distill-sd

distill-sd

更小更快速的Stable Diffusion模型,依靠知识蒸馏实现高质量图像生成

基于知识蒸馏技术开发的小型高速Stable Diffusion模型。这些模型保留了完整版本的图像质量,同时大幅减小了体积和提升了速度。文档详细介绍了数据下载脚本、U-net训练方法和模型参数设置,还支持LoRA训练及从检查点恢复。提供清晰的使用指南和预训练模型,适配快速高效图像生成需求。

Stable Diffusion模型压缩训练细节预训练检查点神经网络Github开源项目

项目介绍:Distill-SD

概述

Distill-SD 项目通过知识蒸馏技术,打造了更小更快的 Stable Diffusion 模型。这些缩小版的模型能够在保持接近质量的前提下,显著提高图像生成的速度,并优化存储空间使用。此项目的实施基于 BK-SDM 的研究论文中的理论。

项目组成

  • data.py:包含下载训练数据的脚本。
  • distill_training.py:用于根据研究论文中的方法训练 U-net,用户可以调整配置以训练不同尺寸的模型(如 sd_small 或 sd_tiny)、批次大小及其他超参数。这部分代码源于 Huggingface 的 diffusers 库。
  • LoRA 训练与从检查点开始的训练可以通过标准的 diffusers 脚本完成。

训练详情

知识蒸馏训练类似于一个大模型(教师模型)和小模型(学生模型)的学习过程。教师模型利用大规模数据进行训练,而学生模型在较小规模数据集上进行训练,目标是模仿教师模型的输出。Distill-SD 使用了 SG161222/Realistic_Vision_V4.0 的 U-net 模型作为教师模型,并从 recastai/LAION-art-EN-improved-captions 数据集中选择了一部分数据进行训练。

最终的训练损失包含:教师模型和学生模型之间的噪声预测 MSE 损失、实际噪声和预测噪声之间的任务损失、以及 U-net 中每个块后的预测损失总和。

参数情况

  • 常规 Stable Diffusion U-net 参数:859,520,964
  • SD_Small U-net 参数:579,384,964
  • SD_Tiny U-net 参数:323,384,964

使用方法

可以通过 Python 脚本在 GPU 上运行图像生成。用户需要提供提示语和负面提示语,以及适当的模型路径等配置参数。

训练模型

Distill-SD 的训练脚本类似于 diffusers 的文本到图像微调脚本,但增加了一些参数,例如:

  • --distill_level:指定使用的模型类型,如 "sd_small" 或 "sd_tiny"。
  • --output_weight--feature-weight:用于缩放输出和特征级别的知识蒸馏损失。

速度优势

相较于完整版本,Distill-SD 模型可实现高达 100% 的推断速度提升和 30% 的显存使用减少,其训练和 LORA 训练也具备加速性能。

局限性

虽然 Distill-SD 模型在许多方面都已经很优秀,但其效果尚未达到生产质量水平。在多概念或组合性上仍有进一步提高的空间。

研究路线图

团队计划在未来开发 SDXL 蒸馏模型、进一步优化 SD-1.5 基础模型、应用 Flash Attention-2 和 TensorRT 等技术以提高模型的训练和推断速度。

致谢

项目得到了 Nota AI 在模型压缩领域研究的启发和支持。在此向他们的研究工作表达谢意。

通过以上的改进和计划,Distill-SD 项目继续致力于将模型压缩及快速高效的图像生成推向新高。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多