Diffusers

• FLUX
  • 模型介绍
  • 微调
    • 环境搭建
    • 微调
    • 性能
  • 推理
    • 环境搭建及运行
    • 性能
  • 环境变量声明
• 引用
  • 公网地址说明

FLUX-Kontext

模型介绍

FLUX.1-Kontext-dev 是基于FLUX，当前先进的上下文图像生成与编辑技术的生成模型，它可以结合文本与图像，实现精确、连贯的生成效果。

版本说明

参考实现

url=https://github.com/huggingface/diffusers
commit_id=c222570a9b47901266fecf34222f540870c3bb1b

变更记录

2025.09.08：首次发布Flux-Kontext

微调

环境搭建

【模型开发时推荐使用配套的环境版本】

请参考安装指南

1. 软件与驱动安装

   # 安装 torch 和 torch_npu，参考上述安装指南进行安装
   
   # 将shell脚本中的环境变量路径修改为真实路径，下面为参考路径
   source /usr/local/Ascend/ascend-toolkit/set_env.sh
   

2. 克隆仓库到本地服务器

   git clone --branch 2.2.0 https://gitcode.com/Ascend/MindSpeed-MM.git
   

3. 模型搭建

   3.1 【下载 FLUX-Kontext GitHub参考实现 在模型根目录下执行以下命令，安装模型对应PyTorch版本需要的依赖】

   git clone https://github.com/huggingface/diffusers.git
   cd diffusers
   git checkout c222570
   cp -r ../MindSpeed-MM/examples/diffusers/flux-kontext/* ./examples/dreambooth
   cp ../MindSpeed-MM/sources/images/flux_cat.png ./examples/dreambooth
   

   【主要代码路径】

   code_path=examples/dreambooth/
   

   3.2【安装其余依赖库】

   pip install -e .
   pip install -r examples/dreambooth/mm_requirements_kontext.txt # 安装对应依赖
   

微调

1. 【准备微调数据集】

   • 用户需自行获取并解压kontext-community/relighting数据集，并在以下启动shell脚本中将dataset_name参数设置为本地数据集的绝对路径

   dataset_name="kontext-community/relighting" # 数据集路径
   

   • kontext-community/relighting数据集格式如下:

   relighting
   ├── .gitattributes
   ├── README.MD
   └── data
         └── train-00000-of-00001.parquet
   

2. 【配置 FLUX 微调脚本】

   联网情况下，微调模型可通过以下步骤下载。无网络时，用户可访问huggingface官网自行下载FLUX.1-Kontext-dev模型 model_name模型

   export model_name="black-forest-labs/FLUX.1-Kontext-dev" # 预训练模型路径
   

   获取对应的微调模型后，在以下shell启动微调脚本中将model_name参数设置为本地预训练模型绝对路径

   model_name="black-forest-labs/FLUX.1-Kontext-dev" # 预训练模型路径
   batch_size=2
   max_train_steps=5000
   mixed_precision="bf16" # 混精
   resolution=1024
   config_file="bf16_accelerate_config.yaml"
   
   # accelerate launch --config_file ${config_file} \ 目录下
   --dataloader_num_workers=0 \ # 请基于系统配置与数据大小进行调整num workers
   

3. 【修改代码文件】

   1. 打开train_dreambooth_lora_flux_kontext.py文件

      cd examples/dreambooth/ # 从diffusers目录进入dreambooth目录
      vim train_dreambooth_lora_flux_kontext.py # 进入Python文件
      

      • 在import栏if is_wandb_available():上方（71行附近添加代码）

      # 添加代码到train_dreambooth_lora_flux_kontext.py 71行附近
      from transformer_patches import apply_patches
      apply_patches()
      
      if is_wandb_available(): # 原代码
        import wandb
      

      • 在train_dataloader前修改batch_sample,将数据集drop_last修改为False在1645行附近

      # 修改drop_last为False：
      batch_sampler = BucketBatchSampler(train_dataset, batch_size=args.train_batch_size, drop_last=False)
      # batch_sampler = BucketBatchSampler(train_dataset, batch_size=args.train_batch_size, drop_last=True) # 原代码
      

   2. 【Optional】Ubuntu系统需在1701行附近 添加 accelerator.print("")

      if global_step >= args.max_train_steps: # 原代码
        break
      accelerator.print("") # 添加
      

