企业官网建设流程全解析

chilloutmix_NiPrunedFp32Fix 模型转换：PyTorch、ONNX、Safetensors 互转一次搞定

【免费下载链接】chilloutmix_NiPrunedFp32Fix项目地址: https://ai.gitcode.com/hf_mirrors/emilianJR/chilloutmix_NiPrunedFp32Fix

chilloutmix_NiPrunedFp32Fix 仓库里的 .bin 权重无法被部分推理框架与安全加载平台直接读取。本文给出 chilloutmix_NiPrunedFp32Fix 模型转换的完整实操流程：PyTorch 转 ONNX、bin 转 safetensors，以及转换后怎么验证。

格式速决：先定 SD 模型格式转换的目标

动手前先看这张表，确定你要的是哪个格式，再往下找到对应章节：

一句话决策：部署目标是 ONNX Runtime 就转 ONNX；只想把 .bin 换成安全格式就转 safetensors。

环境准备：依赖与仓库一次装好

🚀 所有依赖集中在这一条命令里，后面各节不再重复：

pip install torch onnx diffusers transformers safetensors

把仓库拉到本地，转换全程在模型目录内操作：

git clone https://gitcode.com/hf_mirrors/emilianJR/chilloutmix_NiPrunedFp32Fix cd chilloutmix_NiPrunedFp32Fix

仓库是 Stable Diffusion Pipeline 架构，核心组件目录和权重文件名如下，后面转换脚本会用到：

PyTorch 转 ONNX：用 torch.onnx.export 导出 unet

这一步在做什么：StableDiffusionPipeline.from_pretrained从仓库加载整条管线，然后用假输入"回放"一次 UNet 的前向计算，torch.onnx.export把计算图记录成 .onnx 文件。UNet 的输入形状在 config.json 里写死了（64×64 潜变量、77×768 文本特征），假输入必须按这个形状构造。

import torch from diffusers import StableDiffusionPipeline pipe = StableDiffusionPipeline.from_pretrained( "./chilloutmix_NiPrunedFp32Fix", # 改成你的模型目录路径 torch_dtype=torch.float32, safety_checker=None, ) sample = torch.randn(1, 4, 64, 64) # 潜变量：64x64，对应 unet config 的 sample_size encoder_hidden_states = torch.randn(1, 77, 768) # 文本特征：77 为 CLIP 最大词数，768 为隐藏层维度 timestep = torch.tensor([1]) torch.onnx.export( pipe.unet, (sample, timestep, encoder_hidden_states), "unet.onnx", # 输出路径，可自定义 opset_version=14, # ONNX 算子集版本：推理端版本旧就调低，新就调高 do_constant_folding=True, )

需要你按环境修改的只有三处：第一处加载路径、opset_version、输出文件名。导出完成且文件体积与 unet 权重同量级，即视为导出成功。

bin 转 safetensors：三个组件三步转完

这一步在做什么：用torch.load原样读出权重字典，再用safetensors.torch.save_file写回磁盘——不改结构、不重训练，属于无损换容器。三个 .bin 各转一次即可。

import torch from safetensors.torch import save_file pairs = [ ("text_encoder/pytorch_model.bin", "text_encoder/pytorch_model.safetensors"), ("unet/diffusion_pytorch_model.bin", "unet/diffusion_pytorch_model.safetensors"), ("vae/diffusion_pytorch_model.bin", "vae/diffusion_pytorch_model.safetensors"), ] for src, dst in pairs: state_dict = torch.load(src, map_location="cpu") # 放 CPU 上读，避免显存爆掉 save_file(state_dict, dst)

需要你按环境修改的：pairs里只保留你目录中真实存在的 .bin 路径，只转部分组件就删掉对应行。各目录下的 config.json 保持原样、与权重放在同一目录，不需要任何改动。

转换后怎么验证：跑一张测试图

diffusers 能直接加载 safetensors，所以最省事的验证是用转换后的目录跑一次文本生图。判定标准：

• ✅ 成功：正常生成 test_output.png，画面有内容、无大面积灰块或噪点。
• 失败：抛形状不匹配、权重缺失等异常，或输出纯黑/纯灰图——说明权重与配置没对上，去下面排错。

from diffusers import StableDiffusionPipeline import torch pipe = StableDiffusionPipeline.from_pretrained( "./chilloutmix_NiPrunedFp32Fix", # 指向已转换的模型目录 torch_dtype=torch.float32, safety_checker=None, ) image = pipe("a beautiful landscape").images[0] image.save("test_output.png")

注意 ONNX 的验证方式不同：StableDiffusionPipeline 不认 .onnx 文件，它的通过标准是导出过程无报错、文件体积与 unet 原始权重同量级，再交给 ONNX Runtime 做推理测试。

排错速查：常见现象按"现象→原因→处理"对号入座

⚠️ 转换中途卡住时，先按下表定位，比从头排查快：

转完、验完，三种格式即可按各自场景直接投入使用。

【免费下载链接】chilloutmix_NiPrunedFp32Fix项目地址: https://ai.gitcode.com/hf_mirrors/emilianJR/chilloutmix_NiPrunedFp32Fix