搭建SDXL-Turbo模型文生图推理

本文主要介绍如何在云服务器实例中部署Stable Diffusion XL Turbo模型，并使用CPU加速文生图推理。

功能特色

本实践使用了火山引擎第3代云服务器通用型g3i，该规格实例采用火山引擎自研最新DPU架构并搭载了第5代英特尔^®至强^®可扩展处理器（Emerald Rapids，EMR），结合新一代硬件AI加速指令AMX-BF16（Intel Advanced Matrix Extensions）以及基于其上的IPEX框架优化，实现了系统级优化方案来加速SDXL-Turbo模型的文生图推理速度。

背景信息

IPEX

Intel^® Extension for PyTorch（IPEX）是由Intel开源并维护的一个PyTorch扩展库，大幅度提升了使用PyTorch在Intel处理器上运行AI应用，尤其是深度学习应用的性能。Intel正不断为PyTorch贡献IPEX的优化性能，为PyTorch社区提供最新的Intel硬件和软件改进。更多信息，请参见IPEX。

SDXL-Turbo模型

本实践使用的推理模型为SDXL-Turbo（Stable Diffusion XL Turbo），该模型是Stability AI在Stable Diffusion基于SDXL 1.0的蒸馏（Distillation）版本，专为实时合成的文生图场景服务。该模型能够确保即使在一到两个采样步骤，也能保持高的图片质量。
更多模型相关的信息可参考：SDXL-Turbo。

操作步骤

步骤一：环境准备

1. 创建搭载了第5代英特尔^®至强^®可扩展处理器（Emerald Rapids，EMR）实例，详细操作请参见购买云服务器。
   创建实例时，请注意以下配置：
   • 实例规格：本文选择通用型g3i（ecs.g3i.8xlarge）规格。
   • 云盘：推荐云盘容量不低于60GiB。
   • 镜像：本文选择Ubuntu 22.04 LTS 64位。
   • 网络：需要绑定公网IP，操作详情可查看绑定公网IP。
2. 为目标实例安装Docker，详细操作请参见搭建Docker。

   说明

   请确保Docker版本不低于19.03，且DOCKER_BUILDKIT=1。

步骤二：部署SDXL-Turbo模型

1. 登录目标实例。

2. 下载SDXL-Turbo模型。

   1. 执行如下命令，创建存放模型的目录。

      mkdir models
      

   2. 执行如下命令，进入该目录。

      cd models/
      

   3. 下载所需工具与模型。

      说明

      本文通过huggingface 镜像站下载模型，您也可以前往huggingface 官网进行下载。

      pip install -U huggingface_hub hf_transfer 
      HF_ENDPOINT=https://hf-mirror.com HF_HUB_ENABLE_HF_TRANSFER=1 huggingface-cli download --resume-download stabilityai/sdxl-turbo  --local-dir sdxl-turbo --local-dir-use-symlinks=False
      

3. 将如下文件上传至在SDXL-Turbo模型同级目录下。操作详情可查看本地数据上传。

   • Dockerfile
     
     

     Dockerfile

     2.02KB

     
   • run_local.sh
     
     

     run_local.sh

     230.00Bytes

     
   • sd_pipe_sdxl_turbo.py

     说明

     本实践使用Intel提交的优化 IPEX优化的diffusers库，详情可查看Stable Diffusion XL on IPEX。

     

     sd_pipe_sdxl_turbo.py

     2.83KB

     
   • pipeline_stable_diffusion_xl_ipex.py

     说明

     本文件内容参考huggingface的pipeline_stable_diffusion_xl_ipex.py文件编写，您可以参考官方示例自行修改。

     

     pipeline_stable_diffusion_xl_ipex.py

     73.27KB

     

   完成上传后，文件结构如下如图所示。
   

4. 在Dockerfile文件同级目录下，执行如下命令，制作Docker镜像。

   docker build -t sdxl:v1 .
   

5. 执行如下命令，运行Docker。

   docker run --name sdxl --privileged=true  -v /root/models:/models -it sdxl:v1  bash
   

步骤三：运行SDXL-Turbo模型

1. 登录目标实例。

2. 在容器sdxl的交互模式中，执行如下命令，进入模型目录。

   cd sdxlturbo
   

3. 执行如下命令，通过脚本进行文生图推理测试。

   sh run_local.sh
   

   生成图片示例：
   在Docker容器中，推理生成的图片将以saved_pic0ite$Nubmer$.png格式命名。
   

   

4. 后续您可以使用如下命令，继续文生图推理。

   numactl --localalloc --physcpubind=48-71 python sd_pipe_sdxl_turbo.py --height 512 --width 512  --repeat 11 --step 4 --bf16 --prompt "A spaceship traveling through the stars. highly detailed, 8k"
   

   参数说明

   • numactl命令参数

     参数名	说明	取值样例
     --localalloc	指定使用本地内存分配器，而不是默认的系统内存分配器。	-
     --physcpubind	指定物理CPU的绑定范围，以提高程序的运行效率。	48-71

   • 模型运行参数

     参数名	说明	取值样例
     --bf16	表示是否启用BF16精度模式。 说明 推荐您启用BF16精度模式。启用后，可使用AMX指令集加速文生图推理，否则不会使用AMX指令集进行推理加速。 传递本参数表示启用BF16精度模式，不传递表示不启用。	--bf16
     --batch	int，表示批处理大小，默认值为1。	1
     --height	int，表示图像高度，单位像素，默认值为512。 说明 支持与推荐的高、宽值，可参考width-and-height。	512
     --width	int，表示图像宽度，单位像素，默认值为512。 说明 支持与推荐的高、宽值，可参考width-and-height。	512
     --step	int，表示旋转循环的步长，默认值为4。	4
     --repeat	int，表示推断的重复次数，默认值为3。	11
     --prompt	String，表示生成图片的内容，默认值为beautiful beach with white sands, trophical island, coconat tree, a beautiful boat on the beach, moon night, 8k。	A spaceship traveling through the stars. highly detailed, 8k

性能说明

测试数据

本节展示了使用ecs.g3i.8xlarge规格实例，通过Stable Diffusion XL Turbo模型生成不同分辨率与数据精度图片的耗时信息。

测试结论

在搭载英特尔EMR处理器的ecs.g3i.8xlarge规格实例中，根据本实践调整后的文生图模型，可通过使能高级矩阵扩展加速引擎（AMX指令集）有效加速推理速度，最快可达 0.735 images/s，实现秒级生图性能。与未使用或不支持AMX指令集加速的实例相比，其文生成图性能可提升293% ~ 388%。
因此，在追求性价比、丰富实例资源场景下，您可以使用搭载英特尔EMR处理器的实例规格（例如通用型g3i）代替GPU实例，通过系统级加速方案获取最优性价比的高效文生图服务。