स्थिर प्रसार म्हणजे काय आणि ते कशासाठी आहे?

चे विश्व कृत्रिम बुद्धिमत्ता अलिकडच्या वर्षांत एक मोठी झेप घेतली आहे, ज्यामुळे कोणालाही, त्यांचे तांत्रिक ज्ञान किंवा कलात्मक अनुभव काहीही असो, ते करण्याची परवानगी मिळाली आहे साध्या वाक्यांमधून आकर्षक प्रतिमा तयार करा. स्थिर प्रसारजनरेटिव्ह एआयच्या क्षेत्रातील सर्वात क्रांतिकारी आणि प्रशंसित विकासांपैकी एक, प्रयोग करू इच्छिणाऱ्यांसाठी आणि डिझाइन आणि चित्रण व्यावसायिकांसाठी, शक्तिशाली साधने तुमच्या बोटांच्या टोकावर ठेवते.

या मार्गदर्शकामध्ये आम्ही तुम्हाला स्टेबल डिफ्यूजनबद्दल सर्वकाही सांगतो. नवशिक्यांसाठीच्या पहिल्या पायऱ्यांपासून ते प्रगत प्रॉम्प्ट आणि संपादन तंत्रांपर्यंत, ज्यामध्ये टूल्स, टेम्पलेट्स आणि एक्सटेंशनसाठी शिफारसी समाविष्ट आहेत जे तुमच्या निर्मितीला पुढील स्तरावर घेऊन जातील.

स्टेबल डिफ्यूजन म्हणजे काय आणि त्यामुळे इमेजिंगमध्ये क्रांती का आली आहे?

स्थिर प्रसार हे एक ओपन-सोर्स आर्टिफिशियल इंटेलिजेंस मॉडेल आहे ज्याने सखोल शिक्षण तंत्रांचा वापर करून प्रतिमा निर्मितीचे लोकशाहीकरण केले आहे. त्याच्या नाविन्यपूर्ण डिझाइनमुळे, तुम्हाला एका साध्या मजकूर वर्णनाचे (प्रॉम्प्ट) अविश्वसनीय प्रतिमांमध्ये रूपांतरित करण्याची परवानगी देते, तपशीलवार आणि उच्च दर्जाचे. तुम्ही कुठेही असलात तरी, तुम्ही त्याचे इंजिन काहीही पैसे न देता वापरू शकता, तुम्हाला हवे तिथे ते स्थापित करू शकता आणि तुमच्या गरजेनुसार ते अपग्रेड देखील करू शकता, जे ते इतर व्यावसायिक आणि बंद उपायांपेक्षा वेगळे करते.

स्थिर प्रसाराचे ऑपरेशन खालील गोष्टींवर आधारित आहे: प्रसार मॉडेल: ते एखाद्या मृत टीव्हीसारख्या यादृच्छिक आवाजाने सुरू होते आणि तुमच्या मजकुराच्या मार्गदर्शनाखाली अनेक पायऱ्या आणि सुधारणांद्वारे, तो आवाज काढून टाकते जोपर्यंत तो एक सुसंगत आणि दृश्यमान आकर्षक प्रतिमा तयार करत नाही.

हे वैशिष्ट्य ते बनवते कलाकार, कंटेंट क्रिएटर्स, डेव्हलपर्स आणि घरगुती वापरकर्त्यांसाठी आदर्श पर्याय ज्यांना पारंपारिक प्रतिमांच्या पलीकडे जायचे आहे. हे ओपन सोर्स असल्याने, तुम्हाला तृतीय-पक्ष सर्व्हर किंवा मासिक शुल्कावर अवलंबून न राहता, अंतहीन कस्टमायझेशन, मालकीच्या साधनांसह एकत्रीकरण आणि स्थानिक निर्मितीचे दरवाजे उघडतात.

स्टेबल डिफ्यूजनसह तुम्ही काय करू शकता?

