外网发生了一件大事,只需一张显卡就能从此实现 poke 自由,不管你是三零六零还是四零六零,甚至是 mac 系统都能使用。就在昨天,秋叶大佬推出 stable fusion 桌面发布版,一键解压即用,完全无需积分和排队,并且整合了当下最顶级的几套模型,像最近这种爆火的 ai 角色替换、 ai 桌面女友以及 ai 漫剧生成在这里都能搞定。最重要的是生成的内容完全无审核,想生成什么就生成什么。整合包以及教程都给你们准备好了,暗号三个七,打包带走。 大家好,今天给大家讲一遍这款 sd 生图工具的安装部署,还有出图的流程,大家跟着步骤走就行。 首先我们确定下载完的本地安装包没有出现丢包、损坏、中断、缺失等情况,确认没问题之后,找见主程序的安装文件,我们双击打开它,因为我这里已经安装过了,所以是修复,大家没有安装过的话,这里是开始,点击开始 它就会自动化安装,我们只需要安静等待进度条自动跑完就可以了,这样的话启动依赖就会。安装成功之后我们解压旁边的这个安装包,把它解压到我们的本地文件,之后,在解压的安装包里边就可以找到这个粉色的图标, 我们双击就可以打开启动器。这款生图工具对新手非常友好,不需要手动搭建运行环境,不需要额外安装辅助插件, 启动后系统会自动完成所有的出使化环境配置。这里边有两个非常实用的功能,第一个是智能硬件检测功能,软件会自动识别电脑显卡配置和整体的硬件性能,智能匹配最优的渲染参数, 不需要大家反复手动调试。第二个是经济化模型管理功能,后续新增、删除、更新各类模型都可以直接在软件里边完成,操作简单,管理高效。 我们点击一键启动按钮,软件启动的过程中可以在控制台实时查看资源加载进度等环境资源,模型资源加载完成,软件就会自动弹出浏览器的操作窗口, 这就代表安装和模型部署成功了,我们可以正式的开始生成图片。因为有很多新手会疑惑软件模型数量的问题,这里统一说明一下。软件初使安装仅自带基础的通用模型,大家在我这个界面上看到的各种模型都是我后期手动部署的, 软件里面每一款模型都配有专属的预览图,适配不同的创作场景,大家可以根据自己的需求自由选择,有效提升自己的出图的成功率和成品质量。选好对应模型后,在软件输入框内输入提示词, 然后根据画面的需求我们选择对应的参数,选择完之后就可以点击生成按钮, 等待软件自动渲染,就可以输出我们的高质量图片了。整套工具的安装、模型部署、出图操作都是非常简单易懂的,没有任何的专业技术门槛,全部都是标准化傻瓜式的操作,只要严格按照 规范路径,按照步骤落地,就可以搭建一套稳定无积分消耗的绘图环境,熟练之后可以自由搭配模型,优化提示词细节, 持续提升画面的质感,轻松实现稳定批量、高质量的出图。好,以上就是安装部署的完整流程,大家第一次操作就按这个顺序来,不用着急,慢慢熟悉之后就会越用越顺手。
粉丝436获赞2113

太过复杂,门槛过高,不会安装没问题,只需要简单点击几下,几分钟时间就能安装好。不管是 windows 还是苹果 mac 电脑,关于 stable diffusion 的 各种安装方式,这个视频一一来给大家讲明白。 stable diffusion 的 安装部署其实并不困难,通过一键整合安装包,简单点击几下就安装好了。真正需要我们花时间去研究学习的,其实是 stable diffusion 的 各种插件模型,还有参数的调整,这些在后面的课程会详细给大家讲解。安装部署是我们入坑的第一步,在安装之前,我们得先简单了解一些基本 的概念。首先是 stable diffusion, 最早开源出来是一大堆我们看不懂的源代码,由一位来自越南的开发者 automatic 幺幺幺幺打一, 这就是 stable diffusion web ui。 从此以后,我们就可以以非常直观的方式来调整 stable diffusion 的 各种参数了。 pua 刚刚收到的 stable diffusion web ui 是 基于 pua 语言来搭建的,所以我们需要在电脑上搭建 pua 环境才能正常运行。 stable diffusion web ui get 不管是 stable diffusion 还是它的各种各样的插件,都是在 github 上开源的,我们只需要在电脑上安装好 git, 就 可以把 stable diffusion web ui 还有各种各样的插件同步更新到自己的电脑了。不管是 windows 还是苹果 mac 电脑,都能轻松地安装 stable diffusion。 但是 mac 电脑和 amd 显卡的电脑是通 过 c p u 来渲染的,生成的图片速度会比较的慢,所以推荐大家搭配英伟达显卡的 windows 电脑来使用,首先系统要求是 v 十或者是 v 十以上的系统, c p u 没有什么特别的要求,只要不要太老旧就行了。显卡推荐 r p x 二零六零以上级别的显卡,六 g b 显存是标 配,最好是八 g b 级以上的显存,内存至少是八 g b, 而配备十六 g b 或者是以上的内存,你会有更好的使用体验。另外, stable diffusion 的 各种模型 会占用大量的硬盘空间,你需要预留五十到两百 gb 的 空余硬盘空间一共使用。接下来我们就进入安装环节。 windows 的 安装方式有两种,一种是整合包的安装,一种是手动安装。先来说说整合包安装,优点是安装超级简单方便,不需要安装开放等前置插件,能够一键起 自动更新,还整合自带部分的模型和必要插件。缺点就是有可能出现或多或少的问题,集成的插件有可能是自己不需要的。