这谁顶得住啊！AI绘画模型竟然可以画出质量逼真的黑丝！

最新推荐文章于 2024-06-29 11:59:39 发布
最新推荐文章于 2024-06-29 11:59:39 发布
阅读量1.1k 收藏 6
点赞数 24
文章标签： AI作画 stable diffusion AIGC AI绘画 AI大模型 Lora模型
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/cxyxx12/article/details/140008704
版权

大家好，我是程序员晓晓

今天看到一个有趣的AI绘画玩法，用SD画黑丝！话不多说，开始今天的实战演练。

首先做好准备工作：部署好本地Stable Diffuison

然后就轮到今天的主角上场了

黑丝Lora模型：perfectpantyhose

这是一款叫perfectpantyhose的Lora模型，一个中国大神制作的Lora模型，模型训练时，比较精细，使用时不会影响其他大模型或lora模型。这个Lora模型质量比较高，生成真人和二次元人物均可，只适用于生成黑丝。

不过原作者已经在C站上删除了该模型，可能已经绝版了，没关系，我已经整理好了，需要的小伙伴可以扫描下载。

在图生图功能中使用该模型试试效果，这里我使用的基础模型还是爆火的 majicMIX realistic麦橘写实。

正向提示词：

1girl,sitting on a cozy couch,crossing legs,soft light

反向提示词：

(worst quality:2),(low quality:2),(normal quality:2),lowres,watermark,badhandv4,ng_deepnegative_v1_75t,

下载好 perfectpantyhose模型，并放置在stable diffuison webui\models\Lora目录中。
点击生成区第4个按钮，选择Lora选项卡，点击perfectpantyhose即可启用此Lora模型。或者直接在正向提示词输入框里输入即可启用，后面那个小数就是比重，可以根据自己喜好酌情修改。

以下图这位小姐姐为例，将其拖到图生图区域

此时还要进行一个操作，就是启用ControlNet插件里的canny，以保证生成的图片姿势外观基本不变。配置按下方的图示即可。

如果没有这个插件的可以单独安装

官方下载地址为https://huggingface.co/webui/ControlNet-modules-safetensors/blob/main/control_canny-fp16.safetensors

注意：如无法下载，请扫描获取插件安装包哦

一定要注意，这个control_canny-fp16.safetensors文件要放在ControlNet文件夹，不然无法识别出来。

设置没问题后，就可以生成图片了

以0.85的比重为例

生成前后对比就很明显了，大家可以根据自己的喜好修改这个比重

除此之外再来试试另外一款叫“20D黑丝”的Lora模型，这款作者介绍是专注于“打造美妙的20D黑丝图片”的Lora模型。

使用流程跟上面的模型基本一致，需要注意的是：

权重：推荐0.4~0.7

提示词：需要将“20d”添加到提示词中

并且配合“chilloutmix”模型，效果更佳。

扫描下载20D黑丝模型，并放置在stable diffuison webui\models\Lora目录中。点击生成按钮下方的紫色按钮，选择Lora选项卡，点击20D黑丝即可启用此Lora模型。

选一张美美的图片，试试效果，即lora:20d:0.7

可以看到，生成前后的效果还是很明显的

另外值得一提的是，如果生成的图片发现有肢体畸形，加反向提示词都拯救不了的话，可能是控制权重太大了，将1改为0.8或更低数值试下就没问题了。

感兴趣的小伙伴，赠送全套AIGC学习资料，包含AI绘画、AI人工智能等前沿科技教程和软件工具，具体看这里。

AIGC技术的未来发展前景广阔，随着人工智能技术的不断发展，AIGC技术也将不断提高。未来，AIGC技术将在游戏和计算领域得到更广泛的应用，使游戏和计算系统具有更高效、更智能、更灵活的特性。同时，AIGC技术也将与人工智能技术紧密结合，在更多的领域得到广泛应用，对程序员来说影响至关重要。未来，AIGC技术将继续得到提高，同时也将与人工智能技术紧密结合，在更多的领域得到广泛应用。
 
