sdxxs

sdxxs/config.json

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:f0b371d4886bb1aef3cfc1186b247bc5c6ad0a0d741bd41a3d68e78a88814e82
+size 1965

sdxxs/diffusion_pytorch_model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:da4b7b0e9675b368ab31ce4c30bb590101df73262b466d0781b464ed68bc83ba
+size 7010929912

src/sdxs_create.ipynb

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:dc6987bbccaaedf529bc2d6b55bae0f28e5161fe96dcd48970aa92fb92a55664
-size 9793
+oid sha256:107ff7729ffd04b3e2fd6c4305f74f910d7e7e23141ba71836d055a497fffebd
+size 9787

src/sdxs_sdxxs_transfer.ipynb

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:a7c11b012028e6ed060f3068d08adeb229bdad4b6b8cd2b4e0d50346cafcf02f
-size 235161
+oid sha256:57db74be42dbf73bc551cf86b4302dd2717555280e26325e599ca89f51b4916e
+size 168192

train_sdxxs.py

@@ -0,0 +1,586 @@
+import os
+import math
+import torch
+import numpy as np
+import matplotlib.pyplot as plt
+from torch.utils.data import DataLoader, Sampler
+from collections import defaultdict
+from torch.optim.lr_scheduler import LambdaLR
+from diffusers import UNet2DConditionModel, AutoencoderKL, DDPMScheduler
+from accelerate import Accelerator
+from datasets import load_from_disk
+from tqdm import tqdm
+from PIL import Image,ImageOps
+import wandb
+import random
+import gc
+from accelerate.state import DistributedType
+from torch.distributed import broadcast_object_list
+from torch.utils.checkpoint import checkpoint
+from diffusers.models.attention_processor import AttnProcessor2_0
+from datetime import datetime
+import bitsandbytes as bnb
+
+# --------------------------- Параметры ---------------------------
+save_path = "datasets/768" # "datasets/576" #"datasets/576p2" #"datasets/1152p2" #"datasets/576p2" #"datasets/dataset384_temp" #"datasets/dataset384" #"datasets/imagenet-1kk" #"datasets/siski576" #"datasets/siski384" #"datasets/siski64" #"datasets/mnist"
+batch_size = 60 #30 #26 #45 #11 #45 #555 #35 #7
+base_learning_rate = 2.5e-5 #4e-6 #2e-5 #4e-6 #9.5e-7 #9e-7 #2e-6 #1e-6 #9e-7 #1e-6 #2e-6 #1e-6 #2e-6 #6e-6 #2e-6 #8e-7 #6e-6 #2e-5 #4e-5 #3e-5 #5e-5 #8e-5
+min_learning_rate = 2.5e-5 #2e-5
+num_epochs = 1 #2 #36 #18
+project = "sdxxs"
+use_wandb = True
+save_model = True
+limit = 0 #200000 #0
+checkpoints_folder = ""
+
+# Параметры для диффузии
+n_diffusion_steps = 40 
+samples_to_generate = 12
+guidance_scale = 5
+sample_interval_share = 20 # samples/save per epoch
+
+# Папки для сохранения результатов
+generated_folder = "samples"
+os.makedirs(generated_folder, exist_ok=True)
+
+# Настройка seed для воспроизводимости
+current_date = datetime.now()
+seed = int(current_date.strftime("%Y%m%d"))
+fixed_seed = True
+if fixed_seed:
+    torch.manual_seed(seed)
+    np.random.seed(seed)
+    random.seed(seed)
+    if torch.cuda.is_available():
+        torch.cuda.manual_seed_all(seed)
+
+# --------------------------- Параметры LoRA ---------------------------
+# pip install peft
+lora_name = "" #"nusha"  # Имя для сохранения/загрузки LoRA адаптеров
+lora_rank = 32   # Ранг LoRA (чем меньше, тем компактнее модель)
+lora_alpha = 64  # Альфа параметр LoRA, определяющий масштаб
+
+print("init")
+# Включение Flash Attention 2/SDPA
+torch.backends.cuda.enable_flash_sdp(True)
+# --------------------------- Инициализация Accelerator --------------------
+dtype = torch.bfloat16
+accelerator = Accelerator(mixed_precision="bf16")
+device = accelerator.device
+gen = torch.Generator(device=device)
+gen.manual_seed(seed)
+
+# --------------------------- Инициализация WandB ---------------------------
+if use_wandb and accelerator.is_main_process:
+    wandb.init(project=project+lora_name, config={
+        "batch_size": batch_size,
+        "base_learning_rate": base_learning_rate,
+        "num_epochs": num_epochs,
+        "n_diffusion_steps": n_diffusion_steps,
+        "samples_to_generate": samples_to_generate,
+        "dtype": str(dtype)
