文章作者：武卓博士 英特尔 AI 布道师
随着 AIGC 模型越来越强大，并取得了更惊人的结果，任意运行 AIGC 模型, 比如 Stable Diffusion，对于开发人员来说仍然面临一些挑战。首先，GPU 的安装设置需要我们处理复杂的配置和兼容性问题，这可能既耗时又令人沮丧。此外，如果运行 Stable Diffusion 代码前需要经过复杂的软件安装和环境配置步骤，这也会带来额外的困难。因为开发者们经常被干净直观的 API 所吸引，这使我们能够轻松地与模型交互并简化我们的工作流程。最后，在没有复杂代码编写以及编译的情况下，如何快速完成硬件加速仍然是一个开发者们优先关心的事项，因为开发者们总是寻求高效而直接的解决方案来充分利用 AIGC 算法的潜力。
图1. 我们需要更改的代码行数以获得英特尔的硬件加速
在这篇文章中，我们将探索使用 Optimum Intel （OpenVINO™）在 Stable Diffusion V2.1上实现 AI 硬件加速的最快方法（使用最少的代码行和依赖项安装）。我们还将指导您完成在本地机器上运行 Stable Diffusion 的安装和使用过程，并通过 OpenVINO™ 2023.0版本进行优化和加速。只需几行 Python 代码，您就可以在几秒钟内生成带有文本的图像。此外，OpenVINO™ 简化了在不同硬件平台（包括英特尔® Desktop CPU、iGPU、dGPU 和 Xeon CPU）上加速工作的过程，使您的工作在部署时更加灵活。有关该方法的更多详细信息，请在下方链接查看我们在 GitHub 上的 OpenVINO™ Notebook 代码示例（请复制到浏览器浏览）：https://github.com/openvinotoolkit/openvino_notebooks/blob/main/notebooks/236-stable-diffusion-v2/236-stable-diffusion-v2-optimum-demo.ipynb
01
安装
使用如下一行代码安装
pip install -q "optimum-intel[openvino,diffusers]"@git+https://github.com/huggingface/optimum-intel.git向右滑动查看完整代码
02
下载预转换过的
Stable Diffusion 2.1 IR 模型
Stable Diffusion 将6个元素结合在一起，一个带有标记器的文本编码器模型，一个带调度器的 UNet 模型，以及一个带有解码器和编码器模型的自动编码器。
这里使用的基础模型是 "stabilityai/stable-diffusion-2-1-base"。该模型被转换为 OpenVINO™ 格式，用于使用Optimum Intel [OpenVINO™] 在 CPU 或英特尔® GPU 上加速推理。模型权重以 FP16 精度存储，这将模型的大小减少了一半。你可以发现这个 Notebook 中使用的模型名称是"helenai/stabilityai-stable-diffusion-2-1-base-ov"。让我们下载带有以下代码的预转换模型 Srable Diffusion 2.1 Intermediate Representation Format (IR)。
模型地址（请复制到浏览器浏览）：
https://huggingface.co/stabilityai/stable-diffusion-2-1
https://huggingface.co/helenai/stabilityai-stable-diffusion-2-1-base-ov
https://docs.openvino.ai/2022.3/openvino_docs_MO_DG_IR_and_opsets.html
from optimum.intel.openvino import OVStableDiffusionPipeline# download the pre-converted SD v2.1 model from Helena's HF reponame = "helenai/stabilityai-stable-diffusion-2-1-base-ov"pipe = OVStableDiffusionPipeline.from_pretrained(name, compile=False)pipe.reshape(batch_size=1, height=512, width=512, num_images_per_prompt=1)
向右滑动查看完整代码
03
保存预先训练好的模型，
选择推理设备并编译
我们已经下载了预先训练和转换的 IR 格式 Stable Diffusion 模型。让我们保存模型，并使用以下代码编译它进行 AI 推理
pipe.save_pretrained("./openvino_ir")pipe.to("GPU.1")pipe.compile()
向右滑动查看完整代码
04
发挥你的创意，输入文本，
享受生成的美图吧
现在是时候发挥创意了！输入创意提示，并使用以下内容欣赏生成的图像。
# Generate an image.prompt = "red car in snowy forest, epic vista, beautiful landscape, 4k, 8k"output = pipe(prompt, num_inference_steps=17, output_type="pil").images[0]output.save("image.png")output
向右滑动查看完整代码
以下动图展示了图片生成的各步骤的效果。
更多的资源信息：
OpenVINO™ Notebooks （请复制到浏览器浏览）
https://github.com/openvinotoolkit/openvino_notebooks
在英特尔® DevCloud for the Edge 运行 （请复制到浏览器浏览）
https://genai.edge.devcloud.intel.com/hub/login?next=/lab/tree/Reference-samples/iot-devcloud/openvino_notebooks/notebooks/236-stable-diffusion-v2/236-stable-diffusion-v2-text-to-image.ipynb&RefURL=/content/www/us/en/developer/tools/devcloud/edge/overview.html&reset=true
欢迎在这里反馈结果以及开启讨论：
https://github.com/openvinotoolkit/openvino/issues/new/choose
致谢
感谢提供宝贵的指导意见。
互动
Hi 各位英特尔物联网的新老粉丝
感谢关注与支持！
我们准备了互动活动 + 丰厚礼品！
速速扫描下方二维码来参加吧！
--END--
你也许想了解(点击蓝字查看)⬇️
➡️ OpenVINO™ DevCon 2023重磅回归！英特尔以创新产品激发开发者无限潜能
➡️ 5周年更新 | OpenVINO™ 2023.0，让AI部署和加速更容易
➡️ OpenVINO™5周年重头戏！2023.0版本持续升级AI部署和加速性能
➡️ OpenVINO™2023.0实战 | 在 LabVIEW 中部署 YOLOv8 目标检测模型
➡️ 开发者实战系列资源包来啦！
➡️
以AI作画，祝她节日快乐；简单三步，OpenVINO™ 助你轻松体验AIGC
➡️
还不知道如何用OpenVINO™作画？点击了解教程。
➡️
几行代码轻松实现对于PaddleOCR的实时推理，快来get！
➡️
使用OpenVINO 在“端—边—云”快速实现高性能人工智能推理
➡️
图片提取文字很神奇？试试三步实现OCR！
➡️
【Notebook系列第六期】基于Pytorch预训练模型，实现语义分割任务
➡️
使用OpenVINO™ 预处理API进一步提升YOLOv5推理性能
扫描下方二维码立即体验
OpenVINO™ 工具套件 2023.0
本文分享自微信公众号 - OpenVINO 中文社区（openvinodev）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。