在这里插入图片描述

一、AIGC所有方向的学习路线

AIGC所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。

在这里插入图片描述

在这里插入图片描述

二、AIGC必备工具

工具都帮大家整理好了，安装就可直接上手！
在这里插入图片描述

三、最新AIGC学习笔记

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。
在这里插入图片描述
在这里插入图片描述

四、AIGC视频教程合集

观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

在这里插入图片描述

五、实战案例

纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
在这里插入图片描述

若有侵权，请联系删除
程序员晓晓
关注
  • 24
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
针绣ai绘画大模型lora
09-18
针绣ai绘画大模型lora 针绣是一种刺绣形式，涉及使用针和线将装饰图案缝合到画布上。它通常是在坚硬的帆布网上完成的，该帆布网为针迹提供了网格。 在针绣中，设计通常预先打印或手绘到画布上，作为缝合过程的指南...
ai写实寿司摄影绘画大模型lora
09-18
ai写实寿司摄影绘画大模型lora 尝试额外学习 SD_XL_BASE_1.0 我试图了解当地一家寿司店的免费午餐服务（10块握寿司）。 nigiriL、寿司、食物焦点、食物、静物、蔬菜、盘子、现实、 您无法选择寿司的类型。将由...
这谁顶得住啊！分享一个AI绘画Stable Diffusion 可以画黑丝的大模型
A1353192296的博客
06-12 941
首先介绍一款叫perfectpantyhose的Lora模型，一个中国大神制作的Lora模型，模型训练时，比较精细，使用时不会影响其他大模型或lora模型。当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。AIGC所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。配置按下方的图示即可。
我有个朋友，想要一个可以画黑丝的AI绘画模型（附模型下载）
A13531922961的博客
04-18 583
感兴趣的小伙伴，赠送全套AIGC学习资料，包含AI绘画、AI人工智能等前沿科技教程和软件工具，具体看这里。AIGC技术的未来发展前景广阔，随着人工智能技术的不断发展，AIGC技术也将不断提高。未来，AIGC技术将在游戏和计算领域得到更广泛的应用，使游戏和计算系统具有更高效、更智能、更灵活的特性。同时，AIGC技术也将与人工智能技术紧密结合，在更多的领域得到广泛应用，对程序员来说影响至关重要。未来，AIGC技术将继续得到提高，同时也将与人工智能技术紧密结合，在更多的领域得到广泛应用。
爽了，AI绘画不限制使用，效果拉满！！
qq_41314882的博客
03-29 927
AIGC技术的未来发展前景广阔，随着人工智能技术的不断发展，AIGC技术也将不断提高。未来，AIGC技术将在游戏和计算领域得到更广泛的应用，使游戏和计算系统具有更高效、更智能、更灵活的特性。同时，AIGC技术也将与人工智能技术紧密结合，在更多的领域得到广泛应用，对程序员来说影响至关重要。未来，AIGC技术将继续得到提高，同时也将与人工智能技术紧密结合，在更多的领域得到广泛应用。感兴趣的小伙伴，赠送全套AIGC学习资料和安装工具，包含AI绘画、AI人工智能等前沿科技教程，模型插件，具体看下方。
AI绘画Stable Diffusion
大虾别跑
06-05 474
AI绘画
AI绘画：SD制作的AI美女绘画，传统与现代的融合
A2421417624的博客
06-25 678
AIGC技术的未来发展前景广阔，随着人工智能技术的不断发展，AIGC技术也将不断提高。未来，AIGC技术将在游戏和计算领域得到更广泛的应用，使游戏和计算系统具有更高效、更智能、更灵活的特性。同时，AIGC技术也将与人工智能技术紧密结合，在更多的领域得到广泛应用，对程序员来说影响至关重要。未来，AIGC技术将继续得到提高，同时也将与人工智能技术紧密结合，在更多的领域得到广泛应用。感兴趣的小伙伴，赠送全套AIGC学习资料和安装工具，包含AI绘画、AI人工智能等前沿科技教程，模型插件，具体看下方。
ai绘画古风图片怎么生成？码住这篇文章就够了
xiehewe的博客
07-21 638
我们在观看影视作品时，常常会被剧集里衣袂飘飘的古风美女所吸引，可惜身处现代世界的我们无法时时感受古风的魅力。软件评价：在该工具为我们提供的风格中，恰好有“中国风”和“二次元”的选项。1.进入软件后在特效工具功能内选择AI绘画，进入AI绘画功能后用0—300字符描述想要生成的画面，并为图片选择风格和模型；Negative prompt"方框内输入不想在图片中出现的事物或风格，方便人工智能从画面中剔除它，之后点击生成图片。我们来看一组由这个软件生成的二次元古风美女图片，看看它们和你心目中的古风美女是否吻合~
ai绘画二次元美少女怎么生成？这篇文章让你学会
m0_73026984的博客
08-05 844
别急，我们依次来进行步骤介绍。在【Describe your image】方框内描述你所要生成的女生图像，描述要尽可能详细，以便ai生成出来的图像具有更为丰富的细节；在【Negative prompt】方框内罗列你想要生成的图片中不会出现的景物或特征，这样做的目的是方便ai对这些元素进行排除。2.接着在第二个方框内输入体现图像内容和题材特点的描述词，不过在这里要输入的是你想要所生成的图像避免的特征。与上一个软件的操作方法类似，我们要先在第一个方框内输入提示词，确保所生成的ai图像具有你想要的特点；
黑丝还是白丝，ComfyUI局部重绘助你实现丝袜自由！
