IP-Adapter：文本兼容图像提示适配器，用于文本到图像扩散模型

IP-Adapter这是一种有效且轻量级的适配器，用于实现预训练文本到图像扩散模型的图像提示功能。只有 22M 参数的 IP 适配器可以实现与微调图像提示模型相当甚至更好的性能。IP-Adapter 不仅可以推广到从同一基本模型微调的其他自定义模型，还可以推广到使用现有可控工具的可控生成。此外，图像提示还可以与文本提示配合使用，以完成多模态图像生成。

项目地址：https://github.com/tencent-ailab/IP-Adapter

释放

[2023/11/22] 由于 Diffusers 团队，Diffusers 中提供了 IP-Adapter。
[2023/11/10] 🔥 添加IP-Adapter-Face的更新版本。演示在这里。
[2023/11/05] 🔥 使用 IP 适配器和 Kandinsky 2.2 Prior 添加文本到图像的演示
[2023/11/02] 支持安全张量
[2023/9/08] 🔥 更新新版本的 IP-Adapter SDXL_1.0。更多信息可以在这里找到。
[2023/9/05] 🔥🔥🔥 WebUI 和 ComfyUI（或 ComfyUI_IPAdapter_plus）支持 IP-Adapter。
[2023/8/30] 🔥 根据提示添加带有人脸图像的 IP 适配器。演示在这里。
[2023/8/29] 🔥 发布训练代码。
[2023/8/23] 🔥 添加具有细粒度功能的 IP-Adapter 代码和型号。演示在这里。
[2023/8/18] 🔥 为 SDXL 1.0 添加代码和模型。演示在这里。
[2023/8/16] 🔥 我们发布代码和模型。

安装

# install latest diffusers
pip install diffusers==0.22.1

# install ip-adapter
pip install git+https://github.com/tencent-ailab/IP-Adapter.git

# download the models
cd IP-Adapter
git lfs install
git clone https://huggingface.co/h94/IP-Adapter
mv IP-Adapter/models models
mv IP-Adapter/sdxl_models sdxl_models

# then you can use the notebook

install ip-adapter

pip install git+https://github.com/tencent-ailab/IP-Adapter.git

download the models

cd IP-Adapter
git lfs install
git clone https://huggingface.co/h94/IP-Adapter
mv IP-Adapter/models models
mv IP-Adapter/sdxl_models sdxl_models

下载模型

您可以从这里下载模型。要运行演示，您还应该下载以下模型：

跑道ML / 稳定扩散-V1-5
稳定性AI/SD-VAE-FT-MSE
SG161222/Realistic_Vision_V4.0_noVAE
ControlNet 模型

如何使用

最佳实践

如果仅使用图像提示，则可以设置 and（或一些通用文本提示，例如“最佳质量”，也可以使用任何否定文本提示）。如果降低，可以生成更多样化的图像，但它们可能与图像提示不一致。scale=1.0``text_prompt=""``scale
对于多模式提示，您可以调整以获得最佳结果。在大多数情况下，设置可以获得良好的效果。对于 SD 1.5 版本，我们建议使用社区模型来生成良好的图像。scale``scale=0.5

用于非方形图像的 IP 适配器

由于图像在 CLIP 的默认图像处理器中居中裁剪，因此 IP 适配器最适合方形图像。对于非正方形图像，它会错过中心之外的信息。

SDXL_1.0

ip_adapter_sdxl_demo：带有图像提示的图像变化。
ip_adapter_sdxl_controlnet_demo：带有图像提示的结构生成。

IP-Adapter_XL与Reimagine XL的比较如下：

[图片上传失败…(image-8cda2a-1701140382732)]

新版本（2023.9.8）中的改进：

切换到 CLIP-ViT-H：我们使用 OpenCLIP-ViT-H-14 而不是 OpenCLIP-ViT-bigG-14 训练新的 IP 适配器。虽然ViT-bigG比ViT-H大得多，但我们的实验结果没有发现显著的差异，更小的模型可以减少推理阶段的内存使用。
更快、更好的训练秘诀：在我们之前的版本中，直接以 1024x1024 的分辨率进行训练被证明是非常低效的。但是，在新版本中，我们实施了更有效的两阶段培训策略。首先，我们以 512x512 的分辨率进行预训练。然后，我们采用多尺度策略进行微调。（也许这种训练策略也可以用来加速控制网的训练）。

如何训练

对于训练，您应该安装 accelerate 并将自己的数据集制作成 json 文件。

accelerate launch --num_processes 8 --multi_gpu --mixed_precision "fp16" \
  tutorial_train.py \
  --pretrained_model_name_or_path="runwayml/stable-diffusion-v1-5/" \
  --image_encoder_path="{image_encoder_path}" \
  --data_json_file="{data.json}" \
  --data_root_path="{image_path}" \
  --mixed_precision="fp16" \
  --resolution=512 \
  --train_batch_size=8 \
  --dataloader_num_workers=4 \
  --learning_rate=1e-04 \
  --weight_decay=0.01 \
  --output_dir="{output_dir}" \
  --save_steps=10000