stable-diffusion-cli-on-modal/README_ja.md at fafde9f50eb9ef3fb43fc6518ff40c9c3ab2314c

chunzhi/stable-diffusion-cli-on-modal

Fork 0

hodanov c05d019294 Update README.

2023-09-30 13:31:54 +09:00

6.3 KiB

Raw Blame History

Modal上でStable Diffusionを動かすためのDiffusersベースのスクリプトです。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

txt2imgによる画像生成ができます。

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

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:

pip install modal-client

And you need a modal token to use this script:

modal token new

詳細はModalのドキュメント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。

リポジトリをgit clone
./setup_files/config.example.yml を ./setup_files/config.ymlにコピー
Makefile を開いてプロンプトを設定
make deploy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)
make run(スクリプトが起動します)

ディレクトリ構成

.
├── .env                    # Secrets manager
├── Makefile
├── README.md
├── sdcli/                  # A directory with scripts to run inference.
│   ├── outputs/            # Images are outputted this directory.
│   ├── txt2img.py          # A script to run txt2img inference.
│   └── util.py
└── setup_files/            # 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.
    └── txt2img.py          # There is a class to run inference.

使い方の詳細

1. リポジトリをgit cloneする

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。

HUGGING_FACE_TOKEN="ここにHuggingFaceのトークンを記載する"

3. ./setup_files/config.ymlを設定する

推論に使うモデルを設定します。VAE、LoRA、Textual Inversionも設定可能です。

# 設定例
model:
  name: stable-diffusion-2-1 # モデル名を指定
  repo_id: stabilityai/stable-diffusion-2-1 # リポジトリのID（「プロファイル名/モデル名」の形で指定）
vae:
  name: sd-vae-ft-mse
  repo_id: stabilityai/sd-vae-ft-mse
controlnets:
  - name: control_v11f1e_sd15_tile
    repo_id: lllyasviel/control_v11f1e_sd15_tile

ModelとVAEはこちらのリポジトリにあるような、Diffusersのために構成されたモデルを利用します。Civitaiなどで共有されているsafetensors形式のファイルは変換が必要です（diffusersの公式リポジトリにあるスクリプトで変換できます）。

変換スクリプト

LoRAとTextual Inversionは変換不要で、safetensorsファイルをそのまま利用できます。

# 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。
    download_url: https://civitai.com/api/download/models/150907?type=Model&format=SafeTensor # ダウンロードリンクを指定

# 変換スクリプトの使用例
python ./diffusers/scripts/convert_original_stable_diffusion_to_diffusers.py --from_safetensors \
--checkpoint_path="ここに変換したいsafetensors形式のファイルを指定" \
--dump_path="出力先を指定" \
--device='cuda:0'

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。

# 設定例
run:
 cd ./sdcli && 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"

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。

5. make deployの実行

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。

make deploy

6. make runの実行

下記のコマンドでtxt2img推論が実行されます。

make run

6.3 KiB Raw Blame History Unescape Escape

Stable Diffusion Modal