स्थिर प्रसार अनुप्रयोग केवळ मजकुरापासून प्रतिमा तयार करण्यापलीकडे जातात. एआय फक्त सुरुवातीपासून प्रतिमा तयार करत नाही., परंतु हे देखील सक्षम आहे:

• विद्यमान प्रतिमा संपादित करा: तुम्ही फोटो अपलोड करू शकता आणि त्याला वस्तू जोडण्यास, तपशील काढून टाकण्यास किंवा शैली बदलण्यास सांगू शकता.
• बाह्यरंगीकरण: तुम्ही प्रॉम्प्टमध्ये दिलेल्या संकेतांपासून तुमच्या रचनेच्या कडा वाढवते.
• विशिष्ट क्षेत्रे भरणे (रंगकामात): तुम्ही निवडलेल्या प्रतिमेचा फक्त एक भाग सुधारा, जसे की हात दुरुस्त करणे, पार्श्वभूमी बदलणे किंवा चेहऱ्यावरील भाव वाढवणे.
• प्रतिमा रूपांतरित करा (img2img): तुम्ही संदर्भ म्हणून वास्तविक प्रतिमा वापरू शकता जेणेकरून स्टेबल डिफ्यूजन त्याचा दुसऱ्या शैलीत अर्थ लावू शकेल, प्रकाशयोजना किंवा रंग बदलू शकेल...
• कलात्मक शैलींचे संयोजन: हे एकाच प्रॉम्प्टमध्ये वेगवेगळ्या तंत्रे आणि संदर्भ (उदाहरणार्थ, शास्त्रीय कला, अॅनिमे, फोटोरिअलिझम इ.) मिसळते.

हे एक अष्टपैलुत्व डिजिटल सर्जनशीलता, चित्रण, ग्राफिक डिझाइन आणि व्हिडिओ गेम, मार्केटिंग मोहिमा किंवा एआयच्या मर्यादा एक्सप्लोर करण्यात मजा करण्यासाठी संसाधने निर्माण करण्यासाठी ते एक आदर्श साथीदार बनवते.

स्टॅबल डिफ्यूजन आतून कसे काम करते?

स्थिर प्रसार खालील गोष्टींपासून उद्भवतो: लाखो कॅप्शन केलेल्या प्रतिमांचे प्रशिक्षण मोठ्या डेटासेटमुळे (जसे की LAION-5B), जिथे AI मजकूर संकल्पनांना दृश्य नमुन्यांशी जोडण्यास शिकते. मॉडेल वापरते जे म्हणून ओळखले जाते प्रसार मॉडेल: प्रथम एखाद्या प्रतिमेचे आवाजात रूपांतर करून ते नष्ट करते आणि नंतर वापरकर्त्याने प्रविष्ट केलेल्या मजकुराच्या आधारे ती सुरवातीपासून पुन्हा तयार करायला शिकते.

प्रत्येक टप्प्यावर, मॉडेल प्रतिमा सुधारते, आवाज कमी करणे आणि तपशीलांची पातळी वाढवणे, जोपर्यंत निकाल आम्ही वर्णन केलेल्या दृश्याच्या जवळ येत नाही. याव्यतिरिक्त, स्टेबल डिफ्यूजन तुम्हाला दृश्यातील विशिष्ट घटकांना प्राधान्य देण्यासाठी (किंवा कमी करण्यासाठी), शैलींमध्ये फेरफार करण्यासाठी आणि अवांछित परिणाम टाळण्यासाठी विशिष्ट शब्दांचे "वजन" नियंत्रित करण्याची परवानगी देते.

La प्रकल्पाची सतत उत्क्रांती आणि कोडसाठी त्याची मोकळेपणा यामुळे समुदायाने असंख्य प्रकारांचा उदय आणि सुधारणा केल्या आहेत, जसे की नवीन मॉडेल्स, शैली आणि तंत्रे ज्यामुळे अधिक वास्तववादी किंवा विशिष्ट परिणाम साध्य झाले आहेत.