+    })
+
+# --------------------------- Загрузка датасета ---------------------------
+class ResolutionBatchSampler(Sampler):
+    """Сэмплер, который группирует примеры по одинаковым размерам"""
+    def __init__(self, dataset, batch_size, shuffle=True, drop_last=False):
+        self.dataset = dataset
+        self.batch_size = batch_size
+        self.shuffle = shuffle
+        self.drop_last = drop_last
+        
+        # Группируем примеры по размерам
+        self.size_groups = defaultdict(list)
+
+        try:
+            widths = dataset["width"]
+            heights = dataset["height"]
+        except KeyError:
+            widths = [0] * len(dataset)
+            heights = [0] * len(dataset)
+            
+        for i, (w, h) in enumerate(zip(widths, heights)):
+            size = (w, h)
+            self.size_groups[size].append(i)
+        
+        # Печатаем статистику по размерам
+        print(f"Найдено {len(self.size_groups)} уникальных размеров:")
+        for size, indices in sorted(self.size_groups.items(), key=lambda x: len(x[1]), reverse=True):
+            width, height = size
+            print(f"  {width}x{height}: {len(indices)} примеров")
+        
+        # Формируем батчи
+        self.reset()
+        
+    def reset(self):
+        """Сбрасывает и перемешивает индексы"""
+        self.batches = []
+        
+        for size, indices in self.size_groups.items():
+            if self.shuffle:
+                indices_copy = indices.copy()
+                random.shuffle(indices_copy)
+            else:
+                indices_copy = indices
+            
+            # Разбиваем на батчи
+            for i in range(0, len(indices_copy), self.batch_size):
+                batch_indices = indices_copy[i:i + self.batch_size]
+                
+                # Пропускаем неполные батчи если drop_last=True
+                if self.drop_last and len(batch_indices) < self.batch_size:
+                    continue
+                    
+                self.batches.append(batch_indices)
+        
+        # Перемешиваем батчи между собой
+        if self.shuffle:
+            random.shuffle(self.batches)
+    
+    def __iter__(self):
+        self.reset()  # Сбрасываем и перемешиваем в начале каждой эпохи
+        return iter(self.batches)
+    
+    def __len__(self):
+        return len(self.batches)
+
+# Функция для выборки фиксированных семплов по размерам
+def get_fixed_samples_by_resolution(dataset, samples_per_group=1):
+    """Выбирает фиксированные семплы для каждого уникального разрешения"""
+    # Группируем по размерам
+    size_groups = defaultdict(list)
+    try:
+        widths = dataset["width"]
+        heights = dataset["height"]
+    except KeyError:
+        widths = [0] * len(dataset)
+        heights = [0] * len(dataset)
+    for i, (w, h) in enumerate(zip(widths, heights)):
+        size = (w, h)
+        size_groups[size].append(i)
+    
+    # Выбираем фиксированные примеры из каждой группы
+    fixed_samples = {}
+    for size, indices in size_groups.items():
+        # Определяем сколько семплов брать из этой группы
+        n_samples = min(samples_per_group, len(indices))
+        if len(size_groups)==1:
+            n_samples = samples_to_generate
+        if n_samples == 0:
+            continue
+            
+        # Выбираем случайные индексы
+        sample_indices = random.sample(indices, n_samples)
+        samples_data = [dataset[idx] for idx in sample_indices]
+        
+        # Собираем данные
+        latents = torch.tensor(np.array([item["vae"] for item in samples_data]), dtype=dtype).to(device)
+        embeddings = torch.tensor(np.array([item["embeddings"] for item in samples_data]), dtype=dtype).to(device)
+        texts = [item["text"] for item in samples_data]
+        
+        # Сохраняем для этого размера
+        fixed_samples[size] = (latents, embeddings, texts)
+    
