本仓库提供 FLUX.2-klein-4B Outpaint LoRA 模型在华为昇腾 Ascend910 NPU 上的适配与推理方案。该 LoRA 用于扩展图像边界，填充图像周围的绿色边框区域。
| 组件 | 版本 |
|---|---|
| Python | 3.11+ |
| PyTorch | >= 2.0.0 |
| torch_npu | >= 2.9.0 |
| Diffusers | >= 0.38.0 |
| Ascend NPU | Ascend910 |
使用 Flux2KleinPipeline + load_lora_weights() 加载。输入图像需要包含绿色边框区域，模型会自动填充这些区域以扩展图像内容。
python3 inference.py --device npu:0 --steps 20 --seed 42 --height 512 --width 512
python3 compare_cpu_npu.py --steps 4 --seed 42 --height 128 --width 128| 指标 | 值 |
|---|---|
| 推理耗时 | 3.89 秒 |
| 设备 | Ascend910 |
| 指标 | CPU | NPU | 加速比 |
|---|---|---|---|
| 推理耗时 | 490.23 秒 | 0.76 秒 | 644x |
测试条件：128x128 输入，4步推理，seed=42，相同初始潜变量
| 指标 | 值 |
|---|---|
| MAE（0-255） | 0.8202 |
| 最大绝对误差 | 59.0000 |
| 相对误差 | 0.3216% |
| RMSE | 2.2610 |
| PSNR | 41.04 dB |
| SSIM | 0.999292 |
| 像素一致率（<1%） | 97.79% |
结论：NPU 与 CPU 推理结果误差为 0.3216%，小于 1%。
import torch, torch_npu
from diffusers import Flux2KleinPipeline
from PIL import Image
pipe = Flux2KleinPipeline.from_pretrained(
"black-forest-labs/FLUX.2-klein-4B", torch_dtype=torch.bfloat16
)
pipe.load_lora_weights("flux-outpaint-lora.safetensors")
pipe = pipe.to("npu:0")
input_img = Image.open("input.jpg").convert("RGB").resize((512, 512))
generator = torch.Generator(device="cpu").manual_seed(42)
with torch.no_grad():
output = pipe(
image=input_img,
prompt="Fill the green spaces according to the image",
height=512, width=512,
num_inference_steps=20,
guidance_scale=3.5,
generator=generator,
)
output.images[0].save("output.png")本仓库提供完整的推理脚本，支持 CPU 和 NPU 双平台推理：
# NPU 推理
python3 inference.py --device npu
# CPU 推理
python3 inference.py --device cpu推理完成后会输出推理结果和耗时，表明模型在 NPU 上推理成功。
#+NPU #+CV #+图像编辑 #+图像外延 #+扩散模型 #+FLUX #+LoRA #+昇腾