程序员小麦的博客
05-31 534
不得不承认，荷尔蒙才是第一生产力！什么？你不信！看看我的视频号，发个普通视频也就几百的播放量，随便发个美女都能轻松上千，还有比这更容易的吗？！好了，随便感叹一下，我们现在进入正文。这篇文章的主题和美女有关，不过并不是教大家生产美女视频，而是讲解 ComfyUI 的图生图局部重绘，其中将会以美女图片为例，通过更改大长腿上的黑丝、白丝，来展示局部重绘的强大威力。
AI绘画美女：StableDiffusion实操教程-完美世界-国漫女神云曦（附高清图下载）
AI知识分享，技术知识分享
09-02 2727
但是还有人就问：安装是安装好了，可是为什么生成的图片和你生成的图片差距那么远呢？怎么真实感和质感一个天一个地呢？其实很关键的因素，就是别人用了对的对应大模型model和专门的lora包。今天分享一波，如何用lora包生成超真实好看质感超强的人物图片。
日式卡通ai绘画lora大模型
09-18
日式卡通ai绘画lora大模型 LoRa 模仿艺术家 Marikyuun的艺术风格。 最佳提示：1girl、独奏、白色轮廓 与 Anythingv3 配合使用效果最佳 如果你不想拧手，权重最多应该设置为0.8或0.9。如果你想要更复杂的图像或者...
stable diffusion的AI 绘画关键词库及80G+的热门Lora模型下载
08-06
stable diffusion的AI 绘画关键词库及80G+的热门Lora模型下载，包括但不限于： 1 欧漫 1 武侠 2 2.5D 2二次元 2 卡通 2矢量 3 3D 3 手绘 4 摄影 5 国风感 6 小动物 7 特殊风格 8 服装 8 物品风格 9 功能性 10 建筑 ...
hanfu-v30Song模型下载Ai绘画模型
04-18
hanfu_v30Song模型下载Ai绘画模型
AI绘画Stable Diffusion 超强一键去除图片中的物体，免费使用！
A13531922962的博客
06-24 549
大家好，我是设计师阿威。在生成图像时总有一些不完美的小瑕疵，比如多余的物体或碍眼的水印，它们破坏了图片的美感。但别担心，今天我们将介绍一款神奇的工具——sd-webui-cleaner，它可以帮助我们使用Stable Diffusion轻松去除图片中的指定物体和水印。让我们一起学习如何使用这个工具让图片恢复完美无瑕！
AI作画Prompt不会写？Amazon Bedrock Claude3.5来帮忙
xuxu96
06-26 339
Claude3.5 Sonnet的智能算法不仅能提高prompt的准确性，还能激发你的创意。最新上线的Claude3.5 Sonnet按照官方介绍的数据来看，在多方面超越了CPT-4o，是迄今为止最智能的模型。我们仅需在Claude3.5 Sonnet中输入简单的指令，增加一些限定词便可以得到我们作画所需要的prompt。根据其他大模型输出的prompt来生成的图片较为粗糙，场景比较单一。而根据Claude3.5 Sonnet输出的prompt生成的图片场景较为丰富，图片质量也更高。
最新AIGC系统源码-ChatGPT商业版系统源码，自定义ChatGPT指令Promp提示词，AI绘画系统，AI换脸、多模态识图理解文档分析
CodeRunning的博客
06-25 2158
SparkAi创作系统是一款基于ChatGPT和Midjourney开发的智能问答和绘画系统，提供一站式 AI B/C 端解决方案，涵盖AI大模型提问、AI绘画、文档分析、图像识别和理解、TTS & 语音识别、AI换脸等多项功能。它支持GPTs应用和Prompt自定义预设应用，配备插件系统，并即将推出AI视频生成和AI音乐生成功能。该系统兼容OpenAI-GPT全模型及国内所有AI模型，具备GPT-4大模型支持、联网提问、DALL-E3文本生成图像、GPT4-All联网搜索模型、思维导图、会员套餐、分销系统
AI绘画 Stable Diffusion【实战进阶】：图片的创成式填充，竖图秒变横屏壁纸！想怎么扩就怎么扩！
最新发布
A13531922962的博客
06-29 529
所谓图片的创成式填充，就是基于原有图片进行扩展或延展，在保证图片合理性的同时实现与原图片的高度契合。是目前图像处理中常见应用之一。之前大部分都是通过PS工具来处理的。今天我们来看看在Stable Diffusion中如何实现。
如何训练出ai绘画的模型，给出详细的python代码
09-08
### 回答1： 培训 AI 绘画模型的步骤如下： 1. 准备数据集：首先，你需要准备一组绘画作品的图像数据，这些图像将用于训练 AI 模型。你可以从互联网上搜索绘画作品的图像，或者可以使用你自己的绘画作品来作为训练数据。 2. 准备训练和测试数据：接下来，你需要将你的数据集分为训练数据和测试数据两部分。通常，我们使用 70% 的数据作为训练数据，30% 的数据作为测试数据。这样做是为了在训练模型完成后，能够用测试数据来评估模型的性能。 3. 构建模型：接下来，你需要选择一种模型架构并构建模型。常用的模型架构包括卷积神经网络 (CNN) 和生成对抗网络 (GAN)。你可以使用 Python 库如 TensorFlow 或 PyTorch 来构建模型。 4. 训练模型：在构建好模型后，你需要使用训练数据来训练模型。这一过程中，模型将会学习绘画作品的细节和特征，并逐步提升自己的绘画能力。 5. 评估 ### 回答2： 要训练出AI绘画的模型，首先需要获取大量的绘画数据集，并对数据进行预处理。以下是详细的Python代码示例： 1. 