PixArt

Génération d'images rapide avec PixArt-Alpha et PixArt-Sigma

Générez rapidement des images avec PixArt-Alpha et PixArt-Sigma.

Tous les exemples peuvent être exécutés sur des serveurs GPU loués via la place de marché CLORE.AI.

Louer sur CLORE.AI

1. Visitez la place de marché CLORE.AI

2. Filtrez par type de GPU, VRAM et prix

3. Choisissez À la demande (tarif fixe) ou Spot (prix d'enchère)

4. Configurez votre commande :

   • Sélectionnez l'image Docker

   • Définissez les ports (TCP pour SSH, HTTP pour les interfaces web)

   • Ajoutez des variables d'environnement si nécessaire

   • Entrez la commande de démarrage

5. Sélectionnez le paiement : CLORE, BTC, ou USDT/USDC

6. Créez la commande et attendez le déploiement

Accédez à votre serveur

• Trouvez les détails de connexion dans Mes commandes

• Interfaces web : utilisez l'URL du port HTTP

• SSH : ssh -p <port> root@<proxy-address>

Qu'est-ce que PixArt ?

Les modèles PixArt offrent :

• 10x plus rapide que SDXL

• Images 1024 px de haute qualité

• Rendu du texte performant

• Méthodes d'entraînement efficaces

Variantes de modèle

Modèle	Qualité	Vitesse	VRAM
PixArt-Alpha	Excellent	Rapide	8 Go
PixArt-Sigma	Meilleur	Moyen	12 Go

Déploiement rapide

Image Docker :

pytorch/pytorch:2.11.0-cuda12.8-cudnn9-devel

Ports :

22/tcp
7860/http

Commande :

pip install diffusers transformers accelerate gradio && \
python -c "
import gradio as gr
from diffusers import PixArtAlphaPipeline
import torch

pipe = PixArtAlphaPipeline.from_pretrained('PixArt-alpha/PixArt-XL-2-1024-MS', torch_dtype=torch.float16)
pipe.to('cuda')

def generate(prompt, steps):
    image = pipe(prompt, num_inference_steps=steps).images[0]
    return image

demo = gr.Interface(fn=generate, inputs=[gr.Textbox(), gr.Slider(10, 50, 20)], outputs=gr.Image(), title='PixArt')
demo.launch(server_name='0.0.0.0', server_port=7860)
"

Accéder à votre service

Après le déploiement, trouvez votre http_pub URL dans Mes commandes:

1. Accédez à Mes commandes la page

2. Cliquez sur votre commande

3. Trouvez le http_pub URL (par ex., abc123.clorecloud.net)

Utilisez https://YOUR_HTTP_PUB_URL au lieu de localhost dans les exemples ci-dessous.

Installation

pip install diffusers transformers accelerate

PixArt-Alpha

Génération de base

from diffusers import PixArtAlphaPipeline
import torch

pipe = PixArtAlphaPipeline.from_pretrained(
    "PixArt-alpha/PixArt-XL-2-1024-MS",
    torch_dtype=torch.float16
)
pipe.to("cuda")

prompt = "Un chat astronaute flottant dans l'espace, la Terre en arrière-plan, photoréaliste"

image = pipe(
    prompt=prompt,
    num_inference_steps=20,
    guidance_scale=4.5
).images[0]

image.save("output.png")

Paramètres de génération

image = pipe(
    prompt="un magnifique coucher de soleil sur des montagnes",
    negative_prompt="flou, de faible qualité",
    num_inference_steps=20,      # Qualité (10-50)
    guidance_scale=4.5,          # Respect du prompt (3-7)
    height=1024,
    width=1024,
    generator=torch.Generator("cuda").manual_seed(42)
).images[0]

PixArt-Sigma

Version de meilleure qualité :

from diffusers import PixArtSigmaPipeline
import torch

pipe = PixArtSigmaPipeline.from_pretrained(
    "PixArt-alpha/PixArt-Sigma-XL-2-1024-MS",
    torch_dtype=torch.float16
)
pipe.to("cuda")
pipe.enable_model_cpu_offload()

image = pipe(
    prompt="une photographie professionnelle d'une voiture de sport rouge",
    num_inference_steps=30,
    guidance_scale=4.5
).images[0]

image.save("sigma_output.png")

Optimisation de la mémoire

Pour 8 Go de VRAM

pipe = PixArtAlphaPipeline.from_pretrained(
    "PixArt-alpha/PixArt-XL-2-1024-MS",
    torch_dtype=torch.float16
)

# Déchargement CPU
pipe.enable_model_cpu_offload()

# Déchargement CPU séquentiel (plus agressif)

# pipe.enable_sequential_cpu_offload()

Activer le découpage VAE

pipe.enable_vae_slicing()
pipe.enable_vae_tiling()

Génération par lots

from diffusers import PixArtAlphaPipeline
import torch

pipe = PixArtAlphaPipeline.from_pretrained(
    "PixArt-alpha/PixArt-XL-2-1024-MS",
    torch_dtype=torch.float16
).to("cuda")

prompts = [
    "une ville cyberpunk la nuit",
    "un paisible jardin japonais",
    "un château fantastique sur une falaise",
    "un récif corallien sous-marin"
]

for i, prompt in enumerate(prompts):
    image = pipe(prompt, num_inference_steps=20).images[0]
    image.save(f"output_{i:03d}.png")
    print(f"Généré : {prompt[:50]}...")

