扩散模型

模型支持与下载

  1. stable-diffusion-v1-5

https://huggingface.co/stable-diffusion-v1-5/stable-diffusion-v1-5/tree/main

  1. chilloutmix

https://modelscope.cn/models/wyj123456/chilloutmix

  1. IDEA-CCNL/Taiyi-Stable-Diffusion-1B-Chinese-v0.1

https://huggingface.co/IDEA-CCNL/Taiyi-Stable-Diffusion-1B-Chinese-v0.1/tree/main

模型转换

将Huggingface的Stable Diffusion模型 转为onnx模型

cd mnn_path/transformers/diffusion/export
python onnx_export.py \
    --model_path hf_sd_load_path \
    --output_path onnx_save_path

注意，上述脚本需要依赖torch/onnx/diffusers等库，可以安装conda环境：

conda env create -f env.yaml
conda activate ldm

在conda环境中执行模型转换脚本

将onnx模型转为mnn模型

新建diffusion mnn模型文件夹 mnn_save_path ，将转好的mnn文件放在该文件夹下。

执行脚本

python3 convert_mnn.py ../onnx ~/alicnn/AliNNPrivate/build/diffusion "--weightQuantBits=8"

若希望在OpenCL / Metal后端上进一步加速，可加上–transformerFuse:

# 适用OpenCL / Metal后端推理
python3 convert_mnn.py onnx_path mnn_save_path "--weightQuantBits=8 --transformerFuse"

编译Diffusion Demo

Linux/MAC/Windows上

cd mnn_path
mkdir build
cd build
cmake .. -DMNN_LOW_MEMORY=ON -DMNN_BUILD_DIFFUSION=ON -DMNN_BUILD_OPENCV=ON -DMNN_IMGCODECS=ON -DMNN_OPENCL=ON -DMNN_SEP_BUILD=OFF -DMNN_SUPPORT_TRANSFORMER_FUSE=ON
make -j32

Android上

cd mnn_path/project/android/build
../build_64.sh -DMNN_LOW_MEMORY=ON -DMNN_BUILD_DIFFUSION=ON -DMNN_BUILD_OPENCV=ON -DMNN_IMGCODECS=ON -DMNN_OPENCL=ON -DMNN_SEP_BUILD=OFF -DMNN_SUPPORT_TRANSFORMER_FUSE=ON
../updateTest.sh

运行Diffusion Demo

./diffusion_demo <resource_path> <model_type> <memory_mode> <backend_type> <iteration_num> <random_seed> <output_image_name> <prompt_text>

其中，resource_path 就是mnn模型文件的路径，除了mnn文件，还需要:

资源拷贝

(a) 将MNN目录transformers/diffusion/engine/scheduler/alphas.txt文件拷贝到resource_path文件夹下。
(b) 针对stable-diffusion-v1-5/chilloutmix模型需要将huggingfacetokenizer目录下merges.txt和vocab.json拷贝到resource_path文件夹中。
(c) 针对Taiyi-Stable-Diffusion模型需要将huggingfacetokenizer目录下vocab.txt拷贝到resource_path文件夹中。

参数设置

1. model_type是目前支持的两种diffusion模型的类别。如果是stable-diffusion-v1-5/chilloutmix模型设为0，如果是Taiyi-Stable-Diffusion模型设为1。
2. memory_mode代表设备是否内存足够，设为0表示内存节约模式(demo中每个模型使用前等待初始化，用完释放)，1代表内存足够模式(所有模式启动时全初始化完，性能快，运行时无需等待初始化), 2代表内存&性能折中模式(启动时初始化部分模型)。
3. backend_type代表选择的运行后端，如OpenCL/Metal/CPU等。
4. iteration_num代表文生图迭代次数，通常建议设置10到20之间。
5. random_seed代表固定输入噪声种子数，设置为负数表示随机生成噪声种子数。当随机噪声种子数生成图片质量不佳时，可以调节该参数种子数值。

提示词和图片名称设置

1. output_image_name是生成图片的名字，默认图片位置在当前运行目录下。
2. prompt_text是文生图的prompt，如果是stable-diffusion-v1-5/chilloutmix模型建议英文prompt，如果是Taiyi-Stable-Diffusion建议中文prompt。

运行命令示例

./diffusion_demo mnn_sd1.5_path 0 1 3 20 -1 demo.jpg "a cute cat"
./diffusion_demo mnn_chilloutmix_path 0 0 3 10 42 demo.jpg "a pure girl"
./diffusion_demo mnn_taiyi_path 1 0 3 10 -1 demo.jpg "一只可爱的猫"

FAQ

  1. Demo运行报错、段错误，怎么解决？

  • 常见错误可能是设备内存不足，通常支持opencl fp16的设备需要保证2GB以上的内存，不支持fp16则需要4GB以上显存了。

  1. 使用其他后端，出现报错，什么原因？

  • 目前其他后端暂不支持transformer插件算子，需要在onnx->mnn模型转换阶段，去掉–transformerFuse。