SD1.5&SDXL Diffusers框架基于DevServer适配PyTorch NPU推理指导（6.3.907）

方案概览

本方案介绍了在ModelArts的DevServer上使用昇腾计算资源部署Diffusers框架用于推理的详细过程。完成本方案的部署，需要先联系您所在企业的华为方技术支持购买DevServer资源。

本方案目前仅适用于企业客户。

资源规格要求

推理部署推荐使用“西南-贵阳一”Region上的DevServer资源和Ascend Snt9B单机单卡。

获取软件和镜像

Step1 准备环境

1. 请参考DevServer资源开通，购买DevServer资源，并确保机器已开通，密码已获取，能通过SSH登录，不同机器之间网络互通。
   

   购买DevServer资源时如果无可选资源规格，需要联系华为云技术支持申请开通。

   当容器需要提供服务给多个用户，或者多个用户共享使用该容器时，应限制容器访问Openstack的管理地址（169.254.169.254），以防止容器获取宿主机的元数据。具体操作请参见禁止容器获取宿主机元数据。

2. 检查环境。
   1. SSH登录机器后，检查NPU设备检查。运行如下命令，返回NPU设备信息。

      npu-smi info

      如出现错误，可能是机器上的NPU设备没有正常安装，或者NPU镜像被其他容器挂载。请先正常安装固件和驱动，或释放被挂载的NPU。

   2. 检查docker是否安装。

      docker -v   #检查docker是否安装

      如尚未安装，运行以下命令安装docker。

      yum install -y docker-engine.aarch64 docker-engine-selinux.noarch docker-runc.aarch64

   3. 配置IP转发，用于容器内的网络访问。执行以下命令查看net.ipv4.ip_forward配置项的值，如果为1，可跳过此步骤。

      sysctl -p | grep net.ipv4.ip_forward

      如果net.ipv4.ip_forward配置项的值不为1，执行以下命令配置IP转发。

      sed -i 's/net\.ipv4\.ip_forward=0/net\.ipv4\.ip_forward=1/g' /etc/sysctl.conf 
      sysctl -p | grep net.ipv4.ip_forward

3. 获取基础镜像。建议使用官方提供的镜像部署推理服务。镜像地址{image_url}参见表1。

   docker pull {image_url}

4. 启动容器镜像。启动前请先按照参数说明修改${}中的参数。可以根据实际需要增加修改参数。

   docker run -itd \
   --name sdxl-diffusers \
   -v /sys/fs/cgroup:/sys/fs/cgroup:ro \
   -p 8443:8443 \
   -v /etc/localtime:/etc/localtime \
   -v /usr/local/Ascend/driver:/usr/local/Ascend/driver \
   -v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi \
   --shm-size 60g \
   --device=/dev/davinci_manager \
   --device=/dev/hisi_hdc \
   --device=/dev/devmm_svm \
   --device=/dev/davinci3 \
   --network=bridge \
   ${image_name} bash

   参数说明：

   • --name ${container_name} 容器名称，进入容器时会用到，此处可以自己定义一个容器名称，例如sdxl-diffusers。
   • --device=/dev/davinci3：挂载主机的/dev/davinci3到容器的/dev/davinci3。可以使用npu-smi info查看空闲卡号，修改davinci后数字可以更改挂载卡。
   • ${image_name} 代表 ${image_name}。
5. 进入容器。需要将${container_name}替换为实际的容器名称，例如：sdxl-diffusers。

   docker exec -it ${container_name} bash

Step2 安装依赖和模型包

1. 安装Diffusers相关依赖。

   pip install -i https://pypi.tuna.tsinghua.edu.cn/simple diffusers bottle invisible_watermark transformers accelerate safetensors

2. 获取SDXL模型包并解压到/home/ma-user目录下。提供2种模型包下载方式。
   • 模型包直接下载（如果不能访问HuggingFace官网，推荐此方式）
     下载到容器/home/ma-user目录下后，解压。

     cd  /home/ma-user/ 
     wget https://llm-mindspore.obs.cn-southwest-2.myhuaweicloud.com/ascend-poc/stable-diffusion-xl-model.tar.gz
     tar -zxvf stable-diffusion-xl-model.tar.gz 
     rm -rf stable-diffusion-xl-model.tar.gz