+    print(f"Создано {len(fixed_samples)} групп фиксированных семплов по разрешениям")
+    return fixed_samples
+
+if limit > 0:
+    dataset = load_from_disk(save_path).select(range(limit))
+else:
+    dataset = load_from_disk(save_path)
+
+
+def collate_fn(batch):
+    # Преобразуем список в тензоры и перемещаем на девайс
+    latents = torch.tensor(np.array([item["vae"] for item in batch]), dtype=dtype).to(device)
+    embeddings = torch.tensor(np.array([item["embeddings"] for item in batch]), dtype=dtype).to(device)
+    return latents, embeddings
+    
+# Используем наш ResolutionBatchSampler
+batch_sampler = ResolutionBatchSampler(dataset, batch_size=batch_size, shuffle=True)
+dataloader = DataLoader(dataset, batch_sampler=batch_sampler, collate_fn=collate_fn)
+
+print("Total samples",len(dataloader))
+dataloader = accelerator.prepare(dataloader)
+
+# --------------------------- Загрузка моделей ---------------------------
+# VAE загружается на CPU для экономии GPU-памяти
+vae = AutoencoderKL.from_pretrained("AuraDiffusion/16ch-vae").to("cpu", dtype=dtype)
+
+# DDPMScheduler с V_Prediction и Zero-SNR
+scheduler = DDPMScheduler(
+    num_train_timesteps=1000,       # Полный график шагов для обучения
+    prediction_type="v_prediction", # V-Prediction
+    rescale_betas_zero_snr=True,    # Включение Zero-SNR
+    timestep_spacing="leading",     # Добавляем улучшенное распределение шагов
+    #steps_offset=1                  # Избегаем проблем с нулевым timestep
+)
+
+# Инициализация переменных для возобновления обучения
+start_epoch = 0
+global_step = 0
+
+# Расчёт общего количества шагов 
+total_training_steps = (len(dataloader) * num_epochs)
+# Get the world size
+world_size = accelerator.state.num_processes
+print(f"World Size: {world_size}")
+
+# Опция загрузки модели из последнего чекпоинта (если существует)
+latest_checkpoint = os.path.join(checkpoints_folder, project)
+if os.path.isdir(latest_checkpoint):
+    print("Загружаем UNet из чекпоинта:", latest_checkpoint)
+    unet = UNet2DConditionModel.from_pretrained(latest_checkpoint).to(device, dtype=dtype)
+    unet.enable_gradient_checkpointing()
+    unet.set_use_memory_efficient_attention_xformers(False) # отключаем xformers
+    try:
+        unet.set_attn_processor(AttnProcessor2_0())  # Используем стандартный AttnProcessor
+        print("SDPA включен через set_attn_processor.")
+    except Exception as e:
+        print(f"Ошибка при включении SDPA: {e}")
+        print("Попытка использовать enable_xformers_memory_efficient_attention.")
+        unet.set_use_memory_efficient_attention_xformers(True)
+if project == "sdxxs":
+    # Замораживаем все параметры модели
+    for param in unet.parameters():
+        param.requires_grad = False
+    
+    # Список параметров, которые вы хотите тренировать
+    target_params = [
+        "down_blocks.3.downsamplers.0.conv.bias",
+        "down_blocks.3.downsamplers.0.conv.weight",
+        "down_blocks.4.",
+        "mid_block.attentions.0.",
+        "up_blocks.0"
+    ]
+    
+    # Размораживаем только целевые параметры
+    for name, param in unet.named_parameters():
+        for target in target_params:
+            if name.startswith(target):
+                param.requires_grad = True
+                break
+    
+    # Определяем параметры для оптимизации
+    trainable_params = [p for p in unet.parameters() if p.requires_grad]
+    lora_params_count = sum(p.numel() for p in trainable_params)
+    print(f"Количество обучаемых параметров (как бля LoRA): {lora_params_count:,}")
+
+
+if lora_name:
+    print(f"--- Настройка LoRA через PEFT (Rank={lora_rank}, Alpha={lora_alpha}) ---")
+    from peft import LoraConfig, get_peft_model, prepare_model_for_kbit_training
+    from peft.tuners.lora import LoraModel
+    import os
+    # 1. Замораживаем все параметры UNet
+    unet.requires_grad_(False)
+    print("Параметры базового UNet заморожены.")
