基于Stable Diffusion优化的AI绘画模型 支持输入中英文文本，可生成多种现代艺术风格的高质量图像

# SkyPaint-Chinese-EN-v-1.0 #### [English Document](https://github.com/SkyWorkAIGC/SkyPaint-AI-Diffusion/blob/main/README.md) #### Hugging Face 模型主页：[链接](https://huggingface.co/SkyWork/SkyPaint) #### SkyPaint是由奇点智源开发的中英双语文本生成图像的项目，目前还在持续更新优化中。 #### 使用我们的模型，输入若干中文或英文的文本，便可让机器像人类画家一样，画出富有现代艺术风格的作品。下面是一些示例： # 效果展示 ### 中文 机械狗  城堡 大海 夕阳 宫崎骏动画  花落知多少  半鸡半人，强壮  鸡你太美  # 体验试用 请访问[天工巧绘SkyPaint](https://sky-paint.singularity-ai.com/index.html#/)  你也可以微信扫描二维码，在小程序上体验：  # 模型优势 SkyPaint文本生成图片模型主要由两大部分组成，即提示词文本编码器模型和扩散模型两大部分。因此我们的优化也分为两步： 首先，基于[OpenAI-CLIP](https://github.com/openai/CLIP)优化了提示词文本编码器模型使得SkyPaint具有中英文识别能力， 然后，优化了扩散模型，使得SkyPaint具有现代艺术能力可以产生高质量图片。 # 模型功能 * 支持汉语和英文以及中英文混合提示词输入 * 支持生成现代艺术风格的高质量图片 * 支持stable_diffusion_1.x官方模型及相关微调模型的英文提示词 * 保留stable_diffusion提示词的使用习惯和方法 # 测试用例 模型下载地址 [SkyPaint-v1.0](https://huggingface.co/SkyWork/SkyPaint) ```py from diffusers import StableDiffusionPipeline device = 'cuda' pipe = StableDiffusionPipeline.from_pretrained("path_to_our_model").to(device) prompts = [ '机械狗', '城堡 大海 夕阳 宫崎骏动画', '花落知多少', '鸡你太美', ] for prompt in prompts: prompt = 'sai-v1 art, ' + prompt image = pipe(prompt).images[0] image.save("%s.jpg" % prompt) ``` ———————————————————————————————————————————————— # SkyCLIP模型简介 SkyCLIP是我们采用一种高效的训练中英双语CLIP模型的方法得到的CLIP模型，该方法仅需要使用文本数据即可实现对[OpenAI-CLIP](https://github.com/openai/CLIP)模型的高效蒸馏，大幅降低了数据门槛，同时训练所需算力要求相较于原始CLIP模型减少90%以上，方便开源社区可以进行复现/微调。该方法仅改变了OpenAI-CLIP的文本编码器，可搭配使用OpenAI-CLIP的图像编码器实现图文检索功能。 ### SkyCLIP训练数据来源 * 中英文机器翻译任务平行语料 * 联合国中英文平行语料 * [LAION](https://laion.ai/)中英文语料(部分) * [Wukong](https://wukong-dataset.github.io/wukong-dataset/index.html)中文语料(部分) * [AI-Challenger](https://github.com/AIChallenger)翻译任务中英文语料 * 古诗词中英文语料 * 提示词手册/魔法书中常见词组合而成的中英文语料 ### SkyCLIP训练方法 将OpenAI-CLIP的text_encoder作为教师模型并且冻结参数，学生模型采用和教师模型同样大小的多语言BERT模型，训练时英文输入通过教师模型获取相应的t_en_hiddent_state，英文和中文分别通过学生模型获取相应s_en_hiddent_state，s_zh_hidden_state，采用l1、l2、cos距离等构造损失函数使得学生模型的中英文hiddent_state逐渐靠近教师模型的hiddent_state。由于平行语料的中文和英文存在天然的不等长性质，为了使得平行的中文和英文尽量接近，训练过程中我们还添加了中文解码器，使用学生模型的中英文hiddent_state作为解码器的hidden_state输入，通过翻译任务来辅助实现中文和英文的对齐目的。 ### SkyCLIP模型评估 目前我们主要评估了SkyCLIP在[Flickr30K-CN](https://github.com/li-xirong/cross-lingual-cap)的zero-shot表现，主要对比了若干具备中文能力的相关开源模型，为确保对比的公平性，具有多个模型尺寸的我们均选取基于OpenAI-CLIP ViT-L/14尺寸的模型，我们评估的流程参考了[Chinese-CLIP](https://github.com/OFA-Sys/Chinese-CLIP)所提供的评估脚本。 **Flickr30K-CN Retrieval**: <table border="1" width="150%"> <tr align="center"> <th>Task</th><th colspan="3">Text-to-Image</th><th colspan="3">Image-to-Text</th> <th rowspan="3">MR</th> </tr> <tr align="center"> <th>Setup</th><th colspan="3">Zero-shot</th><th colspan="3">Zero-shot</th> </tr> <tr align="center"> <td>Metric</td><td>R@1</td><td>R@5</td><td>R@10</td><td>R@1</td><td>R@5</td><td>R@10</td> </tr> <tr align="center"> <td width="120%">Taiyi-326M</td><td>53.8</td><td>79.9</td><td>86.6</td><td>64.0</td><td>90.4</td><td>96.1</td><td>78.47</td> </tr> <tr align="center"> <td width="120%">AltCLIP</td><td>50.7</td><td>75.4</td><td>83.1</td><td>73.4</td><td>92.8</td><td>96.9</td><td>78.72</td> </tr> <tr align="center"> <td width="120%">Wukong</td><td>51.9</td><td>78.6</td><td>85.9</td><td>75</td><td>94.4</td><td>97.7</td><td>80.57</td> </tr> <tr align="center"> <td width="120%">R2D2</td><td>42.6</td><td>69.5</td><td>78.6</td><td>63.0</td><td>90.1</td><td>96.4</td><td>73.37</td> </tr> <tr align="center"> <td width="120%">CN-CLIP</td><td>68.1</td><td>89.7</td><td>94.5</td><td>80.2</td><td>96.6</td><td>98.2</td><td>87.87</td> </tr> <tr align="center"> <td width="120%">SkyCLIP</td><td>58.8</td><td>82.6</td><td>89.6</td><td>78.8</td><td>96.1</td><td>98.3</td><td>84.04</td> </tr> </table> <br> ### SkyCLIP计算图文相似度 ```py from PIL import Image import requests import clip import torch from transformers import BertTokenizer from transformers import CLIPProcessor, CLIPModel, CLIPTextModel import numpy as np query_texts = ['一个人', '一辆汽车', '两个男人', '两个女人'] # 这里是输入提示词，可以随意替换。 # 加载SkyCLIP 中英文双语 text_encoder text_tokenizer = BertTokenizer.from_pretrained("./tokenizer") text_encoder = CLIPTextModel.from_pretrained("./text_encoder").eval() text = text_tokenizer(query_texts, return_tensors='pt', padding=True)['input_ids'] url = "http://images.cocodataset.org/val2017/000000040083.jpg" #这里可以换成任意图片的url # 加载CLIP的image encoder clip_model = CLIPModel.from_pretrained("openai/clip-vit-large-patch14") clip_text_proj = clip_model.text_projection processor = CLIPProcessor.from_pretrained("openai/clip-vit-large-patch14") image = processor(images=Image.open(requests.get(url, stream=True).raw), return_tensors="pt") with torch.no_grad(): image_features = clip_model.get_image_features(**image) text_features = text_encoder(text)[0] # sep_token对应于openai-clip的eot_token sep_index = torch.nonzero(text == student_tokenizer.sep_token_id) text_features = text_features[torch.arange(text.shape[0]), sep_index[:, 1]] # 乘text投影矩阵 text_features = clip_text_proj(text_features) image_features = image_features / image_features.norm(dim=1, keepdim=True) text_features = text_features / text_features.norm(dim=1, keepdim=True) # 计算余弦相似度 logit_scale是尺度系数 logit_scale = clip_model.logit_scale.exp() logits_per_image = logit_scale * image_features @ text_features.t() logits_per_text = logits_per_image.t() probs = logits_per_image.softmax(dim=-1).cpu().numpy() print(np.around(probs, 3)) ``` ### 扩散模型 Diffusion Mo