SimpleAR: 开源视觉生成模型的部署与使用教程
2025-04-17 14:43:35作者:廉彬冶Miranda
1. 项目介绍
SimpleAR 是一个基于自回归原理的视觉生成模型,它通过预训练、监督微调(SFT)和强化学习(RL)等技术在文本到图像生成领域取得了突破性进展。SimpleAR 模型以其仅用 0.5B 参数就能生成高达 1024 分辨率的高保真图像而著称,同时在多个图像生成基准测试中表现出色。
2. 项目快速启动
以下是快速启动 SimpleAR 项目的步骤:
首先,您需要安装 Python 环境和必要的依赖:
python3 -m venv env
source env/bin/activate
pip install -e ".[train]"
接下来,安装 Transformers 库:
cd transformers
pip install -e .
cd ..
准备数据集:
torchrun --nnodes=1 --nproc_per_node=8 simpar/data/extract_token.py --dataset_type "image" --dataset_name "example" --code_path "/path_to_saved_tokens" --gen_data_path "/path_to_meta_json" --gen_resolution 1024
确保您有一个 JSON 格式的元数据文件,格式如下:
{
"image_path": "path_to_image",
"caption": "a photo of a cat"
}
之后,使用以下命令进行模型训练:
ACCELERATE_CPU_AFFINITY=1 \
torchrun --nnodes=4 --nproc_per_node=8 llava/train/train_mem.py --deepspeed scripts/zero3.json --model_name_or_path "/path_to_your_dir/Qwen2.5-0.5B-Instruct" --version "qwen_1_5" --gen_data_path /path_to_annotation_file --gen_image_folder "" --sample_short True --mm_tunable_parts="mm_language_model" --p_drop_cond 0.1 --mm_use_im_start_end False --mm_use_im_patch_token False --mm_patch_merge_type spatial_unpad --bf16 True --run_name "test" --output_dir /path_to_output_dir --num_train_epochs 1 --per_device_train_batch_size 8 --per_device_eval_batch_size 1 --gradient_accumulation_steps 2 --evaluation_strategy "no" --save_strategy "steps" --save_steps 5000 --learning_rate 1e-4 --weight_decay 0.01 --warmup_ratio 0.0 --lr_scheduler_type "constant" --logging_steps 1 --tf32 True --model_max_length 1536 --dataloader_num_workers 16 --lazy_preprocess True --torch_compile True --torch_compile_backend "inductor" --dataloader_drop_last True --report_to wandb --attn_implementation sdpa
3. 应用案例和最佳实践
在模型训练完成后,您可以使用以下脚本对模型进行评估:
CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 bash scripts/eval/bench_dpg.sh
为了提高推理效率,您可以尝试使用 vLLM 和 SJD 技术:
git clone https://github.com/wdrink/vllm
cd vllm
pip install -e .
cd ..
mv vllm vllm_local
mv vllm_local/vllm ./
然后在评估脚本中添加 --vllm_serving
参数来尝试 vLLM,或者使用 --sjd_sampling
参数来尝试 SJD。
4. 典型生态项目
SimpleAR 作为一种先进的视觉生成模型,可以集成到各种生态项目中,例如:
- 图像生成平台:将 SimpleAR 集成到在线图像生成平台,为用户提供高质量的图像生成服务。
- 游戏开发:在游戏开发中使用 SimpleAR 生成独特的环境、角色和道具。
- 虚拟现实:利用 SimpleAR 生成逼真的虚拟现实场景。
以上就是 SimpleAR 的部署和使用教程。希望这个教程能够帮助您快速上手 SimpleAR,并在您的项目中取得良好的效果。
登录后查看全文
热门项目推荐
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++036Hunyuan3D-Part
腾讯混元3D-Part00GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0283Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
1 freeCodeCamp课程视频测验中的Tab键导航问题解析2 freeCodeCamp论坛排行榜项目中的错误日志规范要求3 freeCodeCamp音乐播放器项目中的函数调用问题解析4 freeCodeCamp JavaScript高阶函数中的对象引用陷阱解析5 freeCodeCamp全栈开发课程中React实验项目的分类修正6 freeCodeCamp英语课程视频测验选项与提示不匹配问题分析7 freeCodeCamp课程页面空白问题的技术分析与解决方案8 freeCodeCamp博客页面工作坊中的断言方法优化建议9 freeCodeCamp猫照片应用教程中的HTML注释测试问题分析10 freeCodeCamp全栈开发课程中React组件导出方式的衔接问题分析
最新内容推荐
小米Mini R1C MT7620爱快固件下载指南:解锁企业级网络管理功能 STM32到GD32项目移植完全指南:从兼容性到实战技巧 咖啡豆识别数据集:AI目标检测在咖啡质量控制中的革命性应用 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 全球36个生物多样性热点地区KML矢量图资源详解与应用指南 Windows版Redis 5.0.14下载资源:高效内存数据库的完美Windows解决方案 PANTONE潘通AI色板库:设计师必备的色彩管理利器 OpenSSL 3.3.0资源下载指南:新一代加密库的全面解析与部署教程 ReportMachine.v7.0D5-XE10:Delphi报表生成利器深度解析与实战指南
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
160
2.03 K

deepin linux kernel
C
22
6

本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
533
60

React Native鸿蒙化仓库
C++
198
279

Ascend Extension for PyTorch
Python
46
78

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
947
556

openGauss kernel ~ openGauss is an open source relational database management system
C++
146
191

本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
381
17

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
996
396