Différentes résolutions

# Résolutions prises en charge
resolutions = [
    (512, 512),
    (768, 768),
    (1024, 1024),
    (1024, 512),   # Paysage
    (512, 1024),   # Portrait
    (768, 1024),
    (1024, 768),
]

for w, h in resolutions:
    image = pipe(
        prompt="un beau paysage",
        width=w,
        height=h,
        num_inference_steps=20
    ).images[0]

    image.save(f"output_{w}x{h}.png")

Rendu du texte

PixArt excelle dans le texte intégré aux images :

prompt = """
Une affiche de film vintage avec le titre "COSMIC ADVENTURE" en lettres grasses,
mettant en scène un vaisseau spatial et des planètes, style rétro des années 1950
"""

image = pipe(
    prompt=prompt,
    num_inference_steps=30,
    guidance_scale=5.0
).images[0]

Interface Gradio

import gradio as gr
from diffusers import PixArtAlphaPipeline
import torch

pipe = PixArtAlphaPipeline.from_pretrained(
    "PixArt-alpha/PixArt-XL-2-1024-MS",
    torch_dtype=torch.float16
).to("cuda")

def generate(prompt, negative_prompt, steps, guidance, width, height, seed):
    generator = torch.Generator("cuda").manual_seed(seed) if seed > 0 else None

    image = pipe(
        prompt=prompt,
        negative_prompt=negative_prompt,
        num_inference_steps=steps,
        guidance_scale=guidance,
        width=width,
        height=height,
        generator=generator
    ).images[0]

    return image

demo = gr.Interface(
    fn=generate,
    inputs=[
        gr.Textbox(label="Invite", lines=3),
        gr.Textbox(label="Prompt négatif"),
        gr.Slider(10, 50, value=20, step=1, label="Étapes"),
        gr.Slider(1, 10, value=4.5, step=0.5, label="Guidage"),
        gr.Slider(512, 1024, value=1024, step=64, label="Largeur"),
        gr.Slider(512, 1024, value=1024, step=64, label="Hauteur"),
        gr.Number(value=-1, label="Seed (-1 pour aléatoire)")
    ],
    outputs=gr.Image(label="Image générée"),
    title="Générateur d'images PixArt"
)

demo.launch(server_name="0.0.0.0", server_port=7860)

Serveur API

from fastapi import FastAPI
from fastapi.responses import Response
from diffusers import PixArtAlphaPipeline
import torch
import io

app = FastAPI()

pipe = PixArtAlphaPipeline.from_pretrained(
    "PixArt-alpha/PixArt-XL-2-1024-MS",
    torch_dtype=torch.float16
).to("cuda")

@app.post("/generate")
async def generate(
    prompt: str,
    negative_prompt: str = "",
    steps: int = 20,
    guidance: float = 4.5,
    width: int = 1024,
    height: int = 1024
):
    image = pipe(
        prompt=prompt,
        negative_prompt=negative_prompt,
        num_inference_steps=steps,
        guidance_scale=guidance,
        width=width,
        height=height
    ).images[0]

    buffer = io.BytesIO()
    image.save(buffer, format="PNG")
    return Response(content=buffer.getvalue(), media_type="image/png")

# Exécuter : uvicorn server:app --host 0.0.0.0 --port 8000

Comparaison des performances

Modèle	GPU	Temps 1024x1024
PixArt-Alpha	RTX 3090	~3 s
PixArt-Sigma	RTX 3090	~5 s
SDXL	RTX 3090	~15 s
PixArt-Alpha	RTX 4090	~2 s
PixArt-Sigma	RTX 4090	~3 s

Paramètres de qualité

Cas d’utilisation	Étapes	Guidage
Aperçu	10-15	4.0
Standard	20	4.5
Haute qualité	30-40	5.0

Dépannage

Mémoire insuffisante

# Activer le déchargement
pipe.enable_model_cpu_offload()

# Ou utiliser une résolution plus petite
width, height = 768, 768

Qualité médiocre

• Augmenter le nombre d'étapes (25-40)

• Ajuster l'échelle de guidage

• Prompts plus détaillés

Génération lente

• Utiliser PixArt-Alpha (plus rapide)

• Réduire le nombre d'étapes

• Résolution plus faible

Estimation des coûts

Tarifs typiques du marché CLORE.AI (en 2024) :

GPU	Tarif horaire	Tarif journalier	Session de 4 heures
RTX 3060	~$0.03	~$0.70	~$0.12
RTX 3090	~$0.06	~$1.50	~$0.25
RTX 4090	~$0.10	~$2.30	~$0.40
A100 40 Go	~$0.17	~$4.00	~$0.70
A100 80 Go	~$0.25	~$6.00	~$1.00

Les prix varient selon le fournisseur et la demande. Vérifiez la place de marché CLORE.AI les tarifs actuels.

Économisez de l'argent :

• Utilisez le Spot marché pour les travaux interrompables — environ un tiers des serveurs ont un prix spot inférieur au tarif à la demande (médiane ~13 % de remise), les autres s'alignent dessus

• Payez avec CLORE jetons

• Comparez les prix entre différents fournisseurs

Étapes suivantes

• Génération FLUX - Meilleure qualité

• Stable Diffusion WebUI - Plus de fonctionnalités

• Guide ControlNet - Ajouter un contrôle