chilloutmix 模型格式转换完整指南：3 步把 .bin 权重跑进 ONNX 或 Safetensors-平芜编程栈

chilloutmix 模型格式转换完整指南：3 步把 .bin 权重跑进 ONNX 或 Safetensors

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

chilloutmix_NiPrunedFp32Fix 是一个 Stable Diffusion 文生图模型，里面三个组件的权重都是 PyTorch 的 .bin 格式。如果你的目标环境只认 ONNX 或 Safetensors，那就得先做一次 chilloutmix 模型格式转换：要么 PyTorch 转 ONNX，要么 PyTorch 转 Safetensors。选好后照着步骤走就行，最容易踩的两个坑和自救方法我也会提前写出来。

🔍 先选格式再动手：三种格式各适合谁

先看看你手里有什么。这套模型由三个组件拼成：text_encoder/是 CLIP 文本编码器，负责把你的提示词变成数字；unet/是核心的去噪网络；vae/是潜空间解码器，负责还原出最终像素。每个目录下的config.json记录结构参数（通道数、层类型、隐层维度等），.bin文件则装着权重本身——config 是图纸，bin 是零件。

三种候选格式的差异：

PyTorch（.bin）：你原本就有的格式。微调、本地开发都靠它，生态最成熟，不急着部署就不用动。缺点是 .bin 走 pickle 序列化，理论上存在代码执行风险，不太适合把权重挂到公开平台。
ONNX：跨框架的中间表示（可以理解成"通用拼图说明书"），导出一次后就能在 ONNX Runtime 等非 PyTorch 运行时上跑，还能再喂给 TensorRT 这类优化工具，适合跨平台部署和推理加速。
Safetensors：装的内容和 .bin 一样（纯权重，没有计算图），但格式本身不允许执行代码，加载更安全，还支持内存映射、读取更快。生产环境和公开分发建议选它，理由就两条：安全、快。

一句话建议：部署到别的设备选 ONNX；要发布、要上生产选 Safetensors；还要继续微调就留着 .bin 别动。

⚙️ PyTorch 转 ONNX 实操：5 分钟导出 unet.onnx

ONNX 是按"单张计算图"导出的，这套模型里 UNet 分量最重，所以先拿它开刀。先装依赖、克隆仓库：

pip install torch onnx diffusers transformers git clone https://gitcode.com/hf_mirrors/emilianJR/chilloutmix_NiPrunedFp32Fix

再用 diffusers 加载、导出。注意下面三个示例输入的尺寸，必须和unet/config.json里的结构对得上：

from diffusers import StableDiffusionPipeline import torch pipe = StableDiffusionPipeline.from_pretrained( "./chilloutmix_NiPrunedFp32Fix", torch_dtype=torch.float32, safety_checker=None, # 检查器用不到，跳过省内存 ) unet = pipe.unet unet.eval() # 尺寸取自 config.json：输入 4 通道、64x64 潜空间；文本侧 77 个 token x 768 维 dummy_latents = torch.randn(1, 4, 64, 64) dummy_timestep = torch.tensor([10]) dummy_prompt = torch.randn(1, 77, 768) torch.onnx.export( unet, (dummy_latents, dummy_timestep, dummy_prompt), "unet.onnx", opset_version=14, # 算子集版本，14 对旧版运行时兼容性最好 do_constant_folding=True, # 把常量计算提前折进图里，推理更快 )

两个细节值得懂：opset_version是 ONNX 算子"词汇表"的版本号，越低支持的运行时越多，14 是稳妥值；do_constant_folding是常量折叠，意思是把导出时就能算死的部分直接算好塞进图里。跑完得到unet.onnx，文本编码器同理，把pipe.text_encoder和 token 输入传进去再导一遍即可。

⚡ PyTorch 转 Safetensors：一个循环转完三个组件

Safetensors 只换权重的"容器"，不碰结构，是三条路里最快的一条。装好库，循环写盘：

pip install safetensors

import torch from safetensors.torch import save_file pairs = [ ("unet/diffusion_pytorch_model.bin", "unet/diffusion_pytorch_model.safetensors"), ("text_encoder/pytorch_model.bin", "text_encoder/pytorch_model.safetensors"), ("vae/diffusion_pytorch_model.bin", "vae/diffusion_pytorch_model.safetensors"), ] for old, new in pairs: save_file(torch.load(old, map_location="cpu"), new)

map_location="cpu"这一手让权重直接进内存加载，不占显存，纯 CPU 的机器也不会翻车。.safetensors落盘后，diffusers 加载时会优先认它，之后既更快也更安全。

🚑 转换翻车自救：两类问题对症排查

内存不够时怎么转

UNet 的 .bin 有好几个 GB，导出时要同时持有原权重和新图，内存需求大致翻倍。三个办法：

加载时加torch_dtype=torch.float16，精度减半、内存减半，Safetensors 转换和快速验证场景够用；
ONNX 导出用 float32 更稳，内存吃紧就别硬扛，换台内存大的机器或临时加 swap；
不必整条 pipeline 一起加载，按组件单独转换，比如只加载 UNet 子目录，转完一个再转下一个。

配置不匹配：config.json 前后必须一致

原则只有一条：权重文件可以换，config.json不能动。转换前后的unet/、text_encoder/、vae/下的原始 config 保持原样——Safetensors 和 ONNX 改的只是权重的存放形式，结构参数一个字都不用变。谁要是顺手换过别的模型的 config，加载时就会报一串形状不匹配。另外看一眼model_index.json：你只转了部分组件的话，没转的组件要原封不动，文件里的指针不能悬空。

✅ 跑通验证才算完：验证模型是否转坏了

别看文件大小，看输出。转换完成后跑一次短推理：

from diffusers import StableDiffusionPipeline import torch pipe = StableDiffusionPipeline.from_pretrained( "./chilloutmix_NiPrunedFp32Fix", torch_dtype=torch.float16, safety_checker=None, ) img = pipe("anime girl walking through a rainy neon street, cinematic lighting").images[0] img.save("check_output.png")

图能出、人物风格符合这个模型的 chillout 质感，说明权重没被转坏。如果还导了 ONNX，再用 onnxruntime 做次轻校验：ort.InferenceSession("unet.onnx")能顺利建出会话不报错，图就是可用的。到这里，这次格式转换才算真正收尾。

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

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考