企业官网建设流程全解析

如何做 emilianJR/chilloutmix_NiPrunedFp32Fix 的模型格式转换：PyTorch 转 ONNX 与 Safetensors 快速指南

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

emilianJR/chilloutmix_NiPrunedFp32Fix 是一个基于 Stable Diffusion 生态的文本生成图像模型，本文聚焦它的模型格式转换：把默认的 PyTorch 权重改成 ONNX 或 Safetensors 两种常见形态。无论你是要接入跨平台推理引擎，还是想获得更安全、更快的权重加载方式，都能在这里找到现成的做法。整个流程只有三步——克隆仓库、跑脚本、生成一张图验证，新手也能照着做。

读懂模型结构与三种权重格式

这个模型采用标准的 Stable Diffusion Pipeline 架构，model_index.json 是总文件，定义了每个组件的名称、类型和所在目录。真正占体积的是三个权重目录：

• text_encoder/：文本编码器，把提示词变成模型能理解的语义向量，权重文件为pytorch_model.bin
• unet/：核心扩散网络，真正负责"画图"，权重文件为diffusion_pytorch_model.bin
• vae/：VAE（变分自编码器），把潜空间结果还原成最终像素图，同样以diffusion_pytorch_model.bin存放

每个组件的具体网络结构由所在目录的config.json描述，比如 unet/config.json 里能看到通道数、残差块类型等参数。

三种格式各自适合干什么，一句话就能分清：

• PyTorch（.bin）：仓库原始形态，微调、训练生态兼容性最好
• ONNX：跨平台推理用的通用格式，非 PyTorch 推理引擎和各类优化工具都能消费
• Safetensors：只存权重数据的现代格式，加载时不执行任意代码，更安全、读取也更快

把 UNet 转成 ONNX：跨平台部署怎么做

当推理环境不在 PyTorch 里（例如 ONNX Runtime、其他厂商的推理加速方案），或者你希望把网络导出成通用中间表示来优化性能时，就需要这一步。

环境准备与仓库克隆

先装齐四个依赖库，分别是 PyTorch、ONNX 工具包和模型加载用的 diffusers、transformers：

pip install torch onnx diffusers transformers

再把模型仓库拉到本地，后续脚本都在这份目录里运行：

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

导出脚本怎么写

下面这段代码做的事是：加载整个 pipeline（用safety_checker=None跳过安全检查器以省资源），构造一组假输入——潜空间采样、时间步、文本语义向量——再调用torch.onnx.export把 UNet 导出为unet.onnx：

from diffusers import StableDiffusionPipeline import torch # 加载模型 pipe = StableDiffusionPipeline.from_pretrained( "./", torch_dtype=torch.float32, safety_checker=None ) # 导出UNet模型为ONNX格式 unet = pipe.unet input_sample = torch.randn(1, 4, 64, 64) input_timestep = torch.tensor([1]) input_encoder_hidden_states = torch.randn(1, 77, 768) torch.onnx.export( unet, (input_sample, input_timestep, input_encoder_hidden_states), "unet.onnx", opset_version=14, do_constant_folding=True, )

跑完后当前目录会多出unet.onnx，直接拿去给推理端使用即可。

转成 Safetensors：更安全的权重存放方式

.bin格式依赖 Python 反序列化机制加载权重，理论上可被恶意构造的文件利用；Safetensors 则只保存张量本身，结构上杜绝了这个风险，读取速度还略占优势，所以生产环境普遍优先选它。

转换脚本怎么跑

先装转换库：

pip install safetensors

下面的代码把 UNet 和文本编码器两个权重文件依次读入，再以 safetensors 格式落盘，文件名保持原样，方便后续按需替换：

import torch from safetensors.torch import save_file # 转换UNet模型 unet_weights = torch.load("unet/diffusion_pytorch_model.bin") save_file(unet_weights, "unet/diffusion_pytorch_model.safetensors") # 转换文本编码器 text_encoder_weights = torch.load("text_encoder/pytorch_model.bin") save_file(text_encoder_weights, "text_encoder/pytorch_model.safetensors")

VAE 的转法完全相同，把路径换成vae/diffusion_pytorch_model.bin即可。

转换排坑指南 ⚠️

转换时内存不够怎么办

一次转换整个模型容易吃满显存/内存。两个办法：一是把精度降到torch.float16，内存占用直接减半；二是按组件拆开转——UNet、文本编码器、VAE 各跑一次，转完一个释放一个，互不干扰。

配置和权重对不上怎么办

转换前后的config.json必须保持同一份，不要拿别处不同版本的文件来替换。建议顺手核对 vae/config.json 等组件配置与权重是否出自同一次导出，再回看model_index.json确认各组件路径定义完整。

用一次生图验证转换结果 ✅

转换完别急着收工，跑一次最小推理最稳妥。下面这段代码重新加载本地模型并生成一张测试图，test_output.png能正常输出，就说明格式转换链路没问题：

from diffusers import StableDiffusionPipeline import torch # 加载转换后的模型 pipe = StableDiffusionPipeline.from_pretrained( "./", torch_dtype=torch.float32, safety_checker=None ) # 生成测试图像 image = pipe("a beautiful landscape").images[0] image.save("test_output.png")

小结

微调用 PyTorch、跨平台推理用 ONNX、生产环境存放用 Safetensors——认准场景选格式，照对应脚本执行即可。各组件的更多细节，随时翻看仓库里对应的 config 文件。

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