इतर साधनांपेक्षा स्टेबल डिफ्यूजनचे कोणते फायदे आहेत?

स्थिर प्रसाराचा मुख्य फरक म्हणजे त्याचे स्वरूप मोफत आणि मुक्त स्रोत आहे. मिडजर्नी किंवा DALL-E सारख्या इतर मॉडेल्सपेक्षा वेगळे, तुम्ही ते तुमच्या स्वतःच्या संगणकावर चालवू शकता, सर्व्हरवर स्थापित करू शकता, नवीन गोष्टी वापरून पाहू शकता आणि तुमच्या आवडीनुसार त्यात बदल करू शकता. इतर उल्लेखनीय फायद्यांमध्ये हे समाविष्ट आहे:

• मोफत (प्रीमियम प्लॅटफॉर्म वगळता): तुम्ही बहुतेक वेब सेवा आणि स्थानिक स्थापना मोफत वापरू शकता, जोपर्यंत तुम्ही प्रीमियम सर्व्हर निवडत नाही किंवा अतिशय विशिष्ट प्रगत वैशिष्ट्यांमध्ये प्रवेश इच्छित नाही.
• गोपनीयताः क्लाउड डेटा किंवा स्लो कनेक्शनमधील समस्या टाळून, तुम्ही तुमची सिस्टम न सोडता प्रतिमा तयार करू शकता.
• मॉड्यूलॅरिटी आणि कस्टमायझेशन: अनंत कस्टम मॉडेल्स, शैली, विस्तार आणि समुदाय-विकसित संसाधनांना समर्थन देते.
• गुणवत्ता आणि तपशील: नवीनतम पिढीतील मॉडेल्स (SDXL, Juggernaut, Realistic Vision, इ.) सशुल्क प्रतिमा उत्पादनाला स्पर्धा करतात आणि अनेकदा त्याहूनही जास्त असतात.

या पार्श्वभूमीवर, काही कमकुवतपणा किंवा प्रलंबित मुद्दे देखील निदर्शनास आणून दिले पाहिजेत. सर्वात महत्त्वाचे म्हणजे, हे लक्षात घेतले पाहिजे की स्थिर प्रसार प्रस्तुत करतो इतर उपायांपेक्षा शिकण्याची प्रक्रिया जास्त कठीण व्यावसायिक 

सुरुवात करणे: स्थानिक पातळीवर स्थिर प्रसार कसे स्थापित आणि कॉन्फिगर करावे

तुमच्या संगणकावर स्टेबल डिफ्यूजन स्थापित करणे वाटते त्यापेक्षा सोपे आहे, विशेषतः लोकप्रिय इंटरफेससह. स्वयंचलित 1111, ज्याने विंडोजसाठी प्रक्रिया शक्य तितकी सोपी केली आहे.

1. च्या अधिकृत भांडारात जा GitHub वर ऑटोमॅटिक ११११, “मालमत्ता” विभाग शोधा आणि इंस्टॉलर (.exe) डाउनलोड करा.
2. डाउनलोड केलेली फाईल चालवा. तुमच्या संगणकाच्या गतीनुसार इंस्टॉलेशन प्रक्रियेस काही वेळ लागू शकतो.
3. पूर्ण झाल्यावर, तुमच्या डेस्कटॉपवर किंवा डेस्टिनेशन फोल्डरमध्ये "A1111 WebUI" नावाचा शॉर्टकट असेल. डबल-क्लिक केल्याने तुमच्या ब्राउझरमध्ये ग्राफिकल इंटरफेस उघडेल, जो तयार करण्यास तयार असेल.
4. जर तुमचा संगणक खूप शक्तिशाली नसेल तर आम्ही इंटरफेस आणि एक्सटेंशनसाठी स्वयंचलित अपडेट्स सक्षम करण्याची शिफारस करतो, तसेच "लो व्हीआरएएम" पर्याय देखील सक्षम करण्याची शिफारस करतो.