市面上主要推荐两位经验丰富大神的整合包,他们内核都是一样的,在使用上没有什么区别,只是封装的启动界面或者是集成的插件有些区别。 推荐安装大神老师的整合包。关于本期教程所涉及的所有的原版安装包和前置安装部件,我都会提供给大家,大家可以在评论区自取。首先把大神老师刚更新的版本整合包下载下来,打开一共有三个文件。首先我们双击这个启动器 运行依赖进行安装,这里还有一系列的 control 链模型,这个我们先不用管啊,在后面的课程会给大家讲解怎么安装和使用的,我们打开 sd web u i a k i 这个文件夹,下拉找到启动器,双击打开,然后点击一键起 等待程序自动加载必要的启动项,就会自动进入 stable fusion web ui 界面了。可以看到大神整合包是已经进行自带的汉化,还有安装了图像浏览器,像 control net 等常用的插件,自带 anything 的 模型。这一定要有至少一个模型我们才能生成图片的, 例如输入一只小狗,点击旁边的生成。值得注意的是,除非你要退出程序,不然在任何时候都不要把这个控制台关闭,关闭了之后 stable diffusion 是 不能用的。当看到有图片正常生成出来,那么 恭喜你, stable diffusion 就 安装成功了。接下来给大家讲讲手动安装的方式。手动安装的优点是你可以获得最纯正、最干净的 stable diffusion ui 程序, 按自己的需求来安装想要的插件,一步步了解 stable devin 的 部署和插件的安装过程,对于每个部件和后续出现的问题,更容易找到根源和处理的方法。 缺点就是相对麻烦,要找到相关的模型和插件,一个个进行下载和安装。首先要安装拍放,建议安装三点一零点六这个版本,这个是 web ui 作者推荐的安装版本,打开拍放官网,找到三点一零点六版本下载安装。安装没有什么难度, 唯一要注意的就是安装的时候要勾选这个 add python 三点 one dot path, 也就是把它安装到默认的路径就可以了。接着需要安装 git, 进入 git 官网找到六十四 d git window setup 进行下载安装,就是一直点击下 一个键,安装好 git 后,我们就可以通过 git 命令来安装 stable diffusion web ui。 量在硬盘空间充足,并且在文件夹导航栏上输入 cmb, 就 会打开命令提示符, 看到这个提示符的路径,我们需要放置 stable diffusion web ui 的 路径就没问题了。复制下面的代码,意思就是把 github 上面原版的 stable diffusion web ui 克隆下来,直接按回车。很快在 ai 文件夹里面就多出了原版 stable diffusion web ui 的 这个文件 了。点击进入下拉找到 web ui server, 双击打开,等待安装必要的启动项,中途有可能需要再次重新打开 web ui server。 当我们看到这一段代码的时候,就可以把这个一二七点零点 点一七八六零这个网址复制到浏览器打开,这时候就看到最纯净的 stable fusion web ui 了,同样的输入一只小狗,当看到这样一张低像素的小狗的图片的时候,证明手动安装就成功了,是不是很简单呢?最后来看看 mac 电脑的安装方式,首先我们要安装 apple 的 官网,直接复制这段代码,然后按 command 键加空格键搜索终端,打开这个终端程序,把 刚刚复制的这段代码粘贴到终端里面,按回车,这时候看到返回这样一个错误原因就是我们刚刚复制的这个 homebrew 网址已经不能用了,在这里我们 重新复制一个备用的安装网址,这些代码程序同样会在评论区给到大家,点击回车就进入了安装界面,安装的过程全部选一就可以了,按 y 进行安装,这时候需要输入开机密码, 我们输入密码的时候是不会显示出来的,直接输入,然后回车就可以了。当询问要不要安装 call, test 这些部件的时候,按回车跳过就可以了,这时候提示安装成功了,还是在这个终端界面输入这段代码,安装开放和 get 等一系列的部件。接着就是要把 stable directory 上拉下来,再 一个打开,如果你右键没有这个选项,那么就在下面导航栏右键点击,在终端中打开,看到这个前缀是你想要安装的文件, 加密就没有问题了。然后输入下面的代码,把 stable diffusion web ui 克隆进来,这时候看到 stable diffusion web ui 的 文件夹了,同样的在下方导航栏右键 点歌,等待加载好必要的部件,当看到这个一二七点零点零点一 七八六零这个网址就 ok 了。复制这个网址到浏览器打开,这时候我们 mac 版 stable diffusion web ui 就 安装完毕了。总的来说, stable diffusion 的 安装并不复杂,但大家在安装的过程中,由于设备的不同,环境的不同,很可能会出现或多或少的问题,我不能还原大家在安装过程中遇到的问题,但可 的思路,当遇到报错的时候,尝试更新显卡驱动,会解决一部分错误的问题。另外像 python, git 这些前置部件一定要按默认的路径来安装,安装在 c 盘不要改变它们的位置。 stable diffusion ui 是 可以安装在 c 盘以外的路径的, 但安装的路径尽量简单一些,不要套太多层文件夹,并且保证有充足的硬盘空间,这样就很大程度减少出错的几率了。当做好上面的这些步骤还是出现一些奇怪的问题的时候,可以查 进行安装,总有一种方法是行得通的。