Windows PCでStable Cascadeの生成を試してみる

Last update 2-25-2024
※(2-25) 本記事が始まる前に、別の方法を紹介しているのでご覧ください。
※VRAM 6GB以上、推奨12GB以上です。本記事では実際の手順を示していますが、通常の記事よりも少しだけ説明を省略しています。

　ComfyUIで生成する記事を公開しました。LargeモデルはVRAM 8GB、Liteモデルは6GBで実行できそうです。

　扱いやすいGUIを紹介します（要VRAM 12GB）。

▼ 本記事について

概要

　Stability AIは日本時間の2-13-2024に、新しいText to Image（T2I）モデルのStable Cascadeを発表し、翌日にはモデルとサンプルコード（スクリプト）が公開されました。VRAM使用量は少し多め（16GB超）でしたが、hakomikan氏が改良したコードで節約ができるようですので、さっそく試してみます。

使用するコードについて

　基本的に、下記の記事にあるコードを使用します。こちらに目を通して事足りる方は、本記事は必要ないと思います。そうではない方も、記事の内容をよく確認してください。

Stable Cascadeについて

　名称がStable Diffusionではない理由はアーキテクチャが異なるためです。つまり、Stable Diffusionの後継バージョンではありません。

Stable Cascadeのご紹介
https://ja.stability.ai/blog/stable-cascade 

Stable Cascade用のサンプルコード（スクリプト）
https://github.com/Stability-AI/StableCascade 

Stable Cascadeモデル（Diffusers及びsafetensors）
https://huggingface.co/stabilityai/stable-cascade 

▼ 関連記事等

　他の方の、Stable Cascadeに関する記事等です。早めに紹介しておきたいので、ここに挟みます。

　下記は実行例等です。VRAM使用量が16GBを超えるケースが多いようです。Google Colabの場合は、足りないとエラーを出して処理を停止します。Windowsの場合は、足りないと共有GPUメモリにはみ出て実行が遅くなるか、メモリ不足で処理を停止します。

ComfyUIを利用（VRAM 12GBなら余裕？）

Google Colabを利用（無料枠で実行可能）

Google Colabを利用（有料版でA100が必要）

WSLを利用

Windowsを利用(1)

Windowsを利用(2)

Stable Cascade One-Click Installer
https://github.com/EtienneDosSantos/stable-cascade-one-click-installer 

▼ 準備1

インストール

　動作の確認は、VRAM 12GBのGeforce RTX 3060、Python 3.10、Git、CUDA Toolkit 11.8が導入されたPCで行いました。作業ディレクトリを「C:\aiwork」としていますので、適宜読み替えてください。

　コマンド プロンプトを開いて、下記のコマンドを順番に実行します。途中、renコマンドでディレクトリ名を変更して、Pythonで専用の仮想環境を作成しています。最後の行で、数GB程度のダウンロードが発生します。

cd  \aiwork
git clone https://github.com/Stability-AI/StableCascade
ren StableCascade stable-cascade-test
cd stable-cascade-test

python -m venv venv
venv\Scripts\activate
python -m pip install --upgrade pip
pip install -r requirements.txt

　実行のためのパッケージが足りなかったので、下記も実行します。

pip install ipython

モデルのダウンロード

　次に https://huggingface.co/stabilityai/stable-cascade/tree/main から下記のファイルをダウンロードして「stable-cascade-test\models」ディレクトリに移動します。

• effnet_encoder.safetensors (81.5 MB)

• previewer.safetensors (16 MB)

• stage_a.safetensors (73.7 MB)

　続けてstage_bとstage_cについても同様に対応します。こちらはLargeモデルとLiteモデルそれぞれにfloat32とbfloat16があるため、4種類ずつ存在します（stage_cはさらにpretrainedのfloat32モデルあり）。

• stage_[b,c].safetensors (6.25GB, 14.4GB)

• stage_[b,c]_bf16.safetensors (3.13GB, 7.18GB)

