InstructPix2Pix

InstructPix2Pix 是一个基于 Stable Diffusion 训练的模型，用于根据人类提供的指令编辑图像。例如，您的提示可以是“将云变成雨天”，模型将相应编辑输入图像。该模型以文本提示（或编辑指令）和输入图像为条件。

本指南将探索 train_instruct_pix2pix.py 训练脚本，帮助您熟悉它，以及如何将其适应您自己的用例。

在运行脚本之前，请确保从源代码安装库：

git clone https://github.com/huggingface/diffusers
cd diffusers
pip install .

然后导航到包含训练脚本的示例文件夹，并安装脚本所需的依赖项：

cd examples/instruct_pix2pix
pip install -r requirements.txt

🤗 Accelerate 是一个库，用于帮助您在多个 GPU/TPU 上或使用混合精度进行训练。它将根据您的硬件和环境自动配置训练设置。查看 🤗 Accelerate 快速导览以了解更多信息。

初始化一个 🤗 Accelerate 环境：

accelerate config

要设置一个默认的 🤗 Accelerate 环境，无需选择任何配置：

accelerate config default

或者，如果您的环境不支持交互式 shell，例如笔记本，您可以使用：

from accelerate.utils import write_basic_config

write_basic_config()

最后，如果您想在自己的数据集上训练模型，请查看创建用于训练的数据集指南，了解如何创建与训练脚本兼容的数据集。

以下部分重点介绍了训练脚本中对于理解如何修改它很重要的部分，但并未详细涵盖脚本的每个方面。如果您有兴趣了解更多，请随时阅读脚本，并告诉我们如果您有任何问题或疑虑。

脚本参数

训练脚本有许多参数可帮助您自定义训练运行。所有参数及其描述可在 parse_args() 函数中找到。大多数参数都提供了默认值，这些值效果相当不错，但如果您愿意，也可以在训练命令中设置自己的值。

例如，要增加输入图像的分辨率：

accelerate launch train_instruct_pix2pix.py \
  --resolution=512 \

许多基本和重要的参数在文本到图像训练指南中已有描述，因此本指南仅关注与 InstructPix2Pix 相关的参数：

--original_image_column：编辑前的原始图像
--edited_image_column：编辑后的图像
--edit_prompt_column：编辑图像的指令
--conditioning_dropout_prob：训练期间编辑图像和编辑提示的 dropout 概率，这为一种或两种条件输入启用了无分类器引导（CFG）

训练脚本

数据集预处理代码和训练循环可在 main() 函数中找到。这是您将修改训练脚本以适应自己用例的地方。

与脚本参数类似，文本到图像训练指南提供了训练脚本的逐步说明。相反，本指南将查看脚本中与 InstructPix2Pix 相关的部分。

脚本首先修改 UNet 的第一个卷积层中的输入通道数，以适应 InstructPix2Pix 的额外条件图像：

in_channels = 8
out_channels = unet.conv_in.out_channels
unet.register_to_config(in_channels=in_channels)

with torch.no_grad():
    new_conv_in = nn.Conv2d(
        in_channels, out_channels, unet.conv_in.kernel_size, unet.conv_in.stride, unet.conv_in.padding
    )
    new_conv_in.weight.zero_()
    new_conv_in.weight[:, :4, :, :].copy_(unet.conv_in.weight)
    unet.conv_in = new_conv_in

这些 UNet 参数由优化器更新：

optimizer = optimizer_cls(
    unet.parameters(),
    lr=args.learning_rate,
    betas=(args.adam_beta1, args.adam_beta2),
    weight_decay=args.adam_weight_decay,
    eps=args.adam_epsilon,
)

接下来，编辑后的图像和编辑指令被预处理并被tokenized。重要的是，对原始图像和编辑后的图像应用相同的图像变换。

def preprocess_train(examples):
    preprocessed_images = preprocess_images(examples)

    original_images, edited_images = preprocessed_images.chunk(2)
    original_images = original_images.reshape(-1, 3, args.resolution, args.resolution)
    edited_images = edited_images.reshape(-1, 3, args.resolution, args.resolution)

    examples["original_pixel_values"] = original_images
    examples["edited_pixel_values"] = edited_images

    captions = list(examples[edit_prompt_column])
    examples["input_ids"] = tokenize_captions(captions)
    return examples

最后，在训练循环中，它首先将编辑后的图像编码到潜在空间：

latents = vae.encode(batch["edited_pixel_values"].to(weight_dtype)).latent_dist.sample()
latents = latents * vae.config.scaling_factor