+
+    # 2. Создаем конфигурацию LoRA
+    lora_config = LoraConfig(
+        r=lora_rank,
+        lora_alpha=lora_alpha,
+        target_modules=["to_q", "to_k", "to_v", "to_out.0"],
+    )
+    unet.add_adapter(lora_config)
+
+    # 3. Оборачиваем UNet в PEFT-модель
+    from peft import get_peft_model
+    
+    peft_unet = get_peft_model(unet, lora_config)
+
+    # 4. Получаем параметры для оптимизации
+    params_to_optimize = list(p for p in peft_unet.parameters() if p.requires_grad)
+    
+
+    # 5. Выводим информацию о количестве параметров
+    if accelerator.is_main_process:
+        lora_params_count = sum(p.numel() for p in params_to_optimize)
+        total_params_count = sum(p.numel() for p in unet.parameters())
+        print(f"Количество обучаемых параметров (LoRA): {lora_params_count:,}")
+        print(f"Общее количество параметров UNet: {total_params_count:,}")
+
+    # 6. Путь для сохранения
+    lora_save_path = os.path.join("lora", lora_name)
+    os.makedirs(lora_save_path, exist_ok=True) 
+
+    # 7. Функция для сохранения
+    def save_lora_checkpoint(model):
+        if accelerator.is_main_process:
+            print(f"Сохраняем LoRA адаптеры  в {lora_save_path}")
+            from peft.utils.save_and_load import get_peft_model_state_dict
+            # Получаем state_dict только LoRA
+            lora_state_dict = get_peft_model_state_dict(model)
+
+            # Сохраняем веса
+            torch.save(lora_state_dict, os.path.join(lora_save_path, "adapter_model.bin"))
+    
+            # Сохраняем конфиг
+            model.peft_config["default"].save_pretrained(lora_save_path)
+            # SDXL must be compatible
+            from diffusers import StableDiffusionXLPipeline
+            StableDiffusionXLPipeline.save_lora_weights(lora_save_path, lora_state_dict)
+
+# --------------------------- Оптимизатор ---------------------------
+# Определяем параметры для оптимизации
+if lora_name or project=="sdxxs":
+    # Если используется LoRA, оптимизируем только параметры LoRA
+    trainable_params = [p for p in unet.parameters() if p.requires_grad]
+else:
+    # Иначе оптимизируем все параметры
+    trainable_params = list(unet.parameters())
+    
+# [1] Создаем словарь оптимизаторов (fused backward)
+optimizer_dict = {
+    p: bnb.optim.AdamW8bit(
+        [p],  # Каждый параметр получает свой оптимизатор
+        lr=base_learning_rate,
+        betas=(0.9, 0.999),
+        weight_decay=1e-5,
+        eps=1e-8
+    ) for p in trainable_params
+}
+
+# [2] Определяем hook для применения оптимизатора сразу после накопления градиента
+def optimizer_hook(param):
+    optimizer_dict[param].step()
+    optimizer_dict[param].zero_grad(set_to_none=True)
+
+# [3] Регистрируем hook для trainable параметров модели
+for param in trainable_params:
+    param.register_post_accumulate_grad_hook(optimizer_hook)
+
+# Подготовка через Accelerator
+unet, optimizer = accelerator.prepare(unet, optimizer_dict)
+
+# --------------------------- Фиксированные семплы для генерации ---------------------------
+# Примеры фиксированных семплов по размерам
+fixed_samples = get_fixed_samples_by_resolution(dataset)
+
+
+@torch.no_grad()
+def generate_and_save_samples(fixed_samples,step):
+    """
+    Генерирует семплы для каждого из разрешений и сохраняет их.
