AI 그림 생성기

📌 질문 요약

• 목적 : AI 그림 생성기에 사용할 가성비 좋은 모델
• 조건 : GPU 없이 CPU만으로 동작 (가능하면 가벼운 양자화 모델)
• 플랫폼 : Hugging Face

1️⃣ 추천 모델 리스트 (Hugging Face)

- 8‑bit/4‑bit 양자화는 메모리 사용량을 4~8배 줄여 CPU에서도 실용적으로 만들 수 있습니다.
- ldm-text2im-large-256은 해상도가 낮지만, 초당 1~2 이미지 수준으로 빠르게 돌릴 수 있어 비용 효율이 가장 높습니다.

2️⃣ 환경 설정 (필수 패키지)

# 기본 패키지
pip install torch==2.3.0 torchvision==0.18.0 --extra-index-url https://download.pytorch.org/whl/cpu
pip install diffusers[torch]==0.27.2 transformers accelerate

# 양자화용 bitsandbytes (CPU에서도 작동)
pip install bitsandbytes==0.43.1

Tip: torch 를 cpu 전용 버전으로 설치하면 GPU 드라이버와 충돌을 방지할 수 있습니다.

3️⃣ 코드 예시 – 8‑bit Stable Diffusion 2.1 (CPU)

import torch
from diffusers import StableDiffusionPipeline
from bitsandbytes import BitsAndBytesConfig

# 8‑bit 양자화 옵션
bnb_cfg = BitsAndBytesConfig(
    load_in_8bit=True,               # 8‑bit 로드
    bnb_8bit_use_double_quant=True,  # 양자화 정확도 향상
    bnb_8bit_compute_dtype=torch.float32
)

# 모델 다운로드 & 로드 (CPU)
pipe = StableDiffusionPipeline.from_pretrained(
    "stabilityai/stable-diffusion-2-1-base",
    torch_dtype=torch.float32,
    revision="fp16",                 # fp16 체크포인트(로드 시 자동 변환)
    quantization_config=bnb_cfg,
   _checker=None,            # 필요 없으면 비활성화
)
pipe = pipe.to("cpu")

# 간단한 텍스트‑투‑이미지
prompt = "a futuristic cityscape at sunset, highly detailed, digital art"
image = pipe(prompt, num_inference_steps=30, guidance_scale=7.5).images[0]

# 결과 저장
image.save("result_sd2_1_8bit.png")
print("이미지 저장 완료!")

• num_inference_steps=30 기준 ≈ 35 초
• 8‑bit 로드 시 메모리 사용량 ≈ 3.2 GB

4️⃣ 코드 예시 – 4‑bit Stable Diffusion 1.5 (CPU)

from diffusers import StableDiffusionPipeline
from bitsandbytes import BitsAndBytesConfig
import torch

bnb_cfg = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_compute_dtype=torch.float32,
    bnb_4bit_use_double_quant=True,
)

pipe = StableDiffusionPipeline.from_pretrained(
    "runwayml/stable-diffusion-v1-5",
    torch_dtype=torch.float32,
    quantization_config=bnb_cfg,
    safety_checker=None,
)
pipe = pipe.to("cpu")

prompt = "portrait of a cyberpunk girl, neon lights, ultra realistic"
image = pipe(prompt, num_inference_steps=25, guidance_scale=8.0).images[0]
image.save("result_sd1_5_4bit.png")

• 메모리: ~2 GB
• 시간: 25 step 기준 ≈ 28 초

5️⃣ 코드 예시 – Latent Diffusion (256×256) (CPU)

from diffusers import StableDiffusionPipeline
import torch

pipe = StableDiffusionPipeline.from_pretrained(
    "CompVis/ldm-text2im-large-256",
    torch_dtype=torch.float32,
    safety_checker=None,
)
pipe = pipe.to("cpu")

prompt = "a cute cartoon fox wearing a wizard hat"
image = pipe(prompt, height=256, width=256, num_inference_steps=20).images[0]
image.save("result_ldm_256.png")

• 메모리: 1.2 GB 이하
• 시간: 20 step 기준 ≈ 15 초

6️⃣ 성능 최적화 팁 (CPU 전용)

import torch
torch.set_num_threads(12)   # 사용 중인 CPU 코어 수에 맞게 조정

7️⃣ 마무리 정리

1. 가장 가성비 좋은 선택 : stabilityai/stable-diffusion-2-1-base 를 8‑bit 양자화해서 사용 → 메모리 3 GB, 30 초 내 1 이미지 생성.
2. 더 작은 모델이 필요하면 CompVis/ldm-text2im-large-256 (256×256) 가 1 GB 이하 메모리와 15 초 정도로 가장 빠름.
3. 양자화(8‑bit/4‑bit)와 bitsandbytes 를 활용하면 GPU 없이도 실용적인 품질을 얻을 수 있습니다.

알려줄래?