SimpleAR: 开源视觉生成模型的部署与使用教程
2025-04-17 18:44:56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
- QQwen3-Coder-480B-A35B-InstructQwen3-Coder-480B-A35B-Instruct是当前最强大的开源代码模型之一,专为智能编程与工具调用设计。它拥有4800亿参数,支持256K长上下文,并可扩展至1M,特别擅长处理复杂代码库任务。模型在智能编码、浏览器操作等任务上表现卓越,性能媲美Claude Sonnet。支持多种平台工具调用,内置优化的函数调用格式,能高效完成代码生成与逻辑推理。推荐搭配温度0.7、top_p 0.8等参数使用,单次输出最高支持65536个token。无论是快速排序算法实现,还是数学工具链集成,都能流畅执行,为开发者提供接近人类水平的编程辅助体验。【此简介由AI生成】Python00
- KKimi-K2-InstructKimi-K2-Instruct是月之暗面推出的尖端混合专家语言模型,拥有1万亿总参数和320亿激活参数,专为智能代理任务优化。基于创新的MuonClip优化器训练,模型在知识推理、代码生成和工具调用场景表现卓越,支持128K长上下文处理。作为即用型指令模型,它提供开箱即用的对话能力与自动化工具调用功能,无需复杂配置即可集成到现有系统。模型采用MLA注意力机制和SwiGLU激活函数,在vLLM等主流推理引擎上高效运行,特别适合需要快速响应的智能助手应用。开发者可通过兼容OpenAI/Anthropic的API轻松调用,或基于开源权重进行深度定制。【此简介由AI生成】Python00
cherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端TypeScript042GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。04note-gen
一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。TSX00PDFMathTranslate
PDF scientific paper translation with preserved formats - 基于 AI 完整保留排版的 PDF 文档全文双语翻译,支持 Google/DeepL/Ollama/OpenAI 等服务,提供 CLI/GUI/DockerPython08
热门内容推荐
1 freeCodeCamp英语课程填空题提示缺失问题分析2 freeCodeCamp Cafe Menu项目中link元素的void特性解析3 freeCodeCamp课程中屏幕放大器知识点优化分析4 freeCodeCamp JavaScript高阶函数中的对象引用陷阱解析5 freeCodeCamp全栈开发课程中测验游戏项目的参数顺序问题解析6 freeCodeCamp音乐播放器项目中的函数调用问题解析7 freeCodeCamp 课程中关于角色与职责描述的语法优化建议 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论坛排行榜项目中的错误日志规范要求
最新内容推荐
左手Annotators,右手GPT-4:企业AI战略的“开源”与“闭源”之辩 左手controlnet-openpose-sdxl-1.0,右手GPT-4:企业AI战略的“开源”与“闭源”之辩 左手ERNIE-4.5-VL-424B-A47B-Paddle,右手GPT-4:企业AI战略的“开源”与“闭源”之辩 左手m3e-base,右手GPT-4:企业AI战略的“开源”与“闭源”之辩 左手SDXL-Lightning,右手GPT-4:企业AI战略的“开源”与“闭源”之辩 左手wav2vec2-base-960h,右手GPT-4:企业AI战略的“开源”与“闭源”之辩 左手nsfw_image_detection,右手GPT-4:企业AI战略的“开源”与“闭源”之辩 左手XTTS-v2,右手GPT-4:企业AI战略的“开源”与“闭源”之辩 左手whisper-large-v3,右手GPT-4:企业AI战略的“开源”与“闭源”之辩 左手flux-ip-adapter,右手GPT-4:企业AI战略的“开源”与“闭源”之辩
项目优选
收起

React Native鸿蒙化仓库
C++
138
221

🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
51
15

openGauss kernel ~ openGauss is an open source relational database management system
C++
98
154

🎉 (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
660
440

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
112
253

前端智能化场景解决方案UI库,轻松构建你的AI应用,我们将持续完善更新,欢迎你的使用与建议。
官网地址:https://matechat.gitcode.com
702
97

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
361
354

轻量级、语义化、对开发者友好的 golang 时间处理库
Go
8
2

端云一体化的微信小程序项目
JavaScript
120
0

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
513
42