好了,以上就是本期教程的全部内容,希望教程对大家有所帮助。既然 stable diffusion 都已经安装好了,那么接下来就是关于 stable diffusion 的 一系列相关操作的讲解,小伙伴可以继续保持关注,感谢你们的三连,我们下期见,拜拜! hello 小 伙伴们大家好,欢迎来到 stable diffusion 系列教程的第二节课,那么本节课程主要给大家讲解一下 stable diffusion 绘画出图的原理以及它所有模型的具体介绍。 课程我会以笔记的形式整理记录下来,有需要的小伙伴可以评论区回复,我会一一回复发送给你。那么我们正式开始吧。 stable diffusion 的 出图原理主要包括以下几个关键步骤,首先,数据采集与预处理是必不可少的, 为了训练模型,我们需要大量包含不同绘画风格、物体和场景的图像数据。在预处理阶段,图像会经过归一化、裁剪和缩放等操作,以确保它们符合模型的输入要求。 接下来文本编码将用户输入的文本提示转化为潜在向量,这过程通常通过预训练的文本编码器如 clip 来实现。潜在向量能够精准捕捉文本的语义信息和特征,然后生成初始噪声图像。 在前空间中,我们生成一个随机生成图像,它充满随机信息,作为后续图像生成的起点,为多样化的生成过程奠定基础。接着是扩散与逆扩散过程。首先,模型对初时生成图像进行扩散操作,逐步在图像上添加造生,使图像变得模糊。 这个过程模拟了物理中的扩散现象,让图像信息逐渐扩散开来。然后,在逆扩散阶段,模型去除噪声,恢复图像的细节和结构,并根据文本提示的潜在向量引导图像生成朝着符合文本描述的方向进行。 经过多次扩散与逆扩散的叠带后,图像的噪声逐渐减少,细节逐步丰富。这是进入采样与降噪阶段。 采样器会在前空间中采样出一个较为清晰的图像,并通过调整采样不长和参数来控制生成图像的质量和多样化。 最后,模型通过图像解码过程将前空间中的图像转化为像素空间中的图像,得到符合用户文本提示内容、风格和细节的最终生成图像。这一系列步骤共同作用,确保 stable diffusion 能够生成高质量、多样化且精准、符合文本描述的图像。 stable diffusion checkpoint 大 模型是 stable diffusion 的 核心模型,也被称为底模型或主模型。它本质上是一个预训练的权重文件,保存了模型在训练过程中学习到的所有参数和特征信息,基于这些信息生成特定风格的图像。 checkpoint 文件通常较大,常见的点 c k p t, 文件大小在三到七 g b 之间,而 safe templars 格式一般为一到两 g b。 不 同的 checkpoint 模型基于不同的训练数据集,能够生成不同风格的图像。 例如 magic mix 擅长生成网红风格, childoutmix 生成写实风格、国风三则符合国风审美。 checkpoint 大 模型决定了生成图像的基础风格和画风,未包含的元素是无法生成的,因此,选择合适的 checkpoint 模型是获得理想图像生成结果的关键。 在使用时,只需将 checkpoint 文件放入指定目录,如 models stable diffusion, 然后在 webui 界面中选择对应的模型进行加载。 checkpoint 大 模型是 stable diffusion 生成图像的基础,正确选择和使用它能确保生成符合预期的高质量图像。 stable diffusion 里的 vae 变分字编码器是一种生成模型,由编码器和解码器两部分组成。 解码器负责将输入数据映射到一个低维的潜在空间,在这个空间中,数据以一种更紧凑、更抽象的形式表示。解码器则从前在空间中重构数据,将其还原为与原始数据类似的形式,主要用于提升生成图像的质量,其作用类似于图像生成后的滤镜效果, 它能够学习到图像的潜在变量,这些变量可以捕捉图像中的丰富语义和结构信息,进而在生成图像时将潜在变量转化为更具体的图像特征,使生成的图像更加清晰,色彩更鲜艳,细节更丰富,有效减少图像的噪声和模糊感。 使用时,需先从可靠资源网站下载适合 stable diffusion 的 v、 a、 e 模型文件,一般为 safe、 sensors、 c、 k、 p、 t 等格式,然后将文件放置到 stable diffusion 安装目录下的指定文件夹中,如 models v a e 文件夹。最后在 stable diffusion 的 web ui 界面中找到相关设置选项, 从下拉列表或选择框中选择已安装的 v a e 模型即可。在 stable diffusion 中, embedding 也被称为文本反转,是一种将文本提示转换为连续向量表示的技术,本质是一种将高维数据硬设至低维空间的技术手段。 在 stable diffusion 里,文本提示先被拆分成 tokens, 然后经过 embedding 层处理,变成包含语义信息及反应、 tokens 关联和上下文关系的连续向量模型,借此生成匹配文本提示的图像, 核心作用是提升处理效率。将文本提示转化为向量表示,降低了模型处理数据的复杂度,加快了图像生成速度, 增强生成效果。优化文本提示表示方式,让模型更精准捕捉用户意图,生成图像在细节和风格上更贴近期望,简化用户操作。用户无需手动输入大量文本描述词汇。调用预先练好的 embedding 文件即可降低操作难度和时间成本。 调用特定 embedding 文件,可生成具有特定表情、发型或服饰的人物图像。