+    
+    Args:
+        step: Текущий шаг обучения
+        fixed_samples: Словарь, где ключи - размеры (width, height), 
+                       а значения - кортежи (latents, embeddings)
+    """
+    try:
+        original_model = accelerator.unwrap_model(unet)
+        # Перемещаем VAE на device для семплирования
+        vae.to(accelerator.device, dtype=dtype)
+        
+        # Устанавливаем количество diffusion шагов
+        scheduler.set_timesteps(n_diffusion_steps)
+        
+        all_generated_images = []
+        size_info = []  # Для хранения информации о размере для каждого изображения
+        all_captions = [] 
+        
+        # Проходим по всем группам размеров
+        for size, (sample_latents, sample_text_embeddings, sample_text) in fixed_samples.items():
+            width, height = size
+            size_info.append(f"{width}x{height}")
+            #print(f"Генерация {sample_latents.shape[0]} изображений размером {width}x{height}")
+            
+            # Инициализируем латенты случайным шумом для этой группы
+            noise = torch.randn(
+                sample_latents.shape,
+                generator=gen,
+                device=sample_latents.device,
+                dtype=sample_latents.dtype
+            )
+            
+            # Начинаем с шума
+            current_latents = noise.clone()
+            
+            # Подготовка текстовых эмбеддингов для guidance
+            if guidance_scale > 0:
+                empty_embeddings = torch.zeros_like(sample_text_embeddings)
+                text_embeddings = torch.cat([empty_embeddings, sample_text_embeddings], dim=0)
+            else:
+                text_embeddings = sample_text_embeddings
+            
+            # Генерация изображений
+            for t in scheduler.timesteps:
+                # Подготовка входных данных для UNet
+                if guidance_scale > 0:
+                    latent_model_input = torch.cat([current_latents] * 2)
+                    latent_model_input = scheduler.scale_model_input(latent_model_input, t)
+                else:
+                    latent_model_input = scheduler.scale_model_input(current_latents, t)
+                
+                # Предсказание шума
+                noise_pred = original_model(latent_model_input, t, text_embeddings).sample
+                
+                # Применение guidance scale
+                if guidance_scale > 0:
+                    noise_pred_uncond, noise_pred_text = noise_pred.chunk(2)
+                    noise_pred = noise_pred_uncond + guidance_scale * (noise_pred_text - noise_pred_uncond)
+                
+                # Обновление латентов
+                current_latents = scheduler.step(noise_pred, t, current_latents).prev_sample
+            
+            # Декодирование через VAE
+            latent = (current_latents.detach() / vae.config.scaling_factor) + vae.config.shift_factor
+            latent = latent.to(accelerator.device, dtype=dtype)
+            decoded = vae.decode(latent).sample
+            
+            # Преобразуем тензоры в PIL-изображения и сохраняем
+            for img_idx, img_tensor in enumerate(decoded):
+                img = (img_tensor.to(torch.float32) / 2 + 0.5).clamp(0, 1).cpu().numpy().transpose(1, 2, 0)
+                pil_img = Image.fromarray((img * 255).astype("uint8"))
+                # Определяем максимальные ширину и высоту
+                max_width = max(size[0] for size in fixed_samples.keys())
+                max_height = max(size[1] for size in fixed_samples.keys())
+                max_width = max(255,max_width)
+                max_height = max(255,max_height)
+            
+                # Добавляем padding, чтобы изображение стало размером max_width x max_height
+                padded_img = ImageOps.pad(pil_img, (max_width, max_height), color='white')
+            
+                all_generated_images.append(padded_img)
+
+                caption_text = sample_text[img_idx][:200] if img_idx < len(sample_text) else ""
+                all_captions.append(caption_text)
+                
+                # Сохраняем с информацией о размере в имени файла
+                save_path = f"{generated_folder}/{project}_{width}x{height}_{img_idx}.jpg"
+                pil_img.save(save_path, "JPEG", quality=96)
+        
+        # Отправляем изображения на WandB с информацией о размере
+        if use_wandb and accelerator.is_main_process:
+            wandb_images = [
+                wandb.Image(img, caption=f"{all_captions[i]}")
+                for i, img in enumerate(all_generated_images)
+            ]
+            wandb.log({"generated_images": wandb_images, "global_step": step})
+    
+    finally:        
+        # Гарантированное перемещение VAE обратно на CPU
+        vae.to("cpu")
+        if original_model is not None:
+            del original_model
+        # Очистка всех тензоров
+        for var in list(locals().keys()):
+            if isinstance(locals()[var], torch.Tensor):
+                del locals()[var]
+        torch.cuda.empty_cache()
+        gc.collect()
+        
+# --------------------------- Генерация сэмплов перед обучением ---------------------------
+if accelerator.is_main_process:
+    if save_model:
+        print("Генерация сэмплов до старта обучения...")