• stage_[b,c]_lite.safetensors (2.8GB, 4.12GB)

• stage_[b,c]_lite_bf16.safetensors (1.4GB, 2.06GB)

　STAGE BとSTAGE Cのモデルの選択は、使用VRAM量に影響します。また、公式にアナウンスしていて実際に確かめた結論として、なるべくstage_cはliteではない方の使用を推奨します。

　筆者の実行結果も踏まえると、以下のように対応してみるのが良いと思います。コードはオリジナル版と改良版の2種類があり、本記事では便宜上「標準版」「節約版」と呼びます。

• VRAM 6GB：「stage_c_lite_bf16 + stage_b_lite_bf16 + 節約版」とする。

• VRAM 8GB：「stage_c_lite_bf16 + stage_b_lite_bf16 + 標準版または節約版（実行時間の短い方）」とする。画質に不満があればVRAM 12GBの方法を試してみる（可否や実行時間は未確認）。

• VRAM 12GB：「stage_c_bf16 + stage_b_bf16 + 節約版」とする。

• VRAM 16GB：「stage_c_bf16 + stage_b_bf16 + 標準版」とする。念のため、節約版と実行時間を比較してみる。

▼ 準備2

　設定ファイルを用意します。「stable-cascade-test\configs\inference」内に「stage_b_3b.yaml」と「stage_c_3b.yaml」があるので、コピーしてから編集します。ファイル名はコード（スクリプト）側で指定するだけなので任意です。モデルのファイル名に合わせるのが分かりやすいと思います。

stage_b

　下記はオリジナルの内容です。

# GLOBAL STUFF
model_version: 3B
dtype: bfloat16

# For demonstration purposes in reconstruct_images.ipynb
webdataset_path: file:inference/imagenet_1024.tar
batch_size: 4
image_size: 1024
grad_accum_steps: 1

effnet_checkpoint_path: models/effnet_encoder.safetensors
stage_a_checkpoint_path: models/stage_a.safetensors
generator_checkpoint_path: models/stage_b_bf16.safetensors

model_version: 3B → liteの場合は700M
dtype: bfloat16 → bf16ではない場合はfloat32
batch_size → 1にする
generator_checkpoint_path → 使用するモデルのファイル名

stage_c

　下記はオリジナルの内容です。

# GLOBAL STUFF
model_version: 3.6B
dtype: bfloat16

effnet_checkpoint_path: models/effnet_encoder.safetensors
previewer_checkpoint_path: models/previewer.safetensors
generator_checkpoint_path: models/stage_c_bf16.safetensors

model_version: 3.6B → liteの場合は1B
dtype: bfloat16 → bf16ではない場合はfloat32
generator_checkpoint_path → 使用するモデルのファイル名

▼ 準備3

コードの作成

　冒頭でも述べたとおりコードは拝借しますので、そちらからコピーしてください。それを、「stable-cascade-test\」上に拡張子pyのファイルとして保存します。ファイル名は任意です。

　前述の通り、コードはオリジナルの標準版と、改良された節約版の2種類があります。どちらであっても編集内容は変わりません。

　まずは下記の部分を、準備2で作ったファイル名に変更します。

# SETUP STAGE C
config_file = 'configs/inference/stage_c_lite_3b.yaml'
...
# SETUP STAGE B
config_file_b = 'configs/inference/stage_b_lite_3b.yaml'

　下記の修正も推奨します。変数名を「time」から変更します。

time = time.strftime(r"%Y%m%d%H%M%S")
↓
nowtime = time.strftime(r"%Y%m%d%H%M%S")

fileName = f"img-{time}-{i+1}.png"
↓
fileName = f"img-{nowtime}-{i+1}.png"

　下記のプロンプトと画像サイズは、好みで変更することができます。

caption = "Cinematic photo of a girl in cafe"
height, width = 832,1216

　コメントアウトを外して下記のようにすると、固定のSeed値が使用できます（デフォルトはランダム）。インデントがずれるとPythonではエラーになるので、「#」とその後ろのスペース1個のみを削除します。

    torch.manual_seed(2244096)