通过不同的 embedding 文件,能切换油画、水彩画、素描等绘画风格。引入如 e c negative 等 embedding 文件,可提升画面清晰度、色彩鲜艳度和细节表现力。 通过引入相应反向提示词, embedding 文件可排除不需要的元素,优化生成图像质量,如错误或崩坏的手。我们可以从 civic time hiding face 的 stable diffusion 概念库等网站下载与 stable diffusion 版本兼容的 embedding 文件, 将下载的文件放置到 stable diffusion 指定目录下,如 stable diffusion ui models。 embedding 在 使用时遵循相应说明和参数设置, 要用不同 embedding 文件观察对生成图像的影响,选择适合需求的文件。 laura 是 low rank adaptation 的 缩写,在 stable diffusion 中具有重要作用,是一种用于微调 stable diffusion 模型的训练技术, 通过添加额外的低至适配层来捕捉特定任务的参数,而无需更新原始模型的所有参数,从而在保持预训练模型大部分不变的情况下,使其能更好地适应特定图像生成任务或风格。 罗尔主要对 stable diffusion 模型中的交叉注意力层进行微调,该层是图像与提示词相互作用的关键部分。它将权重矩阵分解为两个更小的低质矩阵来存储更少的参数,进而实现以较小的文件体积达到不错的微调效果。与传统微调方法相比,显著减少了训练参数和计算开销,提高了模型微调效率, 能让用户在短时间内对大量图像进行精确调整。用户可根据需要调整 lower 模型的权重,平衡大模型的泛化能力和特定特征的精确性,实现多样的图像生成效果。用户能够训练新的 lower 模型以适应不同任务和数据集,并且多个 lower 模型可组合使用,生成更复杂的图像 应用场景,如生成特定艺术风格像油画风、赛博朋克风等的图像,生成具有特定外貌、表情、姿势等特征的人物形象,用于改善图像的细节、色彩、清晰度等质量方面。 常见的 stable diffusion 界面中,需先将 laura 模型文件放置在指定文件夹,如 stable diffusion web ui models laura, 然后在提示词中使用 laura, laura file name wait 的 语法来调用。其中 laura file name 是 不带扩展您的文件名。 wait 是权重值,用于调整 lower 模型对生成结果的影响程度。好了,小伙伴们,本期内容就分享到这了,如需视频笔记文档的话, hello 小 伙伴大家好,欢迎来到 stable diffusion 系列教程的第三节课。你是否曾经被 stable diffusion 的 强大功能所吸引,却又苦恼于无法让这个神奇的 ai 工具听懂你的话,画出符合你预期的作品? 在本期视频中,我们将深入探讨如何有效的学习和优化 ai 绘画的提示词。无论你是初学者,还是有一定基础的使用者,这些技巧都会帮助你提升生成效果,避免常见的错误。 同时,课程我会以笔记的形式整理记录下来,有需要的小伙伴可以评论区回复,我会一一回复发送给你。那么我们正式开始吧!第一部分,提示词的基本结构与公式在学习 ai 绘画时,首先要理解提示词的基本公式,我们可以通过五个步骤来构建提示词。 一、主体,确定你要会制的主体,比如一个女孩。二、场景场景设定,比如室内或室外。 三、环境,描述场景的细节,如春天的生机勃勃,或者夏天的炎热。四、视角与构图视角可以是全身像、半身像或特写五、画质描述图像的分辨率和质量可以加上高分辨率、高质量等。关键词 在写提示词时,就像写作文一样,我们不仅要描述主体的基本特征,还要具体到每一个细节,比如年龄、五官特征、服饰等等。通过这种结构化的方式,我们能更好的控制生成的效果。 第二部分如何通过语法优化提示词?首先是关键词加减权重,使用圆括号括注提示词可增加该提示词的权重,每层圆括号会使权重增加一点一倍。例如, apple 一 层括号的权重是基础权重的一点一倍, apple 两层括号则是基础权重的一点二一倍。 大括号的作用与圆括号类似,但每层大括号增加的权重倍数相对较小,为一点零五倍。 如 apple 一 层大括号的权重是基础权重的一点零五倍, apple 两层大括号是基础权重的一点一零二五倍。 方括号用于降低提示词的权重,每层方括号会使权重降低一点一倍。比如, apple 一 层中括号的权重是基础权重的零点九倍, apple 两层中括号则是基础权重的零点八一倍。 接着是元素组合,如果你想要将多个元素强制融合,可以使用大写的 and 把前后关键词连接起来。 例如,想要一个既像猫又像狗的角色,使用猫 and 狗就可以实现强制融合。最后是顺序,如果你想要 ai 按顺序依次生成指定内容,写法是用竖线把前后关键词隔开。 比如我想要小姐姐的头发是红色和蓝色混合的,就可以写 red 竖线 blue hair, ai 就 会按顺序第一步生成红色,第二步生成蓝色,这样给我们生成混合颜色头发。第三部分如何控制元素的比例和效果? 首先是变换比重,提示词格式为提示词一冒号,提示词二冒号权重数值。权重是指提示词一的权重,当权重数值大于一时,单位为采用迭代步数。 当权重数值小于一时,单位为采用迭代步数百分比。例如, snow 冒号、 mountain 冒号零点二。采用迭代步数为三十步时,表示前六步用于生成与 mountain 相关的内容。 