majicflus_v1/README.md at 263c1a9cc49c3d836ebb495c6a9a159333d022d4

ai-models/majicflus_v1

Fork 0

mirror of https://www.modelscope.cn/MAILAND/majicflus_v1.git synced 2026-04-02 10:32:54 +08:00

Files

yingda 263c1a9cc4 Update README.md

2025-02-08 05:46:51 +00:00

5.2 KiB

Raw Blame History

frameworks, license, tags, tasks, vision_foundation, base_model

frameworks

license

模型特点

卓越的人像生成能力：优化了在不同光影条件下的表现，确保人像在各种构图中的面部细节和肢体完整性。
广泛的适用性：除了人像生成外，模型在生成非人生物和场景时也有显著改进，适应更多创作需求。
简单易用：用户无需复杂的提示词即可生成高质量作品，同时支持更长提示词的精细控制。

社区适配

MajicFlus 模型在发布的同时，多位社区成员基于模型制作的 LoRA 也将一同发布，进一步扩展了模型的功能与表现力。这些 LoRA 为用户提供了更多样化的创作可能性，使模型能够适应更多特定场景和风格需求。

弱点

MajicFlus 并非为生成 NSFW 内容而设计。然而，如果有需要，可以使用相关 LoRA 来实现此类目的。
MajicFlus 的存在是为了解决国际社区中模型缺乏亚洲代表性的问题。如果您希望生成非亚洲种族的图像，请考虑使用其他高质量模型。
由于该模型是个微调融合模型，对社区大部分的lora都是不完美兼容的，需要降低权重至0.5以下。推荐使用带有majicFlus标志的矩阵模型，搜索关键字majic并筛选f1模型就可以看到全部，现在已有超过50款风格各异的优质模型。

参数推荐 Parameter

Steps: 20~30
Distilled CFG Scale: 3.5
CFG : 1
Diffusion in Low Bits: float8-e4m3fn
Sampling: Euler + simple/beta (for general)，DPM2M + SGM uniform (for skin texture)，DEIS + DDIM uniform (for casual realistic look)
Vae: flux vae
Clip: clip_l.safetensors and t5xxl_fp8_e4m3fn.safetensors

生图

本模型可通过AIGC专区生图直接在线使用。也通过ModelScope API-Inference使用（见本页面右侧）。

如果要下载模型到本地进行推理生图，需要结合原始FLUX模型的vae等模块，可以使用DiffSynth-Studio封装好的生图pipeline。

安装DiffSynth

pip install diffsynth -U

推理生图

量化推理（需要至少 14G 显存）

推荐方式，能在较小显存下，实现无损生图。需要较大的内存来支持模型不同模块的逐个加载。

import torch
from modelscope import snapshot_download
from diffsynth import ModelManager, FluxImagePipeline

# 下载模型
snapshot_download(
    model_id="MAILAND/majicflus_v1",
    allow_file_pattern="majicflus_v134.safetensors",
    cache_dir="models"
)
snapshot_download(
    model_id="black-forest-labs/FLUX.1-dev",
    allow_file_pattern=["ae.safetensors", "text_encoder/model.safetensors", "text_encoder_2/*"],
    cache_dir="models"
)

# 设置推理计算精度为 bfloat16
model_manager = ModelManager(torch_dtype=torch.bfloat16)
# 以 float8 精度加载 DiT 部分
model_manager.load_models(
    ["models/MAILAND/majicflus_v1/majicflus_v134.safetensors"],
    torch_dtype=torch.float8_e4m3fn,
    device="cpu"
)
# 以 bfloat16 精度加载两个 Text Encoder 和 VAE
model_manager.load_models(
    [
        "models/black-forest-labs/FLUX.1-dev/text_encoder/model.safetensors",
        "models/black-forest-labs/FLUX.1-dev/text_encoder_2",
        "models/black-forest-labs/FLUX.1-dev/ae.safetensors",
    ],
    torch_dtype=torch.bfloat16,
    device="cpu"
)
# 开启量化与显存管理
pipe = FluxImagePipeline.from_model_manager(model_manager, device="cuda")
pipe.enable_cpu_offload()
pipe.dit.quantize()

# 生图！
image = pipe(prompt="a beautiful girl", seed=0)
image.save("image.jpg")

原生精度推理（需要至少 40G 显存）

import torch
from modelscope import snapshot_download
from diffsynth import ModelManager, FluxImagePipeline

# 下载模型
snapshot_download(
    model_id="MAILAND/majicflus_v1",
    allow_file_pattern="majicflus_v134.safetensors",
    cache_dir="models"
)
snapshot_download(
    model_id="black-forest-labs/FLUX.1-dev",
    allow_file_pattern=["ae.safetensors", "text_encoder/model.safetensors", "text_encoder_2/*"],
    cache_dir="models"
)

# 加载模型
model_manager = ModelManager(
    torch_dtype=torch.bfloat16,
    device="cuda",
    file_path_list=[
        "models/black-forest-labs/FLUX.1-dev/text_encoder/model.safetensors",
        "models/black-forest-labs/FLUX.1-dev/text_encoder_2",
        "models/black-forest-labs/FLUX.1-dev/ae.safetensors",
        "models/MAILAND/majicflus_v1/majicflus_v134.safetensors",
    ]
)
pipe = FluxImagePipeline.from_model_manager(model_manager, device="cuda")

# 生图！
image = pipe(prompt="a beautiful girl", seed=0)
image.save("image.jpg")

5.2 KiB Raw Blame History Unescape Escape