▼ 実行

　準備に使用したコマンド プロンプトを開いたままであれば、すぐに実行できます。そうではない場合は、最初に下記のコマンドを実行します。

cd  \aiwork\stable-cascade-test
venv\Scripts\activate

　あとは下記のようにコードをPythonに渡すだけです。初回は12GB程度のダウンロードが発生します。また、設定ファイルに誤りがあればエラーを出して終了するので内容を確認します。

python t2i_test1.py

　不備がなければ最後まで実行されて、画像ファイルが保存されます。

▼ 実行時間とVRAM使用量

　使用するモデルとコードによって、実行時間とVRAM使用量が変わります。ここでは、VRAM 12GBのRTX 3060にて1216x832のサイズで出力した際の結果を記載します。標準版（オリジナルのコード）と、節約版（改良版のコード）の場合について、順番に記載します。VRAMは常時1GBほど消費していたため、一律で1GBを引いています。

stage_c_lite_bf16 + stage_b_lite_bf16

　stage_c_liteを使用すると、見て分かる程度に質が悪くなる点に留意してください。参考まで、下の方にサンプル画像を掲載しました。

　標準版では全体の実行時間が47秒、STAGE Cが20秒、STAGE Bが13秒でした。アプリのVRAM使用量は6GB台で、STAGE A（最後の部分）のピークは9.1GBでした。8GBの環境向けです。節約版と実行時間を比べて短い方を選んでください。

　節約版では51秒、STAGE Cが20秒、STAGE Bが13秒でした。アプリのVRAM使用量はSTAGE C（前側の山）が4.4GB、STAGE B（後ろ側の山）が3.9GB、STAGE Aのピークは6.4GBでした。こちらは6GBの環境向けです。

stage_c_bf16 + stage_b_bf16

　標準版では16分3秒（VRAM不足が原因）、STAGE Cが3分、STAGE Bが11分でした。アプリのVRAM使用量は12GB台が大半を占め、STAGE Aのピークは14.4GBでした。16GB以上の環境向けと思われます。

　節約版では2分27秒で、STAGE Cが1分、STAGE Bが40秒でした。アプリのVRAM使用量はSTAGE Cが9.2GB、STAGE Bが5.6GB、STAGE Aのピークが7.1GBでした。12GBの環境向けで、8GBでも一応動作するかもしれません。

その他

　少しでも早く生成したい場合は、STAGE Bのみliteを選択する方法も考えられます。また、VRAM 24GB以上のリッチな環境では、float32のモデルを使用したり、batch sizeを上げたりすることができると思います。

▼ 画像サンプル

　ここで最も注目していただきたいのは、STAGE Cにliteモデルを使用するとディテールが甘くなってしまう（質が落ちる）点です。

　設定したプロンプトは「pastel color, flat anime style, upper body, girl, dynamic cute pose, frill dress, gold long hair, brown eyes, gentle smile, deep night, starry sky,」だったと思います。

stage_c_lite_bf16 + stage_b_lite_bf16

　生成時間が短く、VRAM使用量もかなり抑えられます。

stage_c_bf16 + stage_b_bf16

　liteモデルを選ばなければ、十分な画質が得られそうです。

stage_c_bf16 + stage_b_lite_bf16

　生成時間を少しでも短縮したい場合は、STAGE Bのみliteモデルを使用する方法もあります。

おまけ

　実写風の画像はかなり綺麗に生成できると思います。

　アニメ風も、（アーキテクチャは違いますが）SDXLのベースモデルと比較して改善されていると思います。さらにチューニングを行うことで、利用者が望むモデルに変化することが期待されます。

▼ その他

　私が書いた他の記事は、メニューよりたどってください。

　noteのアカウントはメインの@Mayu_Hiraizumiに紐付けていますが、記事に関することはサブアカウントの@riddi0908までお願いします。