如果某些元素出现过多或者没有按照你的想法生成,可以使用反向关键词来避免或减少某些元素的出现。通过添加一些反向关键词, ai 可以 更准确的理解你不想要的内容。 最后是如何通过反推提示词提高学习效率。你可以通过上传自己喜欢的图片给到 s d 界面的 w d 一 点四标签器 stable definition 会根据图片自动生成一组提示词,帮助你反向理解如何构建提示词。 同时你也可以通过查看其他优秀作品的提示词,你可以学习到很多技巧,了解如何用简洁的关键词描述复杂的场景与细节。许多平台上都有分享提示词的资源,你可以参考别人的经验来提高自己的创作。好啦, 小伙伴们,本期内容就分享到这了,哈喽小伙伴大家好,欢迎来到 stable defun 系列教程的第四节课。本节课我们将深入了解文声图的基本参数,给大家详细解析每个参数的用途以及最佳推荐值。 课程我会以笔记的形式整理记录下来,有需要的小伙伴可以评论区回复,我会一一回复发送给你。那么我们正式开始吧。首先我们来看一下 clip 中指层数,它的值可以从一到十进行调整。我们来看一下不同层数下生成的图像效果。 比如当我们使用猫作为关键词时,在第九层和十层时,图像猫的识别度就不是很明显了,有点像一只豹子和多了一只人物的小手。 包括上面这里也是这样给到的关键词是一个女孩和色彩丰富的画面,但是从 clip skip 三后面来看的话,其实他就不能够理解我们给到关键词的意思了。 所以我们能够得出一个结论,当 clip 中指层数越小, sd 对 关键词的理解就会越好,图像质量也会相对精准。 但是如果设置为一层时,图像可能会缺乏一些小细节,效果稍微逊色些。所以我们一般来说用的最多的是二一的话,其实也是可以的,这样能够保持不错的图像质量与关键词的准确性。 接下来是迭代步数,它的值可以从一到一百五十进行设置。我们用一个真实模型进行了测试,观察了一到一百步之间的变化, 从图中可以看到,图像在经过一定步数后,变化逐渐变小。为什么会这样呢?这是因为去噪过程 初使是一个噪声图,随着迭代步骤的增加,噪声逐渐被去除,直到得到最终的图像。因此推荐步数是二十到三十步,最多不超过五十步,这样可以确保图像质量与生成速度的平衡。 当然,具体的步数也会受彩样器的影响,不同彩样器的表现也会有所不同。说到彩样器,这里有很多种不同的类型, 一般而言,我们跟着大模型作者推荐的彩样器走准没错,有些彩样器在前期几步就能有较好效果,而有些可能到五十步效果都不尽人意。这意味着不同彩样器的算法差异很大,有的速度快,有的则耗时久一些。我给大家推荐几个常用的彩样器。 d p m 加加二 m keras 可以 平衡速度与质量,生成更精确的图像和细节,相对稳定,可重现二次元。 order a 速度快,对步数要求低,但是步数增加也不会增加细节。到达一定步数可能崩图,结果可能不稳定,适合二次元和小场景的生成。 d p m 加加 s d e keras 细节会更多采用。速度慢,结果可能不稳定,适合写实人像、复杂场景。 d d i m 出图快,快速生成高质量图片,结果可能不稳定,适合写实人像、复杂场景。 我们再来看一下图片宽高的设置。以前我们普遍认为五一二是最佳尺寸,因为最初 sd 发布的底模型是花费巨大成本学习成千上万张图片得到的,学习时采用的就是五幺二的大小,所以用五幺二生成效果较好。 例如我现在使用真实大模型,关键词是一个女孩。当以一千零二十四尺寸生成时,就会出现一些异常情况,比如出现两个女孩。 但后来 stablediffusen 发布了 xl 版本,它可是所有开放图像模型中参数众多的模型之一,集合了三十五亿基础模型和六十六亿参数模型,这个版本就可以生成一零二四尺寸的图片了。 像我们在 c 站看到的很多大模型都是在官网模型基础上进行微调的,结果官网模型可能相对粗糙,作者调整后会更精准。大家在使用模型时一定要查看作者简介,了解其是以哪个基础模型生成的,这对出图效果有很大影响哦。 而且要注意,如果宽高尺寸越大,就越容易爆显存,如果电脑显存不足,可能就无法正常生成图片了。 接下来总批次数就是你想要生成的图片总数,比如设为三,就会依次生成三张图片,而单批次数则是同时生成这些图片,这样会更容易爆显存。 所以我们一般优先选择总批次数。我给大家简单演示一下,先将尺寸调回五百一十二。如果把总批次数设为三,点击生成, 就会一张一张的生成三张图片。而如果设为单批,次数为三,虽然最终结果相同,但三张图片是同时生成的,对显存要求更高。如果显存不高,就把单批次数设为一就行,通过调整这两个参数来控制生成过程。 接着是提示词的引导系数,原理是图像与提示词的契合度,该值越高,提示词对最终生成结果的影响越大,契合度越高。 过高的 c f g scale 体现为粗广的线条和过锐化的图像,过饱和五到十区间是比较安全的,一般建议七到十,根据实际情况较少或者加大。 对于随机种子,如果设置为负一,每次生成的图像都会不同,若设置为具体的数值,图像会保持一致。 例如当固定某个种子时,生成的图像会与上次相同。如果你想要微调图像,可以使用变异随机种子。通过调节变异强度,你可以控制生成图像与原图的相似度。变异强度为零时,图像与原图一致,强度为一时,图像会完全不同。 强度适中时则会得到两张图像的融合效果。下面这一些是 stable deference 的 插件,我们后面再讲好了。 hello, 小 伙伴们大家好,欢迎来到 stable deference 系列教程的第五节课。