+        generate_and_save_samples(fixed_samples,0)
+
+# Модифицируем функцию сохранения модели для поддержки LoRA
+def save_checkpoint(unet):
+    if accelerator.is_main_process:
+        if lora_name:
+            # Сохраняем только LoRA адаптеры
+            save_lora_checkpoint(unet)
+        else:
+            # Сохраняем полную модель
+            accelerator.unwrap_model(unet).save_pretrained(os.path.join(checkpoints_folder, f"{project}"))
+
+# --------------------------- Тренировочный цикл ---------------------------
+# Для логирования среднего лосса каждые % эпохи
+if accelerator.is_main_process:
+    print(f"Total steps per GPU: {total_training_steps}")
+print(f"[GPU {accelerator.process_index}] Total steps: {total_training_steps}")
+
+epoch_loss_points = []
+progress_bar = tqdm(total=total_training_steps, disable=not accelerator.is_local_main_process, desc="Training", unit="step")
+
+# Определяем интервал для сэмплирования и логирования в пределах эпохи (10% эпохи)
+steps_per_epoch = len(dataloader)
+sample_interval = max(1, steps_per_epoch // sample_interval_share)
+
+# Начинаем с указанной эпохи (полезно при возобновлении)
+for epoch in range(start_epoch, start_epoch + num_epochs):
+    batch_losses = []
+    unet.train()
+    
+    for step, (latents, embeddings) in enumerate(dataloader):
+        with accelerator.accumulate(unet):
+            if save_model == False and step == 3 :
+                used_gb = torch.cuda.max_memory_allocated() / 1024**3
+                print(f"Шаг {step}: {used_gb:.2f} GB")
+            # Forward pass 
+            noise = torch.randn_like(latents)
+            
+            timesteps = torch.randint(
+                1,  # Начинаем с 1, не с 0
+                scheduler.config.num_train_timesteps, 
+                (latents.shape[0],), 
+                device=device
+            ).long()
+            
+            # Добавляем шум к латентам
+            noisy_latents = scheduler.add_noise(latents, noise, timesteps)
+
+            # Получаем предсказание шума - кастим в bf16
+            noise_pred = unet(noisy_latents, timesteps, embeddings).sample.to(dtype=torch.bfloat16)
+        
+            # Используем целевое значение v_prediction
+            target = scheduler.get_velocity(latents, noise, timesteps)
+
+            # Считаем лосс
+            loss = torch.nn.functional.mse_loss(noise_pred.float(), target.float())
+
+            # Делаем backward через Accelerator
+            accelerator.backward(loss)
+            
+            # Увеличиваем счетчик глобальных шагов
+            global_step += 1
+            
+            # Обновляем прогресс-бар
+            progress_bar.update(1)
+            
+            # Логируем метрики
+            if accelerator.is_main_process:
+                current_lr = base_learning_rate
+                batch_losses.append(loss.detach().item())
+                
+                # Логируем в Wandb 
+                if use_wandb:
+                    wandb.log({
+                        "loss": loss.detach().item(),
+                        "learning_rate": current_lr,
+                        "epoch": epoch,
+                        "global_step": global_step
+                    })
+            
+                # Генерируем сэмплы с заданным интервалом
+                if global_step % sample_interval == 0:
+                    if save_model:
+                        save_checkpoint(unet)
+                        
+                    generate_and_save_samples(fixed_samples,global_step)
+                    
+                    # Выводим текущий лосс
+                    avg_loss = np.mean(batch_losses[-sample_interval:])
+                    #print(f"Эпоха {epoch}, шаг {global_step}, средний лосс: {avg_loss:.6f}, LR: {current_lr:.8f}")
+                    if use_wandb:
+                        wandb.log({"intermediate_loss": avg_loss})
+            
+    
+    # По окончании эпохи
+    if accelerator.is_main_process:
+        avg_epoch_loss = np.mean(batch_losses)
+        print(f"\nЭпоха {epoch} завершена. Средний лосс: {avg_epoch_loss:.6f}")
+        if use_wandb:
+            wandb.log({"epoch_loss": avg_epoch_loss, "epoch": epoch+1})
+
+# Завершение обучения - сохраняем финальную модель
+if accelerator.is_main_process:
+    print("Обучение завершено! Сохраняем финальную модель...")
+    # Сохраняем основную модель
+    #if save_model:
+    save_checkpoint(unet)
+    print("Готово!")