File size: 4,230 Bytes
5adaf2e | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 | """
Скрипт для конвертации модели Qwen из safetensors в формат diffusers
"""
import torch
import os
from diffusers import DiffusionPipeline
from safetensors.torch import load_file
from huggingface_hub import HfApi, create_repo
# Параметры
SAFETENSORS_PATH = r"D:\swarm_Comfy\SwarmUI_Model_Downloader_v82\SwarmUI\Models\unet\QwenSolobandModel\Qwen_Soloband_Model_V1-000140.safetensors"
BASE_MODEL = "Qwen/Qwen-Image"
OUTPUT_DIR = "./qwen_soloband_diffusers"
HF_REPO = "Gerchegg/Qwen-Soloband-Diffusers"
HF_TOKEN = os.environ.get("HF_TOKEN", "hf_YOUR_TOKEN_HERE") # Замените на ваш токен
def convert_safetensors_to_diffusers():
"""
Конвертация safetensors модели в формат diffusers
"""
print("Загрузка базовой модели Qwen-Image...")
# Загружаем базовую модель со всеми компонентами
pipeline = DiffusionPipeline.from_pretrained(
BASE_MODEL,
torch_dtype=torch.bfloat16
)
print(f"Загрузка весов из safetensors: {SAFETENSORS_PATH}")
# Загружаем веса из safetensors
state_dict = load_file(SAFETENSORS_PATH)
print("Загрузка весов в transformer...")
# Загружаем веса в transformer компонент
# Qwen-Image использует DiT (Diffusion Transformer)
if hasattr(pipeline, 'transformer'):
# Фильтруем ключи, которые относятся к transformer
transformer_state_dict = {}
for key, value in state_dict.items():
# Убираем префиксы если есть
new_key = key.replace("model.", "").replace("diffusion_model.", "")
transformer_state_dict[new_key] = value
# Загружаем веса
missing_keys, unexpected_keys = pipeline.transformer.load_state_dict(
transformer_state_dict,
strict=False
)
if missing_keys:
print(f"Предупреждение: отсутствующие ключи: {missing_keys[:5]}...")
if unexpected_keys:
print(f"Предупреждение: неожиданные ключи: {unexpected_keys[:5]}...")
print(f"Сохранение модели в формате diffusers: {OUTPUT_DIR}")
# Сохраняем в формате diffusers
pipeline.save_pretrained(OUTPUT_DIR)
print("Конвертация завершена!")
return OUTPUT_DIR
def upload_to_huggingface(model_dir, repo_id, token):
"""
Загрузка модели в HuggingFace Hub
"""
print(f"Создание/проверка репозитория: {repo_id}")
api = HfApi()
try:
# Создаем репозиторий если не существует
create_repo(
repo_id=repo_id,
token=token,
exist_ok=True,
repo_type="model"
)
print("Репозиторий готов")
except Exception as e:
print(f"Репозиторий уже существует или ошибка: {e}")
print("Загрузка файлов модели...")
# Загружаем все файлы из директории
api.upload_folder(
folder_path=model_dir,
repo_id=repo_id,
token=token,
repo_type="model"
)
print(f"Модель успешно загружена в {repo_id}!")
print(f"Ссылка: https://huggingface.co/{repo_id}")
if __name__ == "__main__":
# Конвертируем модель
output_dir = convert_safetensors_to_diffusers()
# Спрашиваем пользователя, загружать ли в HF
upload = input("\nЗагрузить модель в HuggingFace Hub? (y/n): ")
if upload.lower() == 'y':
upload_to_huggingface(output_dir, HF_REPO, HF_TOKEN)
else:
print(f"Модель сохранена локально в: {output_dir}")
|