本节课给大家分享一下图生图, 图生图它能做的事情有很多,比如说把这一个真人的图片转换为二点五 d, 或者说二次元的图片,也可以把二次元转换为真人, 也可以根据我们随手画的涂鸦生成一张图片。也可以完成这种局部重绘,比如说换脸,把小姐姐的眼睛闭上,或者换身衣裳,还可以在场景中加入不同的事物。还有这种给产品加入背景换背景之类的,同时把假的模特换成一个真人也是可以的。等等,大家可以自己去摸索一下。 课程我会以笔记的形式整理记录下来,有需要的小伙伴可以评论区回复,我会一一回复发送给你。那么我们正式开始吧。我们这一次课主要分为六个部分,就是我们看到的这几个,分别是图生图涂鸦、局部重绘、涂鸦重绘、上存、重绘、蒙版和批量处理, 每一个都会详细的讲到,包括它的参数。我们先来看一下图生图的一个基本流程,第一步,上传图片,第二步,填写描述词,第三步,选择模型,第四步,设置参数,然后第五部生成图片,大概就是这么一个流程,我们直接来操作一遍。 首先我们切换到这个图生图,它其实有很多东西跟纹身图是一样的,不一样的地方就是这个地方多了一个上传图片的入口 图生图的话,他就是以图片生成图片,我们点击一下就可以上传一张图片,也可以从文件夹里面给他拖进来,也是可以的。 我们还可以从别的网站,比如说 c 站直接复制图片,再来到这里来 ctrl v, 那 我们还可以从别的地方,比如说文生图,在这边直接点击这一个小图标,就是将图像发送到图生图, 同时他会把我们这一个关键词都带过来,这就是他的几种不同的上传方式了。那我们还是先把这样一张图片放进来,放了图片之后,接下来就是写关键词,如果说你根据他这个场景去描述也是可以的,那我们也可以用之前讲到的直接在 w d 一 点四标签器反推关键词是最方便的。 反向提示词的话,我们可以给他一些常规的就可以,例如模糊、最差质量、低质量水印等等。 大模型的话,大家可以在模型这里找一个,你想要它生成一个什么风格的图片,就选择对应的模型,我这里用这样一个二点五 d 的 模型,我现在什么参数都不调,先生成一下,看一下效果, 这个就是我们生成的图片,大家来看一下,首先它的一个图片的尺寸就是它的比例是不对的,它默认的话是五一二,那我们在这边你会发现图升图下面这里会多一个尺子,这个的话我们点击一下,点击了之后你会发现它的宽度、高度自动变了, 这个他就是会默认跟我们现在这个图片的尺寸是一样的。我们再来生成一下,然后我们在这边有一个重绘倍数,如果你觉得这一个太大了,那我们可以缩小一点或者放大一点都是可以的。我们来看一下现在这个图片,他这个效果的话跟我们原图差别还是挺大的, 是因为我们下面这里有一个重绘幅度,那这个重绘幅度的话,比如说我现在给他调到零,我们生成的图片就会跟原图是一模一样,那我稍微再往大一点点调,他现在带出来图片可能会更偏二点五、 d 一 点, 现在我们去提高他的一个权重。我们再来看看,一般我们推荐的值是零点三到零点七,这个值内出来的效果会比较好。 图生图的基本原理是基于 stable diffusion 模型,将输入的原始图片转化为模型能够理解的潜在空间表示,再结合用户输入的提示词,在潜在空间中进行有针对性的修改和优化,最后将修改后的潜在表示转换回图像空间,生成新的图片。 同时选择合适的模型很重要,不同模型对不同类型的图片生成效果各异。然后我们再来看一下涂鸦模式, 涂鸦模式的话我们点开这个涂鸦,点开之后同样的我们要拖拽一张图片进来,这张图片可以是任意一张白底图,也可以,接着我们在里面任意涂鸦出自己想要的画面, 接着来到上面,输入与我们想要画面的正向关键词和反向关键词,再选择一个合适的大模型,点击生成。现在图片已经出来了,我们来看一下效果。好我们再来看局部重绘, 我们点开局部重绘,它这边就是局部重绘的界面,首先第一个就是边缘模糊程度,这个值越小的话,它的边缘越生硬,然后融合效果就会比较差,这边就会出现比较生硬的效果,然后如果太大,这样的话它可能就没有效果了, 所以我们取一个中间值,至于这个数值是多少就需要大家自己去尝试,这样测试出来融合的效果才会比较好,一般默认也可以出来不错的效果。接下来就是一个比较好理解的重绘蒙版内容, 我们先把一张小姐姐的图片放进来,在这边有一个快捷键,这个跟我们的涂鸦是一样的,然后旁边这里也是一样的,他有一支笔,但是他只有一支笔,他没有颜色可以调,那我们拿这支笔放大一点点在小姐姐的手指处,比如说我就画一画, 接着来到上面输入与我们想要画面的正向关键词和反向关键词,比如说一只蝴蝶,点击生成,现在图片已经出来了,我们来看一下效果。最后我们再来看一下局部重绘的蒙版区域内容处理参数, 首先是填充,根据周围的像素填充里面的内容,适合内容改变小,重绘幅度低,使用原图是根据原来的噪声重新生成微调,变化不大,适合内容改变小,重绘幅度低,使用 潜在噪声时,自己添加一些噪声,过程可能会不可控。适合内容改变较大,即重绘幅度高时使用 空白前。在空间方面,如果前空间噪声数值为零,重新添加噪声,不参考任何东西,适合单独抠出来的物体,和周围没关系,但融合性可能不太好,适合内容改变较大,即重绘幅度高时使用。 然后我们来看一下涂鸦重绘,学习局部重绘,了解之后,涂鸦重绘就简单了,涂鸦重绘这里你会发现它比我们的局部重绘这里多了一个调色板,这是我们的画笔, 你可以选颜色,比如我选一个粉红色,除了选颜色之外,我们再来看,你看这边它多了一个蒙版透明度这个东西有什么用呢?这个颜色它会影响我们最终的一个结果,大概就是这个意思。 