然后，脚本对原始图像和编辑指令嵌入应用 dropout 以支持 CFG（Classifier-Free Guidance）。这使得模型能够调节编辑指令和原始图像对编辑后图像的影响。

encoder_hidden_states = text_encoder(batch["input_ids"])[0]
original_image_embeds = vae.encode(batch["original_pixel_values"].to(weight_dtype)).latent_dist.mode()

if args.conditioning_dropout_prob is not None:
    random_p = torch.rand(bsz, device=latents.device, generator=generator)
    prompt_mask = random_p < 2 * args.conditioning_dropout_prob
    prompt_mask = prompt_mask.reshape(bsz, 1, 1)
    null_conditioning = text_encoder(tokenize_captions([""]).to(accelerator.device))[0]
    encoder_hidden_states = torch.where(prompt_mask, null_conditioning, encoder_hidden_states)

    image_mask_dtype = original_image_embeds.dtype
    image_mask = 1 - (
        (random_p >= args.conditioning_dropout_prob).to(image_mask_dtype)
        * (random_p < 3 * args.conditioning_dropout_prob).to(image_mask_dtype)
    )
    image_mask = image_mask.reshape(bsz, 1, 1, 1)
    original_image_embeds = image_mask * original_image_embeds

差不多就是这样了！除了这里描述的不同之处，脚本的其余部分与文本到图像训练脚本非常相似，所以请随意查看以获取更多细节。如果您想了解更多关于训练循环如何工作的信息，请查看理解管道、模型和调度器教程，该教程分解了去噪过程的基本模式。

启动脚本

一旦您对脚本的更改感到满意，或者如果您对默认配置没问题，您准备好启动训练脚本！🚀

本指南使用 fusing/instructpix2pix-1000-samples 数据集，这是原始数据集的一个较小版本。您也可以创建并使用自己的数据集（请参阅创建用于训练的数据集指南）。

将 MODEL_NAME 环境变量设置为模型名称（可以是 Hub 上的模型 ID 或本地模型的路径），并将 DATASET_ID 设置为 Hub 上数据集的名称。脚本会创建并保存所有组件（特征提取器、调度器、文本编码器、UNet 等）到您的仓库中的一个子文件夹。

为了获得更好的结果，尝试使用更大的数据集进行更长时间的训练。我们只在较小规模的数据集上测试过此训练脚本。

要使用 Weights and Biases 监控训练进度，请将 --report_to=wandb 参数添加到训练命令中，并使用 --val_image_url 指定验证图像，使用 --validation_prompt 指定验证提示。这对于调试模型非常有用。

如果您在多个 GPU 上训练，请将 --multi_gpu 参数添加到 accelerate launch 命令中。

accelerate launch --mixed_precision="fp16" train_instruct_pix2pix.py \
    --pretrained_model_name_or_path=$MODEL_NAME \
    --dataset_name=$DATASET_ID \
    --enable_xformers_memory_efficient_attention \
    --resolution=256 \
    --random_flip \
    --train_batch_size=4 \
    --gradient_accumulation_steps=4 \
    --gradient_checkpointing \
    --max_train_steps=15000 \
    --checkpointing_steps=5000 \
    --checkpoints_total_limit=1 \
    --learning_rate=5e-05 \
    --max_grad_norm=1 \
    --lr_warmup_steps=0 \
    --conditioning_dropout_prob=0.05 \
    --mixed_precision=fp16 \
    --seed=42 \
    --push_to_hub

训练完成后，您可以使用您的新 InstructPix2Pix 进行推理：

import PIL
import requests
import torch
from diffusers import StableDiffusionInstructPix2PixPipeline
from diffusers.utils import load_image

pipeline = StableDiffusionInstructPix2PixPipeline.from_pretrained("your_cool_model", torch_dtype=torch.float16).to("cuda")
generator = torch.Generator("cuda").manual_seed(0)

image = load_image("https://huggingface.co/datasets/sayakpaul/sample-datasets/resolve/main/test_pix2pix_4.png")
prompt = "add some ducks to the lake"
num_inference_steps = 20
image_guidance_scale = 1.5
guidance_scale = 10

edited_image = pipeline(
   prompt,
   image=image,
   num_inference_steps=num_inference_steps,
   image_guidance_scale=image_guidance_scale,
   guidance_scale=guidance_scale,
   generator=generator,
).images[0]
edited_image.save("edited_image.png")

您应该尝试不同的 num_inference_steps、image_guidance_scale 和 guidance_scale 值，以查看它们如何影响推理速度和质量。指导比例参数这些参数尤其重要，因为它们控制原始图像和编辑指令对编辑后图像的影响程度。

Stable Diffusion XL

Stable Diffusion XL (SDXL) 是一个强大的文本到图像模型，能够生成高分辨率图像，并在其架构中添加了第二个文本编码器。使用 train_instruct_pix2pix_sdxl.py 脚本来训练 SDXL 模型以遵循图像编辑指令。

SDXL 训练脚本在 SDXL 训练指南中有更详细的讨论。

后续步骤

恭喜您训练了自己的 InstructPix2Pix 模型！🥳 要了解更多关于该模型的信息，可能有助于：

阅读 Instruction-tuning Stable Diffusion with InstructPix2Pix 博客文章，了解更多我们使用 InstructPix2Pix 进行的一些实验、数据集准备以及不同指令的结果。

< > Update on GitHub

Diffusers

InstructPix2Pix

脚本参数

训练脚本

启动脚本

Stable Diffusion XL

后续步骤