जर तुम्ही मॅक किंवा लिनक्स वापरत असाल, तर त्यांच्या ओपन सोर्स रिपॉझिटरीजमधून स्टेबल डिफ्यूजन इंस्टॉल करण्यासाठी विशिष्ट मार्गदर्शक आहेत.

स्टेबल डिफ्यूजनमध्ये प्रभावी प्रॉम्प्ट कसे लिहावेत: रचना, वाक्यरचना आणि टिप्स

तुमच्या प्रतिमांचे यश जवळजवळ पूर्णपणे प्रॉम्प्टवर अवलंबून असते. चांगली रचना तुम्हाला व्यावसायिक परिणाम साध्य करण्यास अनुमती देईल. आणि अस्पष्ट वर्णनांसह निर्माण केलेल्यांपेक्षा खूप वेगळे.

शिफारस केलेल्या सूचनांमध्ये हे सूचित केले पाहिजे:

• प्रतिमेचा प्रकार: छायाचित्रण, रेखाचित्र, चित्रण, 3D प्रस्तुतीकरण इ.
• विषय: प्रतिमेत कोण दिसतंय (व्यक्ती, प्राणी, वस्तू...), तुम्हाला हव्या असलेल्या सर्व तपशीलांसह (वय, वांशिकता, अभिव्यक्ती इ.)
• क्रिया: तो माणूस काय करत आहे?
• संदर्भ/परिस्थिती: दृश्य कुठे घडते, प्रकाशयोजना, वर्षाचा काळ, प्रमुख रंग इ.
• सुधारकः चित्रकला शैली, लेन्स आणि कॅमेरा, दिवसाची वेळ, रंग पॅलेट, संदर्भ कलाकार, रिझोल्यूशन, गुणवत्ता, बोकेह, ब्लर, टेक्सचरिंगसारखे विशेष प्रभाव...

परिच्छेद नकारात्मक सूचना, फक्त प्रतिमेत तुम्हाला नको असलेली सर्व वैशिष्ट्ये जोडा: “अस्पष्ट, कुरूप, विकृत हात, खूप जास्त बोटे, मजकूर, वॉटरमार्क, कमी रिझोल्यूशन, चुकीचे प्रमाण, विकृत, डुप्लिकेट…” आणि निकालात तुम्हाला त्रास देणारे इतर काहीही.

स्टेबल डिफ्यूजनमध्ये प्रॉम्प्ट कसे सुधारायचे?

सर्वोत्तम परिणाम साध्य करण्यासाठी, या टिप्स फॉलो करा. वजन आणि प्रोग्रामिंग योग्यरित्या समायोजित करणे उचित आहे. स्थिर प्रसार तुम्हाला विशिष्ट शब्दांना कमी-अधिक महत्त्व देण्याची परवानगी देतो. वाक्यरचना वापरून "शब्द: घटक". हा शब्द:घटक जितका जास्त असेल तितका तो शब्द अधिक संबंधित असेल; शब्द किंवा संकल्पनेचे वजन आणखी वाढवण्यासाठी तुम्ही अतिरिक्त कंस वापरू शकता.

याव्यतिरिक्त, वाक्यरचना-चालित प्रॉम्प्ट प्रोग्रामिंग तुम्हाला एकाच प्रतिमेत कल्पना किंवा शैली एकत्र करण्याची परवानगी देते, ज्यामुळे एका संकल्पनेतून दुसऱ्या संकल्पनेत संक्रमण तुम्ही परिभाषित केलेल्या चरणांचे अनुसरण करते.

जर तुम्ही अडकले असाल किंवा जलद प्रेरणा शोधत असाल, तर लेक्सिका, सिविटाई किंवा स्टेबल डिफ्यूजनच्या स्वतःच्या पीएनजी इन्फो टॅब सारख्या प्लॅटफॉर्मवर तुम्हाला एआय-जनरेटेड प्रतिमा ड्रॅग करण्याची आणि त्या तयार करण्यासाठी वापरलेला अचूक प्रॉम्प्ट पाहण्याची परवानगी मिळते.

