5分钟完成Erasing Concepts from Diffusion ModelsESD环境安装零基础完整教程【免费下载链接】erasingErasing Concepts from Diffusion Models项目地址: https://gitcode.com/gh_mirrors/er/erasingErasing Concepts from Diffusion Models简称 ESD是一款基于 PyTorch 与 Diffusers 的开源 AI 工具通过微调扩散模型权重可以从 Stable Diffusion、SDXL、FLUX 等模型中精准擦除指定概念——无论是特定艺术风格、常见物体还是不宜出现的内容且几乎不影响模型的其它生成能力。本教程为零基础读者整理了一套最简 ESD 环境安装步骤全程约 5 分钟即可完成配置并带你跑通第一个概念擦除训练任务。ESD 是什么扩散模型概念擦除原理速览扩散模型Diffusion Model在训练时学习了大量图像与文本概念其中往往包含开发者不想要的风格或内容。ESD 的思路很简单用一个「冻结的原始模型」作为参照对目标概念对应的生成路径进行少量微调让模型学会「自己避开」这个概念而不是粗暴地删除权重。具体来说ESD 通过短文本描述引导优化过程利用条件分数与无条件分数的差值将生成结果逐步拉离待擦除概念。整个微调只需几百步迭代、单张 GPU 即可完成训练后的模型可以直接用于生成图片。它的代表性能力见下图ESD 当前支持四大模型家族全部通过统一训练核心驱动模型家族训练入口脚本适用训练方法Stable Diffusion V1.xesd_sd.pyesd-x / esd-u / esd-all 等SDXLesd_sdxl.pyesd-x / esd-x-strict 等FLUX.1-devesd_flux.pyesd-x / esd-x-strictFLUX.2 Kleinesd_flux2_klein.pyesd-x / esd-x-strict安装前的准备ESD 环境要求清单动手之前先对照检查你的机器是否满足基本要求项目推荐配置操作系统Linux / macOS / WindowsWSL 亦可Python3.14建议使用 Conda 管理GPUNVIDIA 显卡显存 ≥ 8GB训练 SD 更充裕磁盘空间预留 10GB模型权重 依赖包网络可访问 HuggingFace首次训练需下载基础模型5分钟完成 ESD 环境安装三个步骤官方安装流程非常精简只需「克隆源码 → 创建环境 → 安装依赖」三步。下面逐一说明。第 1 步克隆 ESD 项目源码在终端中执行以下命令把项目克隆到本地并进入目录git clone https://gitcode.com/gh_mirrors/er/erasing cd erasing第 2 步创建 Conda 虚拟环境创建独立的虚拟环境可以避免依赖冲突推荐使用 Condaconda create --name erasing python3.14 conda activate erasing第 3 步一键安装全部依赖项目已把依赖统一整理在根目录的requirements.txt中直接一条命令安装pip install -r requirements.txt如果你后续要训练 FLUX 系列模型建议再升级一次核心依赖pip install --upgrade diffusers transformers torch至此 ESD 环境安装已完成全程确实只需 5 分钟。项目训练核心逻辑统一放在utils/esd_trainer.py中SD / SDXL / FLUX 共用同一套 ESD Loss 实现内存占用较旧版降低近一半、速度提升 5-8 倍。验证安装是否成功进入项目目录后先做一个快速自检python -c import torch, diffusers, transformers; print(ESD环境安装成功) python esd_sd.py --help第一条命令确认核心依赖可用第二条命令会打印esd_sd.py的全部参数说明--erase_concept、--train_method、--iterations、--save_path等看到帮助信息即说明 ESD 环境安装一切正常。跑通第一个概念擦除训练以 Stable Diffusion 为例验证通过后就可以体验核心功能了。比如想从 Stable Diffusion 中擦除「梵高」的画风只需执行python esd_sd.py --erase_concept Van Gogh --train_method esd-x关键参数说明--erase_concept要擦除的概念必填如Van Gogh、monster--train_method训练方法必填如esd-x、esd-x-strict--iterations优化迭代次数默认 200--save_path模型保存目录默认esd-models/sd/--basemodel_id可指定任意兼容的 Diffusers 基础模型ESD 还有一个非常实用的新玩法——属性级擦除只移除某个概念的特定属性保留其余部分。例如把「牛仔」头上的帽子擦掉python esd_sd.py --erase_concept cowboy hat --erase_from cowboy --train_method esd-x用 Notebook 生成图片验证擦除效果训练完成后可以用项目自带的推理 Notebook 快速验证效果。以 SD 为例打开notebooks/esd_inference_sd.ipynb依次运行单元格即可加载训练好的模型并生成图片SDXL、FLUX、FLUX.2 Klein 也有对应的esd_inference_sdxl.ipynb与esd_inference_flux.ipynb等。需要批量生成评测图片时可使用官方评测脚本python evalscripts/generate-images.py --esd_path esd-models/sd/your-model.safetensors --prompts_path data/kelly_prompts.csv下图展示了 ESD 在艺术风格擦除上的实际表现对比原始 SD、ESD 方法与安全生成方案项目还提供了丰富的提示词数据集data/目录下的kelly_prompts.csv、coco_30k.csv、imagenet_prompts.csv等以及风格损失、LPIPS 等评估脚本evalscripts/styleloss.py、evalscripts/lpips_eval.py方便你量化评估擦除效果。常见问题与避坑指南显存不足降低--resolution或--batchsize训练统一使用torch.bfloat16精度必要时开启--gradient_checkpointing。模型下载太慢首次训练会自动下载基础模型如CompVis/stable-diffusion-v1-4建议提前配置好 HuggingFace 镜像或代理。FLUX 训练报错请务必先执行pip install --upgrade diffusers transformers torchFLUX.2 Klein 还需要较新的diffusers以支持Flux2KleinPipeline。训练效果不理想尝试esd-x-strict更严格的擦除方法或适当调整--iterations与--negative_guidance。在敏感内容擦除场景中ESD 的表现同样可以通过数据量化验证如下图的 NudeNet 评测结果所示各敏感部位暴露率显著下降结语下一步可以做什么到这里你已经完成了 ESD 环境安装并成功跑通了第一个概念擦除训练任务。接下来你可以尝试擦除更多艺术风格如Kelly Mckernan、训练 SDXL 专属模型esd_sdxl.py、体验 FLUX 系列训练或基于notebooks/中的模板搭建自己的评测流程。项目代码遵循 MIT 协议开源注意你使用的基础模型可能另有许可协议商用前请仔细阅读模型授权说明。【免费下载链接】erasingErasing Concepts from Diffusion Models项目地址: https://gitcode.com/gh_mirrors/er/erasing创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考