169 lines
6.2 KiB
Markdown
169 lines
6.2 KiB
Markdown
# Stable Diffusion CLI on Modal
|
||
|
||
[Modal](https://modal.com/)上でStable Diffusionを動かすためのDiffusersベースのスクリプトです。WebUIは無く、CLIでのみ動作します。txt2imgの推論を実行することができ、ControlNet TileとUpscalerを利用した高解像度化の機能を備えています。
|
||
|
||
## このスクリプトでできること
|
||
|
||
1. txt2imgまたはimt2imgによる画像生成ができます。
|
||
|
||
|
||
|
||
2. アップスケーラーとControlNet Tileを利用した高解像度な画像を生成することができます。
|
||
|
||
| ベース画像 | アップスケール後 |
|
||
| ---------------------------------------------------------------- | ---------------------------------------------------------------- |
|
||
| <img src="assets/20230708204347_1172778945_0_0.png" width="300"> | <img src="assets/20230708204347_1172778945_0_2.png" width="300"> |
|
||
|
||
3. その他、LoRAとTextual inversionを利用できます。
|
||
|
||
## 必須項目
|
||
|
||
このスクリプトを実行するには最低限下記のツールが必要です:
|
||
|
||
- python: > 3.10
|
||
- modal-client
|
||
- ModalのAPIトークン
|
||
- Hagging FaceのAPIトークン（非公開のリポジトリのモデルを参照したい場合に必須）
|
||
|
||
`modal-client`はModalをCLIから操作するためのPythonライブラリです。下記のようにインストールします:
|
||
|
||
```bash
|
||
pip install modal-client
|
||
```
|
||
|
||
And you need a modal token to use this script:
|
||
|
||
```bash
|
||
modal token new
|
||
```
|
||
|
||
詳細は[Modalのドキュメント](https://modal.com/docs/guide)を参照してください。
|
||
|
||
## クイックスタート
|
||
|
||
下記の手順で画像が生成され、outputs ディレクトリに出力されます。
|
||
|
||
1. リポジトリをgit clone
|
||
2. ./app/config.example.yml を ./app/config.ymlにコピー
|
||
3. Makefile を開いてプロンプトを設定
|
||
4. make appをコマンドラインで実行(Modal上にアプリケーションが構築されます)
|
||
5. make img_by_sd15_txt2img(スクリプトが起動します)
|
||
|
||
## ディレクトリ構成
|
||
|
||
```txt
|
||
.
|
||
├── .env # Secrets manager
|
||
├── Makefile
|
||
├── README.md
|
||
├── cmd/ # A directory with scripts to run inference.
|
||
│ ├── outputs/ # Images are outputted this directory.
|
||
│ ├── sd15_img2img.py # A script to run sd15_img2img inference.
|
||
│ ├── sd15_txt2img.py # A script to run sd15_txt2img inference.
|
||
│ ├── sdxl_txt2img.py # A script to run sdxl_txt2img inference.
|
||
│ └── util.py
|
||
└── app/ # A directory with config files.
|
||
├── __main__.py # A main script to run inference.
|
||
├── Dockerfile # To build a base image.
|
||
├── config.yml # To set a model, vae and some tools.
|
||
├── requirements.txt
|
||
├── setup.py # Build an application to deploy on Modal.
|
||
├── stable_diffusion_1_5.py # There is a class to run inference about sd15.
|
||
└── stable_diffusion_xl.py # There is a class to run inference about sdxl.
|
||
```
|
||
|
||
## 使い方の詳細
|
||
|
||
### 1. リポジトリをgit cloneする
|
||
|
||
```bash
|
||
git clone https://github.com/hodanov/stable-diffusion-modal.git
|
||
cd stable-diffusion-modal
|
||
```
|
||
|
||
### 2. .envファイルを設定する
|
||
|
||
Hugging FaceのトークンをHUGGING_FACE_TOKENに記入します。
|
||
|
||
このスクリプトはHuggingFaceからモデルをダウンロードして使用しますが、プライベートリポジトリにあるモデルを参照する場合、この環境変数の設定が必要です。
|
||
|
||
```txt
|
||
HUGGING_FACE_TOKEN="ここにHuggingFaceのトークンを記載する"
|
||
```
|
||
|
||
### 3. ./app/config.ymlを設定する
|
||
|
||
推論に使うモデルを設定します。Safetensorsファイルをそのまま利用します。VAE、LoRA、Textual Inversionも設定可能です。
|
||
|
||
下記のように、nameにモデル名、urlにSafetensorsファイルがあるURLを指定します。
|
||
|
||
```yml
|
||
# 設定例
|
||
model:
|
||
name: stable-diffusion-1-5
|
||
url: https://huggingface.co/runwayml/stable-diffusion-v1-5/blob/main/v1-5-pruned.safetensors # Specify URL for the safetensor file.
|
||
vae:
|
||
name: sd-vae-ft-mse
|
||
url: https://huggingface.co/stabilityai/sd-vae-ft-mse-original/blob/main/vae-ft-mse-840000-ema-pruned.safetensors
|
||
controlnets:
|
||
- name: control_v11f1e_sd15_tile
|
||
repo_id: lllyasviel/control_v11f1e_sd15_tile
|
||
```
|
||
|
||
LoRAは下記のように指定します。
|
||
|
||
```yml
|
||
# 設定例
|
||
loras:
|
||
- name: mecha.safetensors # ファイル名を指定。任意の名前で良いが、拡張子`.safetensors`は必須。
|
||
url: https://civitai.com/api/download/models/150907?type=Model&format=SafeTensor # ダウンロードリンクを指定
|
||
```
|
||
|
||
### 4. Makefileの設定（プロンプトの設定）
|
||
|
||
プロンプトをMakefileに設定します。
|
||
|
||
```makefile
|
||
# 設定例
|
||
run:
|
||
cd ./cmd && modal run txt2img.py \
|
||
--prompt "hogehoge" \
|
||
--n-prompt "mogumogu" \
|
||
--height 768 \
|
||
--width 512 \
|
||
--samples 1 \
|
||
--steps 30 \
|
||
--seed 12321 |
|
||
--upscaler "RealESRGAN_x2plus" \
|
||
--use-face-enhancer "False" \
|
||
--fix-by-controlnet-tile "True" \
|
||
--output-fomart "png"
|
||
```
|
||
|
||
- prompt: プロンプトを指定します。
|
||
- n-prompt: ネガティブプロンプトを指定します。
|
||
- height: 画像の高さを指定します。
|
||
- width: 画像の幅を指定します。
|
||
- samples: 生成する画像の数を指定します。
|
||
- steps: ステップ数を指定します。
|
||
- seed: seedを指定します。
|
||
- upscaler: 画像の解像度を上げるためのアップスケーラーを指定します。
|
||
- fix-by-controlnet-tile: ControlNet 1.1 Tileの利用有無を指定します。有効にすると、崩れた画像を修復しつつ、高解像度な画像を生成します。
|
||
- output-format: 出力フォーマットを指定します。avifも指定可能です。
|
||
|
||
### 5. アプリケーションをデプロイする
|
||
|
||
下記のコマンドでModal上にアプリケーションが構築されます。
|
||
|
||
```bash
|
||
make app
|
||
```
|
||
|
||
### 6. 推論を実行する
|
||
|
||
下記のコマンドでtxt2img推論が実行されます。
|
||
|
||
```bash
|
||
make img_by_sd15_txt2img
|
||
```
|