अतिवास्तववादी आणि कलात्मक प्रतिमांसाठी सर्वोत्तम स्थिर प्रसार मॉडेल्स

स्टेबल डिफ्यूजन विश्व त्याच्या मूलभूत मॉडेल्सपेक्षा खूपच विस्तृत आहे. सध्या फोटोरिअलिझम, अॅनिमे, तांत्रिक चित्रण इत्यादी विशिष्ट शैलींशी जुळवून घेतलेले अनेक सानुकूल मॉडेल्स (चेकपॉइंट्स) आहेत. काही सर्वात शिफारसित आणि लोकप्रिय आहेत:

SD 1.5 साठी मॉडेल्स:

• जगरनॉट रबॉर्न: वास्तववादी त्वचा, भिन्न पार्श्वभूमी आणि नैसर्गिक रंग यामध्ये तज्ञ. उबदार, RAW-शैलीचे निकाल.
• रिअॅलिस्टिक व्हिजन आवृत्ती ५.१: पोर्ट्रेट, भावना आणि चेहऱ्यावरील तपशीलांवर उत्तम प्रभुत्व. पार्श्वभूमी आणि विषयांमध्ये खूप संतुलित.
• मला विश्वासच बसत नाहीये की ही छायाचित्रण नाहीये: बहुमुखी, प्रकाशयोजना आणि कोनात उत्कृष्ट. पोर्ट्रेट आणि विविध थीमसाठी आदर्श.
• फोटॉन V1: गुणवत्ता आणि बहुमुखी प्रतिभा यांच्यातील संतुलन, विशेषतः मानवी थीमसाठी.
• वास्तववादी स्टॉक फोटो: त्वचेवर कोणतेही डाग नसलेल्या, अतिशय पॉलिश केलेल्या, कॅटलॉग-शैलीतील प्रतिमा.
• अझोव्या फोटोरियल: ते तितकेसे प्रसिद्ध नाही पण उत्कृष्ट परिणाम देते आणि इतर मॉडेल्ससह तंत्रे विलीन करण्यासाठी वापरले जाऊ शकते.

SDXL साठी मॉडेल (नवीनतम पिढी):

• जगरनॉट एक्सएल (एक्स): सिनेमॅटिक रचना, पोर्ट्रेटमध्ये उत्कृष्ट आणि लांबलचक सूचना समजून घेणे.
• रिअलव्हिसएक्सएल: त्वचेमध्ये वास्तववादी अपूर्णता, पोत आणि टोन बदल निर्माण करण्यात अतुलनीय.
• हॅलोवर्ल्ड एक्सएल आवृत्ती ६.०: यात अॅनालॉग दृष्टिकोन, चांगले शरीर प्रमाण आणि विंटेज सौंदर्यशास्त्र आहे. अधिक अत्याधुनिक सूचनांसाठी GPT4v टॅगिंग वापरा.
• सन्माननीय उल्लेख: फोटोपीडिया एक्सएल, रिअॅलिझम इंजिन एसडीएक्सएल, फुली रिअल एक्सएल (कमी करंट पण तरीही वैध).

हे सर्व मॉडेल्स रिपॉझिटरीजमधून मोफत डाउनलोड करता येतात जसे की सिविताई, आणि त्यांना स्टेबल डिफ्यूजन इंटरफेसमध्ये दिसण्यासाठी योग्य फोल्डरमध्ये ठेवा.

स्टेबल डिफ्यूजनमध्ये कस्टम मॉडेल्स कसे स्थापित करावे आणि व्यवस्थापित करावे

नवीन टेम्पलेट डाउनलोड करणे इतके सोपे आहे:

1. सिविटाई सारख्या रिपॉझिटरीजमध्ये प्रवेश करा आणि "चेकपॉइंट्स" द्वारे फिल्टर करा.
2. तुम्हाला हवे असलेले मॉडेल निवडा (अधिक सुरक्षिततेसाठी त्यात .safetensor एक्सटेंशन असल्याची खात्री करा).
3. फाइल डाउनलोड करा आणि ती /stable-diffusion-webui/models/Stable-diffusion या मार्गावर कॉपी करा.
4. इंटरफेस रीस्टार्ट करा आणि “चेकपॉइंट” पॅनेलमधून मॉडेल निवडा.

