尧图网站建设 
Stability AI 生成模型权重下载完整指南30分钟跑通 SDXL 与视频模型推理【免费下载链接】generative-modelsGenerative Models by Stability AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-models第一次跑scripts/demo/sampling.py进度条走到 41% 就卡死控制台反复打印同一句找不到checkpoints/sd_xl_base_1.0.safetensors。权重没下、下错目录、或者只下了一半是 Stability AI 生成模型部署中最常见的三个坎。这篇文章给你一条最短路径30 分钟内下完 1 到 2 个模型跑通推理并用哈希校验确认文件完整。按用途选权重先把下载清单砍到最少模型不是越多越好。先定用途再定文件多余的 GB 一律不碰。你的目标必下文件体积量级文生图 / 图生图sd_xl_base_1.0.safetensors约 2.5GB文生图后二次精修再加sd_xl_refiner_1.0.safetensors约 2.5GB图生视频svd.safetensors短或svd_xt.safetensors长20GB单图环绕视频sv3d_u.safetensors或sv3d_p10GB视频转 4Dsv4d2.safetensors10GB三条裁剪原则文生图只需要 SDXL base。refiner 不做独立出图只在 base 出图后做精修不需要就跳过。SV4D 需要 SV3D 配合生成参考视角SV4D 2.0 不需要。跑新版就省掉一个 10GB 文件。只想验证环境先用最小组合一个权重文件 一份配置。环境自检与磁盘预算一条命令过体检下面这段 shell 会依次报告 git-lfs 版本、Python 版本、仓库克隆情况和剩余磁盘。缺哪项装哪项不要凭感觉。# 工具体检git-lfs 处理大文件Python 建议 3.10官方实测版本 git lfs version; python --version # 克隆代码仓库 git clone https://gitcode.com/GitHub_Trending/ge/generative-models.git cd generative-models # 磁盘预算SVD 单文件 20GB 起步建议至少留 50GB df -h .依赖安装与 PyTorch 版本强绑定按官方顺序来# 先建虚拟环境装 torch再装项目依赖CUDA 版本按自己的显卡换 python3 -m venv .pt2 source .pt2/bin/activate pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 pip3 install -r requirements/pt2.txt pip3 install .装完sgm包后推理脚本里的from sgm.util import ...才能解析。这一步漏了后面的报错会误导你去怀疑权重文件。主力模型完整流程以 SDXL base 1.0 为例选文生图作为主线因为它文件最小、跑通最快且能验证整套环境。以下命令在仓库根目录执行。# 拉取指定文件名并放入 checkpoints/-v 打开日志便于观察进度 mkdir -p checkpoints huggingface-cli download stabilityai/stable-diffusion-xl-base-1.0 \ sd_xl_base_1.0.safetensors --local-dir checkpoints -v注意指定文件名而不是--include *.safetensors。后者会把仓库里所有权重一并拉下来白白多出几 GB。下完先做哈希校验官方给出的 sha256 如下# 校验值必须与官方一致31e35c80fc4829d14f90153f4c74cd59c90b779f6afe05a74cd6120b893f7e5b sha256sum checkpoints/sd_xl_base_1.0.safetensors哈希对不上就直接删掉重下。哈希对了再花一秒做个加载冒烟测试# 只读文件头确认权重可加载不占显存 from safetensors import safe_open with safe_open(checkpoints/sd_xl_base_1.0.safetensors, frameworkpt) as f: print(list(f.keys())[:3])能打印出 key 列表说明文件头完整。之后启动文生图 demo# 配置 configs/inference/sd_xl_base.yaml 会读取上面的权重出图写入 outputs/ streamlit run scripts/demo/sampling.py其余权重速配一个模板覆盖全部其他模型不逐个演示。它们共享同一套路仓库 文件名 checkpoints/三要素。