   3. 【Optional】多机运行

      修改config文件

      vim bf16_accelerate_config.yaml
      

      将文件中的deepspeed_multinode_launcher, main_process_ip, 以及main_process_port消除注释而进行使用。

          zero_stage: 2
        #  deepspeed_multinode_launcher: standard
        # main_process_ip: localhost  # 主节点IP
        # main_process_port: 6000     # 主节点port
        machine_rank: 0             # 当前机器的rank
        num_machines: 1             # 总共的机器数
        num_processes: 8            # 总共的卡数
      

      如运行双机：

      • 将两台机器的yaml文件的main_process_ip与main_process_port设置成一样的主节点与port
      • 一台节点machine_rank: 0，另一台machine_rank: 1
      • 两台机器均设置num_machines: 2，num_processes: 16

4. 【启动 FLUX-Kontext LoRA微调脚本】

   本任务主要提供train_dreambooth_lora_flux_kontext微调脚本，支持多卡训练。

   启动微调脚本

   bash finetune_kontext_dreambooth_lora_deepspeed_bf16.sh 
   

性能

吞吐

FLUX 在 昇腾芯片 和 参考芯片 上的性能对比：

芯片	卡数	任务	FPS	batch_size	AMP_Type	Resolution	deepspeed
Atlas 900 A2 PODc	8p	Flux-Kontext LoRA微调	1.97	2	bf16	1024	✔
竞品A	8p	Flux-Kontext LoRA微调	2.00	2	bf16	1024	✔

推理

环境搭建及运行

同微调对应章节

cd examples/dreambooth/ # 从diffusers目录进入dreambooth目录

【FLUX模型推理】

vim infer_kontext_text2img_bf16.py # 进入运行推理的Python文件

1. 修改路径

   MODEL_PATH = "black-forest-labs/FLUX.1-Kontext-dev"  # FLUX模型路径
   

2. 运行代码

   python infer_kontext_text2img_bf16.py
   

【lora微调FLUX模型推理】

vim infer_kontext_text2img_lora_bf16.py

1. 修改路径

   MODEL_PATH = "black-forest-labs/FLUX.1-Kontext-dev"  # Flux 模型路径
   LORA_WEIGHTS = "./logs/pytorch_lora_weights.safetensors"  # LoRA权重路径
   

2. 运行代码

   python infer_kontext_text2img_lora_bf16.py
   

性能

芯片	卡数	任务	E2E（it/s）	AMP_Type	Torch_Version
Atlas 900 A2 PODc	8p	LoRA文生图	1.04	bf16	2.7.1
竞品A	8p	LoRA文生图	1.04	bf16	2.7.1

环境变量声明

环境变量	描述	取值说明
ASCEND_SLOG_PRINT_TO_STDOUT	是否开启日志打印	0: 关闭日志打屏 1: 开启日志打屏
ASCEND_GLOBAL_LOG_LEVEL	设置应用类日志的日志级别及各模块日志级别，仅支持调试日志	0: 对应DEBUG级别 1: 对应INFO级别 2: 对应WARNING级别 3: 对应ERROR级别 4: 对应NULL级别，不输出日志
TASK_QUEUE_ENABLE	用于控制开启task_queue算子下发队列优化的等级	0: 关闭 1: 开启Level 1优化 2: 开启Level 2优化
COMBINED_ENABLE	设置combined标志。设置为0表示关闭此功能；设置为1表示开启，用于优化非连续两个算子组合类场景	0: 关闭 1: 开启
CPU_AFFINITY_CONF	控制CPU端算子任务的处理器亲和性，即设定任务绑核	设置0或未设置: 表示不启用绑核功能 1: 表示开启粗粒度绑核 2: 表示开启细粒度绑核
HCCL_CONNECT_TIMEOUT	用于限制不同设备之间socket建链过程的超时等待时间	需要配置为整数，取值范围[120,7200]，默认值为120，单位s
PYTORCH_NPU_ALLOC_CONF	控制缓存分配器行为	expandable_segments:<value>: 使能内存池扩展段功能，即虚拟内存特征
HCCL_EXEC_TIMEOUT	控制设备间执行时同步等待的时间，在该配置时间内各设备进程等待其他设备执行通信同步	需要配置为整数，取值范围[68,17340]，默认值为1800，单位s
ACLNN_CACHE_LIMIT	配置单算子执行API在Host侧缓存的算子信息条目个数	需要配置为整数，取值范围[1, 10,000,000]，默认值为10000
TOKENIZERS_PARALLELISM	用于控制Hugging Face的transformers库中的分词器（tokenizer）在多线程环境下的行为	False: 禁用并行分词 True: 开启并行分词
OMP_NUM_THREADS	设置执行期间使用的线程数	需要配置为整数

引用

公网地址说明

代码涉及公网地址参考 公网地址