数据采集和预处理： ```python import os import cv2 import numpy as np # 读取原始绘画数据 data_dir = 'path_to_training_data_directory' images = [] for file_name in os.listdir(data_dir): file_path = os.path.join(data_dir, file_name) image = cv2.imread(file_path) images.append(image) # 图像数据预处理，包括灰度化、调整大小等 preprocessed_images = [cv2.resize(cv2.cvtColor(image, cv2.COLOR_BGR2GRAY), (256, 256)) for image in images] # 将图像数据转为numpy数组 preprocessed_images = np.array(preprocessed_images) # 将图像数据归一化为0-1范围 preprocessed_images = preprocessed_images.astype('float32') / 255.0 # 保存预处理后的图像数据 np.save('preprocessed_images.npy', preprocessed_images) ``` 2. 构建模型： ```python import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv2D, Flatten, Dense # 加载预处理后的图像数据 preprocessed_images = np.load('preprocessed_images.npy') # 创建模型 model = Sequential() model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(256, 256, 1))) model.add(Flatten()) model.add(Dense(256, activation='relu')) model.add(Dense(256, activation='relu')) model.add(Dense(256, activation='relu')) model.add(Dense(256, activation='relu')) model.add(Dense(256, activation='relu')) model.add(Dense(256, activation='relu')) model.add(Dense(256, activation='relu')) model.add(Dense(256, activation='relu')) model.add(Dense(256, activation='relu')) model.add(Dense(256, activation='relu')) model.add(Dense(256, activation='relu')) model.add(Dense(256, activation='relu')) model.add(Dense(256, activation='relu')) model.add(Dense(256, activation='relu')) model.add(Dense(256, activation='relu')) model.add(Dense(256, activation='relu')) model.add(Dense(256, activation='relu')) model.add(Dense(256, activation='relu')) model.add(Dense(1, activation='sigmoid')) # 编译模型 model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) # 训练模型 model.fit(preprocessed_images, preprocessed_images, batch_size=32, epochs=10) ``` 3. 模型训练完成后，可以使用该模型进行绘画： ```python import matplotlib.pyplot as plt # 随机选择一张图像数据 random_index = np.random.randint(0, preprocessed_images.shape[0]) input_image = preprocessed_images[random_index] # 使用模型进行预测 output_image = model.predict(np.array([input_image])) # 原始图像 plt.subplot(1, 2, 1) plt.imshow(input_image, cmap='gray') plt.title('Input Image') # 输出图像 plt.subplot(1, 2, 2) plt.imshow(output_image.reshape((256, 256)), cmap='gray') plt.title('Output Image') plt.show() ``` 通过以上的步骤和代码，你可以训练出一个AI绘画的模型，并使用该模型进行绘画。但是需要注意的是，由于绘画是一种复杂的创造性任务，训练结果可能会有限，需要根据实际情况进行模型调整和数据处理，以获得更好的绘画效果。 ### 回答3： 要训练出一个AI绘画模型，我们可以利用深度学习技术，并使用Python编写代码。以下是一个简单的步骤： 1. 数据准备：收集足够数量的绘画图像作为训练数据。可以通过网络爬虫或从公开数据集下载图像。最好包含各种绘画风格和主题，以增强模型的多样性。 2. 数据预处理：对图像进行预处理，包括图像缩放、裁剪和标准化。可以使用Python的OpenCV库来处理图像。 3. 模型选择和搭建：选择一个适合绘画的深度学习模型，如卷积神经网络（CNN）或生成对抗网络（GAN）。根据图像的风格和要求进行模型搭建。可以使用Python的深度学习库，如TensorFlow或PyTorch来搭建模型。 4. 模型训练：将准备好的训练数据输入到模型中，使用反向传播算法和优化器进行训练。