Shitao/OmniGen-v1
Shitao
Texto a imagen
OmniGen-v1 es un modelo unificado de generación de imágenes capaz de producir y editar imágenes a partir de instrucciones multimodales. Está diseñado para cubrir tareas como texto a imagen, generación guiada por sujeto, preservación de identidad, edición de imagen y generación condicionada por imagen sin depender de módulos externos como ControlNet, IP-Adapter o Reference-Net ni de pasos previos como detección de pose, recorte o detección facial.
Como usar
Instalación y uso con Diffusers:
pip install -U diffusers transformers accelerate
import torch
from diffusers import DiffusionPipeline
# switch to "mps" for apple devices
pipe = DiffusionPipeline.from_pretrained("Shitao/OmniGen-v1", dtype=torch.bfloat16, device_map="cuda")
prompt = "Astronaut in a jungle, cold color palette, muted colors, detailed, 8k"
image = pipe(prompt).images[0]
Instalación desde GitHub:
git clone https://github.com/staoxiao/OmniGen.git
cd OmniGen
pip install -e .
Ejemplo de texto a imagen con OmniGen:
from OmniGen import OmniGenPipeline
pipe = OmniGenPipeline.from_pretrained("Shitao/OmniGen-v1")
images = pipe(
prompt="A curly-haired man in a red shirt is drinking tea.",
height=1024,
width=1024,
guidance_scale=2.5,
seed=0,
)
images[0].save("example_t2i.png")
Ejemplo multimodal a imagen:
images = pipe(
prompt="A man in a black shirt is reading a book. The man is the right man in <img><|image_1|></img>.",
input_images=["./imgs/test_cases/two_man.jpg"],
height=1024,
width=1024,
guidance_scale=2.5,
img_guidance_scale=1.6,
seed=0
)
images[0].save("example_ti2i.png")
Demo local con Gradio:
pip install gradio spaces
python app.py
Uso en Google Colab:
!git clone https://github.com/staoxiao/OmniGen.git
%cd OmniGen
!pip install -e .
!pip install gradio spaces
!python app.py --share
Ejemplo de fine-tuning LoRA:
accelerate launch --num_processes=1 train.py \
--model_name_or_path Shitao/OmniGen-v1 \
--batch_size_per_device 2 \
--condition_dropout_prob 0.01 \
--lr 1e-3 \
--use_lora \
--lora_rank 8 \
--json_file ./toy_data/toy_subject_data.jsonl \
--image_path ./toy_data/images \
--max_input_length_limit 18000 \
--keep_raw_resolution \
--max_image_size 1024 \
--gradient_accumulation_steps 1 \
--ckpt_every 10 \
--epochs 200 \
--log_every 1 \
--results_dir ./results/toy_finetune_lora
Funcionalidades
- Modelo de generación de imágenes unificado para prompts de texto e imagen.
- Soporta texto a imagen, imagen a imagen, edición, generación condicionada por imagen y generación con preservación de identidad.
- Puede interpretar rasgos de imágenes de entrada según el prompt, como objeto requerido, pose humana o mapa de profundidad.
- No requiere plugins adicionales para muchas tareas multimodales habituales.
- Disponible en formato Safetensors con aproximadamente 4B de parámetros F32.
- Compatible con Diffusers y con el paquete OmniGen del repositorio oficial.
- Permite fine-tuning, incluido un ejemplo de ajuste LoRA.
- Licencia MIT.
Casos de uso
- Generación de imágenes a partir de texto.
- Edición de imágenes mediante instrucciones multimodales.
- Generación de imágenes condicionada por una o varias imágenes de entrada.
- Creación de variaciones manteniendo identidad o sujeto de referencia.
- Experimentación con pipelines de generación y modificación de imágenes.
- Fine-tuning para añadir capacidades o tareas visuales específicas.