权重文件放 checkpoints/仓库 ID配套推理配置sd_xl_refiner_1.0.safetensorsstabilityai/stable-diffusion-xl-refiner-1.0configs/inference/sd_xl_refiner.yamlsd_xl_turbo_1.0.safetensorsstabilityai/sdxl-turboscripts/demo/turbo.pysvd.safetensorsstabilityai/stable-video-diffusion-img2vidconfigs/inference/svd.yamlsvd_xt.safetensorsstabilityai/stable-video-diffusion-img2vid-xtscripts/sampling/configs/svd_xt.yamlsv3d_u.safetensors/sv3d_p.safetensorsstabilityai/sv3dconfigs/inference/sv3d_u.yamlsv4d.safetensorsstabilityai/sv4dscripts/sampling/configs/sv4d.yamlsv4d2.safetensorsstabilityai/sv4d2.0scripts/sampling/configs/sv4d2.yaml通用模板替换仓库 ID 和文件名即可# 任意权重三要素仓库、文件名、本地目录 huggingface-cli download 仓库ID 文件名 --local-dir checkpoints下完核对 scripts/sampling/configs/ 里对应 yaml 的ckpt_path字段是否与你的文件名一致。配置和权重是一一对应的错配的表现不是报错而是效果异常这种问题比报错难查得多。提速与完整性校验镜像、断点续传、批量脚本国内网络直连官方源速度常只有几 MB/s。换镜像端点是最直接的手段# 让 huggingface-cli 与 huggingface_hub 走国内镜像 export HF_ENDPOINThttps://hf-mirror.com第二个技巧针对 20GB 级别的视频权重。断点续传能避免一次网络波动从头再来# 中断后重跑同一条命令即可续传不用重新排队 huggingface-cli download stabilityai/stable-video-diffusion-img2vid \ svd.safetensors --local-dir checkpoints --resume-download如果一次要准备多个模型用下面这个最小批量脚本。每个文件独立下载、独立重试不会因为一个卡住而全部停摆# save as batch_download.py在仓库根目录运行python batch_download.py from huggingface_hub import snapshot_download JOBS [ (stabilityai/stable-diffusion-xl-base-1.0, sd_xl_base_1.0.safetensors), (stabilityai/stable-video-diffusion-img2vid, svd.safetensors), ] for repo, fn in JOBS: try: print(拉取:, fn) snapshot_download(repo, allow_patterns[fn], local_dircheckpoints) except Exception as e: print(f跳过 {repo}: {e})故障速查四类高频问题的现象、原因与解法按严重程度排序。先对号入座再动手。1. 磁盘空间不足下载中断在 99%现象终端报No space left on device文件停在差一点就完成的位置。原因SVD 级文件 20GB 起步加上 PyTorch 与依赖的十几 GB预算没算够。解法清出至少 50GB 空闲或者放弃视频模型先只跑 SDXL。2. 权重能加载生成质量明显不对现象推理不报错但出图发糊、偏色。原因下载的权重是截断文件sha256 校验没做。解法删除本地文件重新下载再用sha256sum比对官方值。3. CUDA out of memory现象视频模型跑到解码阶段崩掉。原因decoding_t默认一次解码 14 帧12GB 显存压不住。解法按下面顺序降配每调一档重跑一次# 显存吃紧时依次尝试降分辨率、减每批解码帧数、减总帧数 python scripts/sampling/simple_video_sample.py \ --version svd --input_path assets/test_image.png \ --decoding_t 4 --num_frames 84.OSError: checkpoints/xxx.safetensors not found现象任何采样脚本一启动就抛文件不存在。原因权重没放在仓库根目录的checkpoints/下。解法所有推理脚本都从相对路径checkpoints/读文件建好目录、文件放对位置即可。验收清单与下一步动作跑完 demo 后对照这张清单确认环境可用checkpoints/下存在权重文件且sha256sum结果与官方一致。浏览器出图控制台没有 missing checkpoint 告警。outputs/目录生成了新图片。输出能被水印检测脚本识别python scripts/demo/detect.py outputs/*.jpg。四条全过这套环境就交付完毕。现在可执行的下一步用 configs/example_training/toy/mnist_cond.yaml 跑一次玩具训练确认训练链路也通再去碰更大的数据集配置。# 128x128 小数据集几分钟就能验证 main.py 训练入口 python main.py --base configs/example_training/toy/mnist_cond.yaml【免费下载链接】generative-modelsGenerative Models by Stability AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-models创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Stability AI 生成模型权重下载完整指南：30分钟跑通 SDXL 与视频模型推理
