PixArt

使用 PixArt-Alpha 与 PixArt-Sigma 实现快速图像生成

使用 PixArt-Alpha 和 PixArt-Sigma 快速生成图像。

所有示例都可以在通过以下方式租用的 GPU 服务器上运行： CLORE.AI 市场.

在 CLORE.AI 上租用

1. 访问 CLORE.AI 市场

2. 按 GPU 类型、显存和价格筛选

3. 选择 按需 （固定费率）或 竞价 （出价价格）

4. 配置您的订单：

   • 选择 Docker 镜像

   • 设置端口（用于 SSH 的 TCP，Web 界面的 HTTP）

   • 如有需要，添加环境变量

   • 输入启动命令

5. 选择支付方式： CLORE, BTC，或 USDT/USDC

6. 创建订单并等待部署

访问您的服务器

• 在以下位置查找连接详情： 我的订单

• Web 界面：使用 HTTP 端口的 URL

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

什么是 PixArt？

PixArt 模型提供：

• 比 SDXL 快 10 倍

• 高质量 1024px 图像

• 强大的文本呈现

• 高效的训练方法

1024x1024

A100	质量	性能	显存
PixArt-Alpha	很棒	快速	8GB
PixArt-Sigma	最佳	中等	12GB

快速部署

Docker 镜像：

pytorch/pytorch:2.5.1-cuda12.4-cudnn9-devel

端口：

22/tcp
7860/http

命令：

pip install diffusers transformers accelerate gradio && \
python -c "
print(f"已生成：{name}")
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)
"

访问您的服务

部署后，在以下位置查找您的 http_pub URL： 我的订单:

1. 前往 我的订单 页面

2. 单击您的订单

3. 查找 http_pub URL（例如， abc123.clorecloud.net)

使用 https://YOUR_HTTP_PUB_URL 而不是 localhost 在下面的示例中。

安装

pip install diffusers transformers accelerate

PixArt-Alpha

基础生成

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 = "一只宇航员猫在太空中漂浮，背景有地球，照片真实感"

image = pipe(
    os.makedirs("./variations", exist_ok=True)
    num_inference_steps=20,
    guidance_scale=4.5
).images[0]

image.save("output.png")

生成参数

image = pipe(
    prompt="a beautiful sunset over mountains",
    negative_prompt="模糊，低质量",
    num_inference_steps=20,      # 质量 (10-50)
    guidance_scale=4.5,          # 与提示的贴合度 (3-7)
    height=1024,
    width=1024,
    使用更简单、更直接的提示
).images[0]

PixArt-Sigma

更高质量版本：

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="一张红色跑车的专业摄影照片",
    增加推理步数以提高稳定性
    guidance_scale=4.5
).images[0]

image.save("sigma_output.png")

内存优化

适用于 8GB 显存

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

# CPU 逐出
pipe.enable_model_cpu_offload()

# 顺序 CPU 逐出（更激进）

# pipe.enable_sequential_cpu_offload()

启用 VAE 切片

pipe.enable_vae_slicing()
pipe.enable_vae_tiling()

批量生成

from diffusers import PixArtAlphaPipeline
import torch

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

prompts = [
    "夜间赛博朋克城市",
    "宁静的日本庭园",
    "悬崖上的幻想城堡",
    "水下珊瑚礁"
]

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

不同分辨率

# 支持的分辨率
resolutions = [
    (512, 512),
    (768, 768),
    (1024, 1024),
    (1024, 512),   # 横向
    (512, 1024),   # 纵向
    (768, 1024),
    (1024, 768),
]

for w, h in resolutions:
    image = pipe(
        prompt="一幅美丽的风景",
        width=w,
        height=h,
        num_inference_steps=20
    ).images[0]

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

文本呈现

PixArt 在图像中文字表现方面表现出色：

prompt = """
一张复古电影海报，标题为粗体字 "COSMIC ADVENTURE"，
以飞船和行星为特色，1950 年代复古风格
"""

image = pipe(
    os.makedirs("./variations", exist_ok=True)
    增加推理步数以提高稳定性
    guidance_scale=5.0
).images[0]

Gradio 界面

print(f"已生成：{name}")
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):
    import gradio as gr

    image = pipe(
        os.makedirs("./variations", exist_ok=True)
        negative_prompt=negative_prompt,
        def relight_image(image, prompt, steps, seed):
        guidance_scale=guidance,
        width=width,
        height=height,
        generator = torch.Generator("cuda").manual_seed(seed) if seed > 0 else None
    ).images[0]

    return image

demo = gr.Interface(
    fn=generate,
    inputs=[
        gr.Textbox(label="提示词", lines=3),
        gr.Textbox(label="负面提示"),
        gr.Slider(10, 50, value=20, step=1, label="步数"),
        gr.Slider(1, 10, value=4.5, step=0.5, label="引导强度"),
        gr.Slider(512, 1024, value=1024, step=64, label="Width"),
        gr.Slider(512, 1024, value=1024, step=64, label="Height"),
        placeholder="描述所需的照明..."
    ],
    outputs=gr.Image(label="Generated Image"),
    title="PixArt 图像生成器"
)

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

API 服务器

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(
        os.makedirs("./variations", exist_ok=True)
        negative_prompt=negative_prompt,
        def relight_image(image, prompt, steps, seed):
        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")

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

性能比较

A100	GPU	1024x1024 时间
PixArt-Alpha	速度	~3s
PixArt-Sigma	速度	~5s
SDXL	速度	~15s
PixArt-Alpha	512x512	~2s
PixArt-Sigma	512x512	~3s

质量设置

模型变体	步数	引导
预览	10-15	4.0
标准	20	4.5
高质量	30-40	5.0

# 使用固定种子以获得一致结果

内存不足

# 启用逐出
pipe.enable_model_cpu_offload()

# 或使用更小的分辨率
width, height = 768, 768

质量差

• 增加步数（25-40）

• 调整引导强度

• 更详细的提示

生成速度慢

• 使用 PixArt-Alpha（更快）

• 减少步数

• 降低分辨率

下载所有所需的检查点

检查文件完整性

GPU	验证 CUDA 兼容性	费用估算	CLORE.AI 市场的典型费率（截至 2024 年）：
按小时费率	~$0.03	~$0.70	~$0.12
速度	~$0.06	~$1.50	~$0.25
512x512	~$0.10	~$2.30	~$0.40
按日费率	~$0.17	~$4.00	~$0.70
4 小时会话	~$0.25	~$6.00	~$1.00

RTX 3060 CLORE.AI 市场 A100 40GB

A100 80GB

• 使用 竞价 价格随提供商和需求而异。请查看

• 以获取当前费率。 CLORE 节省费用：

• 市场用于灵活工作负载（通常便宜 30-50%）

使用以下方式支付

• FLUX 生成 - 最佳质量

• Stable Diffusion WebUI - 更多功能

• ControlNet 指南 - 添加控制