就比如说我们来看一下我之前做的,当我用这一个粉红色的颜色去给它涂了之后,我再写粉红色的裙子,出来的结果,它就是一个粉红色的裙子,所以它能够去影响我们这个原图,你也可以画多种颜色去叠加,而且你还可以比如说你这里再换一个裙子的颜色,在上面给它加几个扣子也是没问题的。 接下来我们来讲一下传统的上存重绘蒙版,这个就比较简单了,就是我们之前在去换背景的时候,是不是这一个图边缘老是画不好,那你如果会用 ps 或者其他的话,你就可以把这个图处理出来成这样一个黑白色直接上传一个这样的蒙版,你看它这个边缘就会处理的非常好。 这边我也来演示一下上传重绘蒙版,它这边有两个上传图片的入口,那我们先把你要处理的图片放到这里来,再把蒙版放到这个位置来, 那这边你的蒙版要注意一下,白色就是他要重绘的区域,黑色就是他非重绘的区域。我现在如果想要换背景的话,我应该是重绘蒙版区域,然后这个地方你再写一个关键词就可以了。例如一个女孩这张照片是在户外拍摄的,可能是在公园或公共场所, 背景是湛蓝的天空和郁郁葱葱的绿色植物,这样的话他的背景就会换的比较好一点,而且你也可以用它去换这种产品。 最后这里还有一个批量处理,就是它可以去批量处理你的图片,比如说你现在有很多真人图片,你要想把它一次性全部转换成这种二点五 d 风格的,那你就可以在这边输出目录, 就比如说我现在这里有一个很多图片,假装有很多图片,那我们就把这个目录复制,你再选一个输出的地方,输出的地方你可以新建一个文件夹,然后同样的把这个复制出来,那这个时候你就用图层把参数什么都给它设置好, 然后你在这边可以选择你要输出的一个模型,比如说我选择一个 rave animated 或者什么其他的都可以, 弄好了之后点击生成就可以了,它就会自动的把你这个图片全部放到我们刚刚这一个输出的这里来,每一个都会给你转成这种二点五 d 风格的感觉。好了,小伙伴们,本期内容就分享到这了,如需视频笔记文档的话。

今天我们学 sd 安装,兄弟们,天塌了,只要二零六零显卡,你就能生成这种和真人一模一样的 ai 视频,普通人绝对看不出真假,它就是赛博第一火菩萨,赛博电神。生成图片点一下就好了,生成视频也是点一下的事,且完全免费,不用积分 不用排队,并且自带三百多种风格模型,都是支持一键切换,不管是古风武侠、现代都市未来科幻,还是动漫转真人,真人转动漫,全部都是轻松拿捏。需要的朋友幺二三家好,今天给大家讲一遍这款 s d 圣徒工具的安装部署,还有出图的流程, 大家跟着步骤走就行。首先我们确定下载完的本地安装包没有出现丢包、损坏、东断缺失等情况,确认没问题之后,找见主程序的安装文件,我们双击打开它,因为我这里已经安装过了,所以是修复,大家没有安装过的话,这里是开始,点击开始 它就会自动化安装,我们只需要安静等待进度条自动跑完就可以了,这样的话系统依赖就会。安装成功之后我们解压旁边的这个安装包,把它解压到我们的本地文件之后,在解压的安装包里边就可以找到这个粉色的图标, 我们双击就可以打开。启动器,这款生图工具对新手非常友好,不需要手动搭建运行环境,不需要额外安装辅助插件, 启动后系统会自动完成所有的部署化环境。配置。这里边有两个非常实用的功能,第一个是智能硬件检测功能, 软件会自动识别电脑显卡配置和整体的硬件性能智能匹配,最优的渲染参数,不需要大家反复手动调试。第二个是异地化模型管理功能, 后续新增、删除、更新各类模型都可以直接在软件里边完成,操作简单,管理高效。我们点击一键启动按钮,软件启动的过程中可以在控制台实时查看资源加载进度等环境资源,模型资源加载完成,软件就会自动弹出浏览器的操作窗口, 只有代表安装和模型部署成功了,我们可以正式的开始生成图片。因为有很多新手会疑惑软件模型数量的问题,这里统一说明一下。软件初识安装仅自带基础的通用模型,大家在我这个界面上看到的各种模型都是我后期手动部署的, 软件里边每一款模型都配有专属的预览图设备,不同的冲突场景大家可以根据自己的需求自由选择,有效提升自己的出图的成功率和成品质量。选好对应模型后,在软件输入框内输入题值词, 然后根据画面的需求我们选择对应的参数,选择完之后就可以点击生成按钮, 等待软件自动渲染,就可以输出我们的高质量图片了。整套工具的安装、模型部署、出图操作都是非常简单易懂的,没有任何的专业技术门槛,全部都设标准化傻瓜式的操作,只要严格按照规范路径,按照步骤落地, 就可以搭建一套稳定无积分消耗的维度环境,熟练之后可以自由搭配模型,优化提质此细节, 持续提升画面的质感,轻松实现稳定批量高质量的出图。好,以上就是安装部署的完整流程,在家第一次操作就按这个顺序来,不用着急,慢慢熟悉之后就会越用越顺手。

哈喽,大家好,今天给大家带来一个 sd 的算是重大更新,最近出了一个新的采样器,嗯,叫 lcm。 这个采样器的作用呢,就是缩短我们出图的时间,他可以让你的出图效率提升几倍, 甚至于更高。原本我们至少可能要迭代步数,要二十步才能跑出一张不错的图片,但是使用这个采样机呢,可以在五步以内就得到很不错的高清大图,所以极大的缩短了我们做图的时间,无论你是任何显卡,都可以在你目前的技术上极大的缩短生成图像的时间 啊。原理性的东西,大家可以暂停一下,记录一下他这个项目主页,来这里去看一下,我就不讲原理性的东西,我今天告诉大家使用的方法以及 注意的事项。首先这个重大的更新呢,其实是针对一个采样方式的更新,但是目前在 confi ui 里面,这个采样其实已经有了,但是在外部 ui 里面,这个采样器还没有。不过不要紧,因为它在更新采样器的同时呢, 同时还更新了一个大模型和几个微调模型,包括对 s d 的优化以及对 s d 叉 l 的优化。