Stability AI 生成模型权重下载完整指南30分钟跑通 SDXL 与视频模型推理【免费下载链接】generative-modelsGenerative Models by Stability AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-models第一次跑scripts/demo/sampling.py进度条走到 41% 就卡死控制台反复打印同一句找不到checkpoints/sd_xl_base_1.0.safetensors。权重没下、下错目录、或者只下了一半是 Stability AI 生成模型部署中最常见的三个坎。这篇文章给你一条最短路径30 分钟内下完 1 到 2 个模型跑通推理并用哈希校验确认文件完整。按用途选权重先把下载清单砍到最少模型不是越多越好。先定用途再定文件多余的 GB 一律不碰。你的目标必下文件体积量级文生图 / 图生图sd_xl_base_1.0.safetensors约 2.5GB文生图后二次精修再加sd_xl_refiner_1.0.safetensors约 2.5GB图生视频svd.safetensors短或svd_xt.safetensors长20GB单图环绕视频sv3d_u.safetensors或sv3d_p10GB视频转 4Dsv4d2.safetensors10GB三条裁剪原则文生图只需要 SDXL base。refiner 不做独立出图只在 base 出图后做精修不需要就跳过。SV4D 需要 SV3D 配合生成参考视角SV4D 2.0 不需要。跑新版就省掉一个 10GB 文件。只想验证环境先用最小组合一个权重文件 一份配置。环境自检与磁盘预算一条命令过体检下面这段 shell 会依次报告 git-lfs 版本、Python 版本、仓库克隆情况和剩余磁盘。缺哪项装哪项不要凭感觉。# 工具体检git-lfs 处理大文件Python 建议 3.10官方实测版本 git lfs version; python --version # 克隆代码仓库 git clone https://gitcode.com/GitHub_Trending/ge/generative-models.git cd generative-models # 磁盘预算SVD 单文件 20GB 起步建议至少留 50GB df -h .依赖安装与 PyTorch 版本强绑定按官方顺序来# 先建虚拟环境装 torch再装项目依赖CUDA 版本按自己的显卡换 python3 -m venv .pt2 source .pt2/bin/activate pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 pip3 install -r requirements/pt2.txt pip3 install .装完sgm包后推理脚本里的from sgm.util import ...才能解析。这一步漏了后面的报错会误导你去怀疑权重文件。主力模型完整流程以 SDXL base 1.0 为例选文生图作为主线因为它文件最小、跑通最快且能验证整套环境。以下命令在仓库根目录执行。# 拉取指定文件名并放入 checkpoints/-v 打开日志便于观察进度 mkdir -p checkpoints huggingface-cli download stabilityai/stable-diffusion-xl-base-1.0 \ sd_xl_base_1.0.safetensors --local-dir checkpoints -v注意指定文件名而不是--include *.safetensors。后者会把仓库里所有权重一并拉下来白白多出几 GB。下完先做哈希校验官方给出的 sha256 如下# 校验值必须与官方一致31e35c80fc4829d14f90153f4c74cd59c90b779f6afe05a74cd6120b893f7e5b sha256sum checkpoints/sd_xl_base_1.0.safetensors哈希对不上就直接删掉重下。哈希对了再花一秒做个加载冒烟测试# 只读文件头确认权重可加载不占显存 from safetensors import safe_open with safe_open(checkpoints/sd_xl_base_1.0.safetensors, frameworkpt) as f: print(list(f.keys())[:3])能打印出 key 列表说明文件头完整。之后启动文生图 demo# 配置 configs/inference/sd_xl_base.yaml 会读取上面的权重出图写入 outputs/ streamlit run scripts/demo/sampling.py其余权重速配一个模板覆盖全部其他模型不逐个演示。它们共享同一套路仓库 文件名 checkpoints/三要素。