最新要闻

广告

手机

iphone11大小尺寸是多少?苹果iPhone11和iPhone13的区别是什么?

iphone11大小尺寸是多少?苹果iPhone11和iPhone13的区别是什么?

警方通报辅警执法直播中被撞飞:犯罪嫌疑人已投案

警方通报辅警执法直播中被撞飞:犯罪嫌疑人已投案

家电

全球观速讯丨Mac | iOS | Windows:安装Stable diffusion教程

来源:博客园

热烈欢迎,请直接点击!!!

进入博主App Store主页,下载使用各个作品!!!

注:博主将坚持每月上线一个新app!!!


(相关资料图)

Apple已支持的开源库:https://machinelearning.apple.com/research/stable-diffusion-coreml-apple-silicon

一、MAC部署安装:https://github.com/apple/ml-stable-diffusion
git clone https://github.com/apple/ml-stable-diffusion// 下载的文件夹运行pip install -e . 
注册登陆:hugging face点击生成token并复制:https://huggingface.co/settings/tokens

接下去命令行输入指令,按提示输入

huggingface-cli login

运行指令,在文件夹下运行,顺便创建一个放置ml模型的文件夹,替换下面的-o

python -m python_coreml_stable_diffusion.torch2coreml --convert-unet --convert-text-encoder --convert-vae-decoder --convert-safety-checker -o ./output_ml
官方还给了一个api:
--model-version runwayml/stable-diffusion-v1-5 #可以指定其他版本的diffusion模型,默认是 CompVis/stable-diffusion-v1-4--bundle-resources-for-swift-cli  #将ml文件整理成一个swift包,python生成不需要使用--chunk-unet #ios和ipados部署需要,后面两个之后有机会我想去尝试一下在真机上的部署--attention-implementation #在Apple芯片上的npu上实现
如果想部署手机和平板可以参考:
python -m python_coreml_stable_diffusion.torch2coreml --convert-unet --convert-text-encoder --convert-vae-decoder --convert-safety-checker -o ./sd2_ml --chunk-unet --model-version stabilityai/stable-diffusion-2-1-base --bundle-resources-for-swift-cli
大约20几分钟,会生成下列文件:接着还是在ml-stable-diffusion的文件夹下运行,对了再创建一个放图片的文件夹:
python -m python_coreml_stable_diffusion.pipeline --prompt "a photo of an astronaut riding a horse on mars" -i ./output_ml -o ./output_image --compute-unit ALL --seed 93
swift用下面这个:
swift run StableDiffusionSample "A photo of a little girl walking on the beach with the Jenny Turtle" --resource-path ./sd2_ml/Resources/ --seed 93 --output-path ./output_image
--model-version #如果前面修改了这个也要修改--num-inference-steps #默认推理50次,用这个可以自定义次数
参考了官方的基准指南--compute-unit 选择了CPU_AND_NE,swift 2秒左右一个step,快了很多。

就是从上图中我们可以看到似乎无后缀的M芯片由于GPU数量较少吧我猜--compute-unit 都推荐选CPU_AND_NE,pro系列芯片选ALL,以上选CPU_AND_GPU。