这个模型就是 lora 模型,它的用法跟 lora 模型的用法一模一样,只要在我们生成图像的时候加入这个 lora 模型,这个时候它的出图速度就会快几倍。 这几个模型呢,我把它放到了粉丝群的链接当中,同时呢大家也可以暂停一下记录这个网页,来这里自行下载也可以。接下来进行具体的操作环节,我先不用这个模型,给大家演示一下,在原本的生图当中,我们默认就是二十步,看看跑一张图片要多久。 我这台电脑是四零八零啊,跑一张这个五幺二的小图,差不多要呃一秒钟,一点一秒,对,基本都是一点一秒,一点二秒左右。然后呢我们再看一下高清修复一张图片,也就是幺零二四乘幺零二四要多久?差不多都是五秒左右,这个是我目前的一个传统的生图状态。那接下来呢,我们来使用一下 这个新的技术,在 lora 里面,大家如果下好之后,调用方式是一样的,我们现在生成的是传统一点五的模型,我们就用这个 sd 的 lora 把它添加上来就可以了。然后第二个 这个外部员里面目前没有他最新的这个 lcm 模型,但是我测了之后发现几个传统模型也都可以达到效果。其中我认为比较好的是这个 ula, 我们就用它来生成,然后注意这里我们要把迭代步数给他改到五步以下,我这里就改为五步。然后呢在引导系数这里,我们记得一定要把它调到二以下, 我个人建议的参数是一,呃,这样的话它生成的图像才不会崩,也就是重点是一个迭代部署,另外一个就是引导磁吸数。 接下来我们点击生成一下,我们现在已经看不到这个进度条的变化了,然后看到下面的生成速度是零点四秒,我们再给他直接跑十张小图来看一下, 用时四点四秒,我们生成 十张图片,这个速度在我的这台电脑上是比原来缩减了一半很多。然后我们再尝试一下生成一张高清大图,用时一点九秒,呃,也是缩减了一半以上的速度,所以这个效率是 确实是非常高的。然后有一种量变到质变的感觉,当生成速度足够快的时候,他能做非常多的技术革新,比如说之前我们做视频 的速度,现在如果再减少一半以上,那他效率就非常高了啊。并且前段时间不是有一个火的那种左边在画右边直接出图的那种效果,我估计也是用了类似的技术,因为你足够快的话,左边画右边马上就渲染成图, 可能达到那种实时的效果,所以这个非常值得大家去尝试一下,并且他技术肯定会越来越新的。接下来呢,说几点目前的小问题。第一个就是在使用了这个 lora 或者是这个采样的情况下,图片的质量是有所下降的。虽然目前我们用的这个大模型来画,个人感觉他 整体哎效果还可以,但其实仔细看他的质量是稍微有点下降的。同时如果我们用其他的模型去画一些场景啊,风景啊物体,那个质量就相应的会更加低一些,所以目前在画人像上面,大家可以去尝试一下。第二个就是,呃,目前在康菲 ui 中,他的使用其实质量更高,速度也是更加快的, 是因为我目前还没有开始更新 copyui 的内容,所以我就先不延展了。在外部 ui 当中,我们可以呃期待一下它更新的这个采样方式出来,看看效果如何。 然后第三个就是在这个 lora 的钓友上面,理论上好像我们加入进来就可以了,但是我测试了一下他的权重也是有所影响的,比如说这里一的权重下,我们生成的是这样的图形, 然后这个时候呢,我们稍微降低一些权重,我们把它改到一个小一点的零点三。哎,我们发现他的整个画面会有一些这种灰白朦胧的效果。我自己测试了一下,如果把它改到个零点四五的话,有时候这种画风其实还是不错的, 我个人觉得这种画风还是挺有意思的,所以在更改权重这块其实对画面是稍微有些影响的,大家可以去测试一下。呃,最后就是我链接当中还把它这个针对性的大模型也放进去了,但是我自己没用这个大模型测过,因为我还是 倾向于用自己原有的模型让他增加速度。 ok, 大家可以尽快去尝试一下这个内容。嗯,确实是一个比较好的更新。

国庆又要值班,天天在这山沟里巡现,有甚意思了?哼,都什么时代了, 出了出游了, 让一让,让一让,我大清有油井了,倒要让那些瞧不起我们的洋人看看,大清有油!我去,一九零七年啊,扔着干嘛,一块走呀!哎哎,我不是这的, 这可是我们我们自己的井 哎, 团长,路好黑哦,咱们还要走多久啊?莫急,咱只管坚持往前走就是了。 要是能有一盏煤油灯就好了,能多整理几份情报,就晓得前面的路到底是啥子了,光会越来越亮的。 师傅,这批擦枪油和灯油全装好了,大伙说今晚趁热打铁,再擀一批蜡烛和油墨出来。好,后生咱延长,多念出一滴油,前线黑夜里的同志们就能多点亮一分光。 想知道梨子的味道,就得亲口尝,这是咱们抗战期间自己打的第一口井砸也得给我砸出油来! 出油了,我们有自己的起家井了,太好了,太好了,哈哈哈 啊! 现在的延长石油有了更先进的设备和技术,有了更好的生活,但我们的优良传统没有变,那就是埋头苦干,不怕困难。那就好, 我们这一代人的路没有白走,未来就交给你们了。 现在我懂得了什么是埋头苦干。

大家好,今天给大家带来一款超好用的 sd 出图插件,通过这个插件,你不用大量输入正反面词,只需要用中文简单描述一下角色外观,就可以在更小的迭代步数下出高质量图片。并且像我这样显卡不好的玩家,也可以在二十秒内轻松跑出四张高质量图片。 你可以在下方任意选择你喜欢的画风以及你想要的时代背景。 你可以直接将 gpt 写好的人物形象或者小说分镜直接跌到剧本框进行批量跑图。漫画助手会帮助我们深层高度贴合文本的图片,从而帮助你更好地完成高质量原创作品。 此外,使用漫画助手适配的推文大模型可以更好地生成各种类型的图片,无论是古风选换 还是末世小说,这个模型都可以轻松驾驭。插件评论区自提。