权重文件放 checkpoints/仓库 ID配套推理配置sd_xl_refiner_1.0.safetensorsstabilityai/stable-diffusion-xl-refiner-1.0configs/inference/sd_xl_refiner.yamlsd_xl_turbo_1.0.safetensorsstabilityai/sdxl-turboscripts/demo/turbo.pysvd.safetensorsstabilityai/stable-video-diffusion-img2vidconfigs/inference/svd.yamlsvd_xt.safetensorsstabilityai/stable-video-diffusion-img2vid-xtscripts/sampling/configs/svd_xt.yamlsv3d_u.safetensors/sv3d_p.safetensorsstabilityai/sv3dconfigs/inference/sv3d_u.yamlsv4d.safetensorsstabilityai/sv4dscripts/sampling/configs/sv4d.yamlsv4d2.safetensorsstabilityai/sv4d2.0scripts/sampling/configs/sv4d2.yaml通用模板替换仓库 ID 和文件名即可# 任意权重三要素仓库、文件名、本地目录 huggingface-cli download 仓库ID 文件名 --local-dir checkpoints下完核对 scripts/sampling/configs/ 里对应 yaml 的ckpt_path字段是否与你的文件名一致。配置和权重是一一对应的错配的表现不是报错而是效果异常这种问题比报错难查得多。提速与完整性校验镜像、断点续传、批量脚本国内网络直连官方源速度常只有几 MB/s。换镜像端点是最直接的手段# 让 huggingface-cli 与 huggingface_hub 走国内镜像 export HF_ENDPOINThttps://hf-mirror.com第二个技巧针对 20GB 级别的视频权重。断点续传能避免一次网络波动从头再来# 中断后重跑同一条命令即可续传不用重新排队 huggingface-cli download stabilityai/stable-video-diffusion-img2vid \ svd.safetensors --local-dir checkpoints --resume-download如果一次要准备多个模型用下面这个最小批量脚本。每个文件独立下载、独立重试不会因为一个卡住而全部停摆# save as batch_download.py在仓库根目录运行python batch_download.py from huggingface_hub import snapshot_download JOBS [ (stabilityai/stable-diffusion-xl-base-1.0, sd_xl_base_1.0.safetensors), (stabilityai/stable-video-diffusion-img2vid, svd.safetensors), ] for repo, fn in JOBS: try: print(拉取:, fn) snapshot_download(repo, allow_patterns[fn], local_dircheckpoints) except Exception as e: print(f跳过 {repo}: {e})故障速查四类高频问题的现象、原因与解法按严重程度排序。先对号入座再动手。1. 磁盘空间不足下载中断在 99%现象终端报No space left on device文件停在差一点就完成的位置。原因SVD 级文件 20GB 起步加上 PyTorch 与依赖的十几 GB预算没算够。解法清出至少 50GB 空闲或者放弃视频模型先只跑 SDXL。2. 权重能加载生成质量明显不对现象推理不报错但出图发糊、偏色。原因下载的权重是截断文件sha256 校验没做。解法删除本地文件重新下载再用sha256sum比对官方值。3. CUDA out of memory现象视频模型跑到解码阶段崩掉。原因decoding_t默认一次解码 14 帧12GB 显存压不住。解法按下面顺序降配每调一档重跑一次# 显存吃紧时依次尝试降分辨率、减每批解码帧数、减总帧数 python scripts/sampling/simple_video_sample.py \ --version svd --input_path assets/test_image.png \ --decoding_t 4 --num_frames 84.OSError: checkpoints/xxx.safetensors not found现象任何采样脚本一启动就抛文件不存在。原因权重没放在仓库根目录的checkpoints/下。解法所有推理脚本都从相对路径checkpoints/读文件建好目录、文件放对位置即可。验收清单与下一步动作跑完 demo 后对照这张清单确认环境可用checkpoints/下存在权重文件且sha256sum结果与官方一致。浏览器出图控制台没有 missing checkpoint 告警。outputs/目录生成了新图片。输出能被水印检测脚本识别python scripts/demo/detect.py outputs/*.jpg。四条全过这套环境就交付完毕。现在可执行的下一步用 configs/example_training/toy/mnist_cond.yaml 跑一次玩具训练确认训练链路也通再去碰更大的数据集配置。# 128x128 小数据集几分钟就能验证 main.py 训练入口 python main.py --base configs/example_training/toy/mnist_cond.yaml【免费下载链接】generative-modelsGenerative Models by Stability AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-models创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考