स्टेबल डिफ्यूजनसह खरोखरच आकर्षक प्रतिमा मिळविण्यासाठी व्यावसायिक टिप्स

स्थिर प्रसारावर प्रभुत्व मिळवण्यासाठी प्रयोग करणे, निकालांमधून शिकणे आणि तुमची तंत्रे आणि कल्पनाशक्ती वाढवणे समाविष्ट आहे:

• एम्बेडिंगसह खेळा: तुमच्या प्रतिमांचे सौंदर्यशास्त्र सुधारण्यासाठी, मॉडेल निर्मात्यांनी शिफारस केलेले एम्बेडिंग वापरून पहा (उदा., बॅडड्रीम, अनरिअलिस्टिकड्रीम, फास्टनेगेटिव्हव्ही२, जुगरनॉटनेगेटिव्ह-नेगेटिव्ह). एम्बेडिंग्ज तुम्हाला हात, डोळे इत्यादी वैशिष्ट्ये समायोजित करण्याची परवानगी देतात.
• चेहऱ्याच्या तपशीलांसाठी एक्सटेंशन वापरा: A1111 साठी Adetailer एक्सटेंशन किंवा ComfyUI मधील फेस डिटेलर पाईप नोड तुम्हाला चेहऱ्यावर आणि हातांवर निर्दोष परिणाम मिळविण्यात मदत करेल, विशेषतः वास्तववादी पोर्ट्रेटसाठी उपयुक्त.
• परिपूर्णतावादी लोकांसाठी कंट्रोलनेट्स: जर तुम्ही हातांनी, पोझने किंवा शरीराने जबरदस्त आकर्षक असाल, तर तुमच्या रचनांना अधिक चांगल्या प्रकारे साकारण्यासाठी कंट्रोलनेटचे विविध प्रकार एक्सप्लोर करा.
• चाचणी आणि त्रुटी: पहिली प्रतिमा परिपूर्ण असेल अशी अपेक्षा करू नका; इच्छित गुणवत्ता प्राप्त होईपर्यंत पुनरावृत्ती करणे, सूचना सुधारणे आणि नकारात्मकता समायोजित करणे ही गुरुकिल्ली आहे.
• प्रॉम्प्टच्या रचनेकडे लक्ष द्या: विरोधाभास टाळा (उदाहरणार्थ, एकाच वाक्यात "लांब केस" आणि "लहान केस") आणि सुरुवातीलाच संकल्पनांना प्राधान्य द्या, ज्या अंतिम प्रतिमेत अधिक वजनदार असतील.

स्टेबल डिफ्यूजनच्या शक्यतांच्या या दौऱ्यानंतर, हे स्पष्ट होते की एआय आपण निर्माण करण्याच्या पद्धतीत क्रांती घडवत आहे, आश्चर्यकारक, व्यावसायिक आणि नैसर्गिक परिणामांसह प्रतिमांचे प्रयोग आणि रूपांतर करा.. जर तुम्हाला डिजिटल सर्जनशीलतेमध्ये रस असेल, तर एआय व्हिज्युअल जनरेशनच्या जगाचा शोध घेण्यासाठी यापेक्षा चांगला वेळ नाही: चांगल्या सूचना, योग्य साधन आणि थोड्या सरावाने, कोणीही त्यांच्या कल्पना केलेल्या प्रतिमा प्रत्यक्षात आणू शकतो, साध्या स्केचेसपासून ते हायपर-रिअलिस्टिक रचनांपर्यंत ज्या व्यावसायिक छायाचित्रणापेक्षा वेगळ्या आहेत.