Недавно я провел углубленное исследование процесса локального развертывания модели стабильной диффузии. В этом руководстве я подробно опишу каждый шаг от подготовки среды до запуска модели и предоставлю решения распространенных проблем развертывания, которые помогут вам успешно начать локальное создание Stable Diffusion.

1. Экологическая подготовка

1. Установите основные зависимости

В вашей системе установлен Python версии 3.8 или выше, CUDA 11.3+ и соответствующая библиотека cuDNN. Кроме того, вам необходимо установить драйвер NVIDIA.、PyTorch（>=1.10）иtorchvision：

bash
pip install torch torchvision

2. Получите код и модель стабильной диффузии.

Клонируйте репозиторий Stable Diffusion:

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

Загрузите предварительно обученную модель (требуется регистрация и ключ API):

bash
python scripts/download.py --model-type v1 --prompt-engine dango --api-key <your_api_key>

2. Конфигурация и работа модели.

1. Настройте рабочие параметры

Отредактируйте скрипты/run_diffusion.py и настройте путь к модели, параметры выборки, выходной каталог и т. д. в соответствии с вашими потребностями:

python
# Example configuration
model_path = "models/stable-diffusion-v1-4/ldm/stable-diffusion-v1-4.ckpt"
prompt_engine = "dango"
output_dir = "./outputs"

# Sampling parameters
num_samples = 1
image_width = 512
image_height = 512
guidance_scale = 7.5

2. Запустите модель для создания изображений.

Выполните следующую команду, чтобы начать создание изображений:

bash
python scripts/run_diffusion.py

Сгенерированное изображение будет сохранено в указанном выходном_каталоге.

3. Часто задаваемые вопросы и решения

1. Несоответствие версий CUDA/CuDNN.

Убедитесь, что установленные версии CUDA и cuDNN соответствуют требованиям PyTorch. Информацию о версии можно проверить с помощью nvcc --version и cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2.

2. Недостаточно видеопамяти.

Если из-за нехватки видеопамяти программа выходит из строя, попробуйте уменьшить image_width и image_height или уменьшить num_samples. Также убедитесь, что не запущены другие процессы, занимающие видеопамять.

3. Ключ API недействителен или загрузка не удалась.

Проверьте, верен ли предоставленный ключ API и стабильно ли сетевое соединение. Если у вас возникли проблемы, попробуйте получить ключ еще раз или измените сетевое окружение и повторите попытку.

4. Не удалось загрузить модель.

Убедитесь, что путь к файлу модели правильный и файл не поврежден. Если вы получаете модель из других источников, убедитесь, что она совместима с кодом Stable Diffusion.

5. Низкое качество получаемых результатов.

Отрегулируйте параметрguide_scale. Чем больше значение, тем выше точность модели в отношении подсказок, но можно пожертвовать инновациями. Попробуйте использовать разные слова подсказки и комбинации параметров, чтобы получить удовлетворительные результаты.

4. Расширенные операции

1. Используйте собственные слова-подсказки

В run_diffusion.py измените переменную приглашения на необходимое текстовое приглашение:

python
prompt = "A highly detailed painting of a serene mountain landscape, oil on canvas, by Claude Monet"

2. Пакетная генерация

Измените параметр num_samples, чтобы генерировать несколько изображений одновременно. Убедитесь, что вашей видеопамяти достаточно для покрытия дополнительных затрат памяти, необходимых для пакетной генерации.

С помощью этого руководства вы должны успешно развернуть и запустить локально модель Stable Diffusion. Несмотря на то, что в процессе развертывания вы можете столкнуться с некоторыми проблемами, если вы будете следовать приведенным выше шагам и решениям один за другим, вы сможете плавно начать свой путь создания произведений искусства с использованием ИИ. В будущем я продолжу делиться более продвинутыми методами использования и методами стабильной диффузии, так что следите за обновлениями.