5分钟完成Erasing Concepts from Diffusion Models（ESD）环境安装：零基础完整教程

5分钟完成Erasing Concepts from Diffusion Models（ESD）环境安装：零基础完整教程

【免费下载链接】erasingErasing Concepts from Diffusion Models项目地址: https://gitcode.com/gh_mirrors/er/erasing

Erasing Concepts from Diffusion Models（简称 ESD）是一款基于 PyTorch 与 Diffusers 的开源 AI 工具，通过微调扩散模型权重，可以从 Stable Diffusion、SDXL、FLUX 等模型中精准擦除指定概念——无论是特定艺术风格、常见物体，还是不宜出现的内容，且几乎不影响模型的其它生成能力。本教程为零基础读者整理了一套最简 ESD 环境安装步骤，全程约 5 分钟即可完成配置，并带你跑通第一个概念擦除训练任务。

ESD 是什么？扩散模型概念擦除原理速览

扩散模型（Diffusion Model）在训练时学习了大量图像与文本概念，其中往往包含开发者不想要的风格或内容。ESD 的思路很简单：用一个「冻结的原始模型」作为参照，对目标概念对应的生成路径进行少量微调，让模型学会「自己避开」这个概念，而不是粗暴地删除权重。

具体来说，ESD 通过短文本描述引导优化过程，利用条件分数与无条件分数的差值，将生成结果逐步拉离待擦除概念。整个微调只需几百步迭代、单张 GPU 即可完成，训练后的模型可以直接用于生成图片。它的代表性能力见下图：

ESD 当前支持四大模型家族，全部通过统一训练核心驱动：

安装前的准备：ESD 环境要求清单

动手之前，先对照检查你的机器是否满足基本要求：

5分钟完成 ESD 环境安装：三个步骤

官方安装流程非常精简，只需「克隆源码 → 创建环境 → 安装依赖」三步。下面逐一说明。

第 1 步：克隆 ESD 项目源码

在终端中执行以下命令，把项目克隆到本地并进入目录：

git clone https://gitcode.com/gh_mirrors/er/erasing cd erasing

第 2 步：创建 Conda 虚拟环境

创建独立的虚拟环境可以避免依赖冲突，推荐使用 Conda：

conda create --name erasing python=3.14 conda activate erasing

第 3 步：一键安装全部依赖

项目已把依赖统一整理在根目录的requirements.txt中，直接一条命令安装：

pip install -r requirements.txt

如果你后续要训练 FLUX 系列模型，建议再升级一次核心依赖：

pip install --upgrade diffusers transformers torch

至此 ESD 环境安装已完成，全程确实只需 5 分钟。项目训练核心逻辑统一放在utils/esd_trainer.py中，SD / SDXL / FLUX 共用同一套 ESD Loss 实现，内存占用较旧版降低近一半、速度提升 5-8 倍。

验证安装是否成功

进入项目目录后，先做一个快速自检：

python -c "import torch, diffusers, transformers; print('ESD环境安装成功')" python esd_sd.py --help

第一条命令确认核心依赖可用；第二条命令会打印esd_sd.py的全部参数说明（--erase_concept、--train_method、--iterations、--save_path等），看到帮助信息即说明 ESD 环境安装一切正常。

跑通第一个概念擦除训练：以 Stable Diffusion 为例

验证通过后，就可以体验核心功能了。比如想从 Stable Diffusion 中擦除「梵高」的画风，只需执行：

python esd_sd.py --erase_concept 'Van Gogh' --train_method 'esd-x'

关键参数说明：

• --erase_concept：要擦除的概念（必填），如'Van Gogh'、'monster'
• --train_method：训练方法（必填），如esd-x、esd-x-strict
• --iterations：优化迭代次数，默认 200
• --save_path：模型保存目录，默认esd-models/sd/
• --basemodel_id：可指定任意兼容的 Diffusers 基础模型

ESD 还有一个非常实用的新玩法——属性级擦除：只移除某个概念的特定属性，保留其余部分。例如把「牛仔」头上的帽子擦掉：

python esd_sd.py --erase_concept 'cowboy hat' --erase_from 'cowboy' --train_method 'esd-x'

用 Notebook 生成图片验证擦除效果

训练完成后，可以用项目自带的推理 Notebook 快速验证效果。以 SD 为例，打开notebooks/esd_inference_sd.ipynb，依次运行单元格即可加载训练好的模型并生成图片；SDXL、FLUX、FLUX.2 Klein 也有对应的esd_inference_sdxl.ipynb与esd_inference_flux.ipynb等。

需要批量生成评测图片时，可使用官方评测脚本：

python evalscripts/generate-images.py --esd_path esd-models/sd/your-model.safetensors --prompts_path data/kelly_prompts.csv

下图展示了 ESD 在艺术风格擦除上的实际表现（对比原始 SD、ESD 方法与安全生成方案）：

项目还提供了丰富的提示词数据集（data/目录下的kelly_prompts.csv、coco_30k.csv、imagenet_prompts.csv等），以及风格损失、LPIPS 等评估脚本（evalscripts/styleloss.py、evalscripts/lpips_eval.py），方便你量化评估擦除效果。

常见问题与避坑指南

• 显存不足？降低--resolution或--batchsize，训练统一使用torch.bfloat16精度，必要时开启--gradient_checkpointing。
• 模型下载太慢？首次训练会自动下载基础模型（如CompVis/stable-diffusion-v1-4），建议提前配置好 HuggingFace 镜像或代理。
• FLUX 训练报错？请务必先执行pip install --upgrade diffusers transformers torch，FLUX.2 Klein 还需要较新的diffusers以支持Flux2KleinPipeline。
• 训练效果不理想？尝试esd-x-strict更严格的擦除方法，或适当调整--iterations与--negative_guidance。

在敏感内容擦除场景中，ESD 的表现同样可以通过数据量化验证，如下图的 NudeNet 评测结果所示，各敏感部位暴露率显著下降：

结语：下一步可以做什么

到这里，你已经完成了 ESD 环境安装，并成功跑通了第一个概念擦除训练任务。接下来你可以尝试：擦除更多艺术风格（如'Kelly Mckernan'）、训练 SDXL 专属模型（esd_sdxl.py）、体验 FLUX 系列训练，或基于notebooks/中的模板搭建自己的评测流程。项目代码遵循 MIT 协议开源，注意你使用的基础模型可能另有许可协议，商用前请仔细阅读模型授权说明。

【免费下载链接】erasingErasing Concepts from Diffusion Models项目地址: https://gitcode.com/gh_mirrors/er/erasing