可以尝试使用不同的超参数来优化模型性能，如学习率和批量大小等。 5. 模型评估和调优：使用测试集对训练好的模型进行评估，并根据评估结果调整模型。可以使用Python的评估指标库，如scikit-learn来进行评估。 6. 模型应用：训练好的模型可以用于生成新的绘画图像。将随机噪声输入到模型中，通过模型的前向传播过程生成新的图像。可以使用Python的图像处理库，如PIL或OpenCV来保存和展示生成的图像。 下面是一个示例代码，使用TensorFlow搭建一个简单的GAN模型： ```python import tensorflow as tf from tensorflow.keras import layers # 模型定义 def make_generator_model(): model = tf.keras.Sequential() model.add(layers.Dense(7*7*256, use_bias=False, input_shape=(100,))) model.add(layers.BatchNormalization()) model.add(layers.LeakyReLU()) model.add(layers.Reshape((7, 7, 256))) model.add(layers.Conv2DTranspose(128, (5, 5), strides=(1, 1), padding='same', use_bias=False)) model.add(layers.BatchNormalization()) model.add(layers.LeakyReLU()) model.add(layers.Conv2DTranspose(64, (5, 5), strides=(2, 2), padding='same', use_bias=False)) model.add(layers.BatchNormalization()) model.add(layers.LeakyReLU()) model.add(layers.Conv2DTranspose(1, (5, 5), strides=(2, 2), padding='same', use_bias=False, activation='tanh')) return model # 模型训练 def train_model(): (train_images, _), (_, _) = tf.keras.datasets.mnist.load_data() # 数据预处理 train_images = train_images.reshape(train_images.shape[0], 28, 28, 1).astype('float32') train_images = (train_images - 127.5) / 127.5 BUFFER_SIZE = 60000 BATCH_SIZE = 256 # 创建数据集 train_dataset = tf.data.Dataset.from_tensor_slices(train_images).shuffle(BUFFER_SIZE).batch(BATCH_SIZE) generator = make_generator_model() generator_optimizer = tf.keras.optimizers.Adam(1e-4) cross_entropy = tf.keras.losses.BinaryCrossentropy(from_logits=True) @tf.function def train_step(images): noise = tf.random.normal([BATCH_SIZE, 100]) with tf.GradientTape() as gen_tape: generated_images = generator(noise, training=True) gen_loss = cross_entropy(tf.ones_like(generated_images), generated_images) gradients_of_generator = gen_tape.gradient(gen_loss, generator.trainable_variables) generator_optimizer.apply_gradients(zip(gradients_of_generator, generator.trainable_variables)) epochs = 50 for epoch in range(epochs): for image_batch in train_dataset: train_step(image_batch) return generator # 模型应用 def generate_images(generator): noise = tf.random.normal([1, 100]) generated_image = generator(noise, training=False) # 将生成的图像从[-1, 1]恢复到[0, 1] generated_image = 0.5 * generated_image + 0.5 # 保存和展示图像 tf.keras.preprocessing.image.save_img("generated_image.png", generated_image[0]) generated_image.show() generator_model = train_model() generate_images(generator_model) ``` 以上是一个简单的AI绘画模型的训练和应用步骤，代码中的GAN模型可以生成MNIST数字数据集的手写数字图像。你可以根据自己的需求和数据集进行适当的修改和扩展。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值