--attention-implementation 直接看GPU核心数,小于等于16个使用SPLLIT_EINSUM,就是默认的其实啥也不用加。大于16个使用ORIGINAL。我猜因为M芯片是16核NPU的,GPU核心数比NPU小那肯定用NPU,GPU核心数大大超过NPU,那还是GPU的效率更高吧。二、iPhone & iPad部署打开Xcode,导入库和上面生成的ML文件
1 import SwiftUI 2 import StableDiffusion 3 import CoreML 4  5 struct ContentView: View { 6     @State var prompt: String = "a photo of an astronaut riding a horse on mars" 7     @State var step = 10 8     @State var seed = 100 9     @State var image: CGImage?10     @State var progress = 0.011     @State var generating = false12     @State var booting = true13     14     @State var pipeline: StableDiffusionPipeline?15     16     private let disableSafety = false17 18     19     var body: some View {20         VStack {21             if booting {22                 Text("Initializing...")23             } else {24                 if let image {25                     Image(uiImage: UIImage(cgImage: image))26                         .resizable()27                         .scaledToFit()28                 }29                 if generating {30                     ProgressView(value: progress)31                 }32                 if !generating {33                     TextField("Prompt", text: $prompt)34                     Stepper(value: $step, in: 1...100) {35                         Text("steps: \(step)")36                     }37                     Stepper(value: $seed, in: 0...10000) {38                         Text("Seed: \(seed)")39                     }40                     Button("Generate") {41                         progress = 0.042                         image = nil43                         generating = true44                         Task.detached(priority: .high) {45                             var images: [CGImage?]?46                             do {47                                 print("generate")48                                 images = try pipeline?.generateImages(prompt: prompt, stepCount: step,seed: seed, disableSafety: disableSafety, progressHandler: { progress in49                                     print("test")50                                     self.progress = Double(progress.step) / Double(step)51                                     if let image = progress.currentImages.first {52                                         self.image = image53                                     }54                                     return true55                                 })56                             } catch let error {57                                 print(error.localizedDescription)58                             }59                             print("finish")60                             if let image = images?.first {61                                 self.image = image62                             }63                             generating = false64                         }65                     }66                 }67             }68         }69         .padding()70         .onAppear{71             Task.detached(priority: .high) {72                 do {73                     print(os_proc_available_memory())74                     guard let path = Bundle.main.path(forResource: "CoreMLModels", ofType: nil, inDirectory: nil) else {75                         fatalError("Fatal error: failed to find the CoreML models.")76                     }77                     let resourceURL = URL(fileURLWithPath: path)78                     let config = MLModelConfiguration()79                     config.computeUnits = .cpuAndNeuralEngine80                     pipeline = try StableDiffusionPipeline(resourcesAt: resourceURL, configuration: config,reduceMemory: true)81                     try pipeline?.loadResources()82                     print("initialized pipeline")83                 } catch let error {84                     print("error initializing pipeline")85                     print(error.localizedDescription)86                 }87                 booting = false88             }89         }90     }91 }92 93 struct ContentView_Previews: PreviewProvider {94     static var previews: some View {95         ContentView()96     }97 }
在iPad和Mac上建议config.computeUnits = .cpuAndNeuralEngine。如果要继续在iPhone上部署的话改为这个config.computeUnits = .cpuAndGPU,然后来到Signing界面,点击Capability,选择Increased Memory Limit。这样就可以在iPhone真机上运行了。这个项目在iPhone真机上需要3GB多一点的内存,我是iPhone 14pro,程序默认可用内存也是3GB多一点刚好杀死。所以通过Increased Memory Limit将可用内存提升至4GB左右才可以运行。另外,即使提升了内存使用神经引擎还是会抱内存错误,只有用GPU才可以,iPad air5没有这种报错两个都可。GPU的运行速度是比神经引擎慢一点的,但是一台手机可以本地运行diffusion还是蛮酷的。

三、Windows部署

下载库:去github网址下载 - >https://github.com/CompVis/stable-diffusion

git clone https://github.com/CompVis/stable-diffusion.git

配置环境和文件

简单的操作,在下载后的文件夹下直接输下面两个:

conda env create -f environment.yamlconda activate ldm
这样就配置好了。或者就像我一样傻傻的报错一个安装一个,环境是pytorch torchvision。
pip install transformers==4.19.2 diffusers invisible-watermarkpip install -e .pip install OmegaConf einops taming-transformers pytorch-lighnting clip kornia

问题

第一个问题官网是有说明的,但就是这个下载地址藏得很深不好找。

找了一会才找到https://huggingface.co/CompVis/stable-diffusion-v-1-4-original,把这个sd-v1-4.ckpt文件下载下来,随便哪个都行,大概四个G。

下载模型文件放置到这个文件夹下,就是上面官方说明的那个位置,命名成model.ckpt。

运行下面的代码,不出意外会报错。

python scripts/txt2img.py --prompt "a photograph of an astronaut riding a horse" --plms

问题好像是原作者修改了这个库,将你的quantize.py(报错的信息里包含文件所在的绝对路径)文件替换成这个网址的文件https://github.com/CompVis/taming-transformers/blob/master/taming/modules/vqvae/quantize.py

再运行一次又报错

现在有一个简单的办法了,感谢数学系之耻的建议,直接降精度就可以释放显存了。如下修改txt2img.py文件第244行

效果图:

或者接下去看比较复杂的方法!不知道需要多大的内存才可以,网上找到方法是用优化的库。网上还有一种办法说注释掉什么安全检查的我试了没有变化。https://github.com/basujindal/stable-diffusion下载完后在新的库上也是需要安装一些环境,在新的文件夹下运行下面的安装代码

pip install -e .

优化的库代码放在optimizedSD文件夹下,也保留了之前的源代码,不要搞错了。

重新安装一下这个优化库的环境,将ckpt放到对应的位置。

python optimizedSD/optimized_txt2img.py --prompt "Cyberpunk style image of a Tesla car reflection in rain" --H 512 --W 512 --seed 27 --n_iter 2 --n_samples 5 --ddim_steps 50

运行后报这个错。查了一下,好像是最近优化的作者也换了一个库https://github.com/basujindal/stable-diffusion/issues/175用下面的办法就能解决了。

pip install git+https://github.com/crowsonkb/k-diffusion.git

然后打开编辑optimizedSD/ddpm.py文件,将from samplers…改成上面图片的三个from k_diffusion…然后贫穷的显卡的电脑也就可以跑了,不说了要努力搬砖买24g的显卡了。

关键词: