nonecfg_trunc_ratio: float = 1.0cfg_normalization: bool = Truemax_sequence_length: int = 256 ) → ImagePipelineOutput or tuple
Paramètres
- prompt (
stroulist[str], facultatif) — Le prompt ou les prompts pour guider la génération d’image. S’il n’est pas défini, il faut passerprompt_embedsà la place. - negative_prompt (
stroulist[str], facultatif) — Le ou les prompts à ne pas utiliser pour guider la génération d’image. S’il n’est pas défini, il faut passernegative_prompt_embedsà la place. Ignoré lorsque le guidage n’est pas utilisé (c’est-à-dire ignoré siguidance_scaleest inférieur à1). - num_inference_steps (
int, facultatif, valeur par défaut 30) — Le nombre d'étapes de débruitage. Un plus grand nombre d'étapes de débruitage conduit généralement à une image de meilleure qualité, au prix d'une inférence plus lente. - sigmas (
list[float], facultatif) — Sigmas personnalisés à utiliser pour le processus de débruitage avec les planificateurs qui prennent en charge un argumentsigmasdans leur méthodeset_timesteps. S'il n'est pas défini, le comportement par défaut lorsquenum_inference_stepsest passé sera utilisé. - guidance_scale (
float, facultatif, valeur par défaut 4.0) — Échelle de guidage telle que définie dans Classifier-Free Diffusion Guidance.guidance_scaleest défini commewde l’équation 2 de Imagen Paper. L’échelle de guidage est activée en définissantguidance_scale > 1. Une échelle de guidage plus élevée encourage la génération d’images étroitement liées auprompttexte, généralement au détriment de la qualité de l’image. - num_images_per_prompt (
int, facultatif, valeur par défaut 1) — Le nombre d'images à générer par invite. - height (
int, facultatif, par défaut self.unet.config.sample_size) — La hauteur en pixels de l'image générée. - width (
int, facultatif, par défaut self.unet.config.sample_size) — La largeur en pixels de l'image générée. - generator (
torch.Generatoroulist[torch.Generator], facultatif) — Un ou une liste de générateurs torch pour rendre la génération déterministe. - latents (
torch.Tensor, facultatif) — Latents bruités pré-générés, échantillonnés à partir d’une distribution gaussienne, à utiliser comme entrées pour la génération d’images. Peut être utilisé pour ajuster la même génération avec des prompts différents. S’il n’est pas fourni, un tenseur de latents sera généré par échantillonnage à l’aide dugeneratoraléatoire fourni. - prompt_embeds (
torch.Tensor, facultatif) — Embeddings de texte pré-générés. Peut être utilisé pour ajuster facilement les entrées de texte, par ex. le pondération des prompts. S'il n'est pas fourni, les embeddings de texte seront générés à partir de l'argument d'entréeprompt. - prompt_attention_mask (
torch.Tensor, facultatif) — Masque d'attention pré-généré pour les embeddings de texte. - negative_prompt_embeds (
torch.Tensor, facultatif) — Embeddings de texte négatifs pré-générés. Pour Lumina-T2I, ce prompt négatif doit être "". S'il n'est pas fourni, negative_prompt_embeds sera généré à partir de l'argument d'entréenegative_prompt. - negative_prompt_attention_mask (
torch.Tensor, facultatif) — Masque d'attention pré-généré pour les embeddings de texte négatifs. - output_type (
str, facultatif, par défaut"pil") — Le format de sortie de l'image générée. Choisissez entre PIL :PIL.Image.Imageounp.array. - return_dict (
bool, facultatif, par défautTrue) — Indique s'il faut retourner un~pipelines.stable_diffusion.IFPipelineOutputplutôt qu'un simple tuple. - attention_kwargs —
Dictionnaire de kwargs qui, s'il est spécifié, est transmis à l'
AttentionProcessordéfini sousself.processordans diffusers.models.attention_processor. - callback_on_step_end (
Callable, facultatif) — Une fonction appelée à la fin de chaque étape de débruitage pendant l'inférence. La fonction est appelée avec les arguments suivants :callback_on_step_end(self: DiffusionPipeline, step: int, timestep: int, callback_kwargs: Dict).callback_kwargscontiendra une liste de tous les tenseurs spécifiés parcallback_on_step_end_tensor_inputs. - callback_on_step_end_tensor_inputs (
list, facultatif) — La liste des entrées tensorielles pour la fonctioncallback_on_step_end. Les tenseurs spécifiés dans la liste seront passés en tant qu'argumentcallback_kwargs. Vous ne pourrez inclure que les variables listées dans l'attribut._callback_tensor_inputsde votre classe de pipeline. - system_prompt (
str, facultatif) — Le prompt système à utiliser pour la génération d’images. - cfg_trunc_ratio (
float, facultatif, valeur par défaut1.0) — Le ratio de l'intervalle de pas de temps auquel appliquer l'échelle de guidage basée sur la normalisation. - cfg_normalization (
bool, facultatif, valeur par défautTrue) — Indique s'il faut appliquer l'échelle de guidage basée sur la normalisation. - max_sequence_length (
int, par défaut256) — Longueur maximale de la séquence à utiliser avec leprompt.
Retourne
ImagePipelineOutput ou tuple
Si return_dict est True, ImagePipelineOutput est retourné, sinon un tuple est retourné dont le premier élément est une liste contenant les images générées
Fonction appelée lors de l'appel du pipeline pour la génération.
Exemples :
>>> 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
< source >( prompt: str | list[str]do_classifier_free_guidance: bool = Truenegative_prompt: str | list[str] = Nonenum_images_per_prompt: int = 1device: typing.Optional[torch.device] = Noneprompt_embeds: typing.Optional[torch.Tensor] = Nonenegative_prompt_embeds: typing.Optional[torch.Tensor] = Noneprompt_attention_mask: typing.Optional[torch.Tensor] = Nonenegative_prompt_attention_mask: typing.Optional[torch.Tensor] = Nonesystem_prompt: str | None = Nonemax_sequence_length: int = 256 )
Paramètres
- prompt (
stroulist[str], facultatif) — prompt à encoder - negative_prompt (
stroulist[str], facultatif) — Le prompt à ne pas utiliser pour guider la génération de l’image. S’il n’est pas défini, il faut passernegative_prompt_embedsà la place. Ignoré lorsque la guidance n’est pas utilisée (c’est-à-dire ignoré siguidance_scaleest inférieur à1). Pour Lumina-T2I, cette valeur doit être "". - do_classifier_free_guidance (
bool, facultatif, valeur par défautTrue) — indique s'il faut utiliser le classifier free guidance ou non - num_images_per_prompt (
int, facultatif, valeur par défaut 1) — nombre d'images à générer par invite - device — (
torch.device, facultatif) : dispositif torch sur lequel placer les embeddings résultants - prompt_embeds (
torch.Tensor, facultatif) — Embeddings de texte pré-générés. Peut être utilisé pour ajuster facilement les entrées de texte, par ex. le pondération des prompts. S'il n'est pas fourni, les embeddings de texte seront générés à partir de l'argument d'entréeprompt. - negative_prompt_embeds (
torch.Tensor, facultatif) — Embeddings de texte négatif pré-générés. Pour Lumina-T2I, il doit s’agir des embeddings de la chaîne "". - max_sequence_length (
int, par défaut256) — Longueur maximale de séquence à utiliser pour le prompt.
Encode le prompt dans les états cachés de l'encodeur de texte.