   • 也可以从HuggingFace官网下载到本地后，通过docker cp命令复制到容器中/home/ma-user目录下，如下图所示。

     在线下载地址：

     https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/tree/main

     https://huggingface.co/stabilityai/stable-diffusion-xl-refiner-1.0/tree/main

     由于本实例采用的都是FP16的模型，相应模型建议都只下载FP16的，节约下载和传送时间。

     图1 下载SDXL模型包并解压
     
3. 获取controlnet模型包并解压到/home/ma-user目录下。提供2种模型包下载方式。
   • 模型包直接下载（如果不能访问HuggingFace官网，推荐此方式）
     下载到容器/home/ma-user目录下后，解压。

     cd  /home/ma-user/ 
     wget https://llm-mindspore.obs.cn-southwest-2.myhuaweicloud.com/ascend-poc/controlnet_canny.zip
     unzip controlnet_canny.zip

   • 也可以从HuggingFace官网下载到本地后，通过docker cp命令复制到容器中/home/ma-user目录下。

     在线下载地址：https://huggingface.co/diffusers/controlnet-canny-sdxl-1.0/tree/main

     图2 下载controlnet模型包并解压
     
4. 安装插件代码包。
   1. 将获取到的插件代码包AscendCloud-AIGC-6.3.907-xxx.zip文件上传到容器的/home/ma-user/temp目录下，并解压。

      cd /home/ma-user/temp
      -
      unzip AscendCloud-AIGC-6.3.907-xxx.zip #解压

   2. 将获取到的ascendcloud-aigc-extensions-diffusers.tar.gz包复制到/home/ma-user下后解压。

      docker cp ascendcloud-aigc-extensions-diffusers.tar.gz sdxl-diffusers:/home/ma-user/
      tar -zxvf ascendcloud-aigc-extensions-diffusers.tar.gz

Step3 运行并验证SDXL模型

1. 首先在容器中运行命令。

   source /usr/local/Ascend/ascend-toolkit/set_env.sh

2. 在/home/ma-user目录下已经存在infer_server.py脚本文件，启动infer_server.py命令如下。

   python infer_server.py

   图3 启动脚本
   
3. 在宿主机上另外打开一个终端，使用curl命令发送请求。完整的请求参数请参考表2。

   curl -kv -X POST localhost:8443/ -H "Content-Type: application/json" -d '{"prompt":"ultrarealistic shot of a furry blue bird"}'

   服务端打印如下信息，表示发送请求成功。

   图4 发送请求
   

   客户端返回图像的base64编码。

   图5 图像的base64编码
   
4. 将客户端返回的base64编码转换为图片。

   from PIL import Image 
   from io import BytesIO 
   import base64  
   
   def base64_to_image(base64_str):
       image = base64.b64decode(base64_str, altchars=None, validate=False)
       image = BytesIO(image)
       image = Image.open(image)
       image.save(“./out_put_image.png”)

Step4 运行并验证带controlnet的模型

1. 首先下载一个默认输入文件。

   https://huggingface.co/lllyasviel/sd-controlnet-canny/blob/main/images/bird_canny.png

2. 文件下载后重命名为canny_input_bird.png，然后复制到容器/home/ma-user目录下，在宿主机上的执行命令如下。

   mv bird_canny.png canny_input_bird.png 
   chmod 777 canny_input_bird.png 
   docker cp canny_input_bird.png sdxl-diffusers:/home/ma-user/

3. 在/home/ma-user目录下已经存在infer_server_with_controlnet.py脚本文件，运行带controlnet的sdxl，运行命令如下。

   python infer_server_with_controlnet.py

4. 在宿主机上另外打开一个终端，使用curl命令发送请求。完整的请求参数请参考表2。

   curl -kv -X POST localhost:8443/ -H "Content-Type: application/json" -d '{"prompt":"ultrarealistic shot of a furry blue bird"}'

   服务端打印如下信息，表示发送请求成功。

   带controlnet时，可以读取本地图片得到输入参数。

   from diffusers.utils import load_image 
   from io import BytesIO 
   import base64  
   
   def image_to_base64(img_path):
       image = load_image(img_path)
       buffered = BytesIO()
       image.save(buffered, format="PNG")
       return base64.b64encode(buffered.getvalue())

附录1：请求参数表

使用curl命令发送请求的请求参数表如下。