沉浸式体验Stability AI文生图、图生图、图片PS功能（中篇）

于 2024-08-31 23:11:55 发布
阅读量580 收藏 7
点赞数 13
分类专栏： AWS技术 文章标签： 人工智能 科技 aws 亚马逊云科技 开发 语言模型 架构
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/m0_66628975/article/details/141759983
版权

今天小李哥就来介绍亚马逊云科技推出的国际前沿人工智能模型平台Amazon Bedrock上的Stability Diffusion模型开发生成式AI图像生成应用！本系列共有3篇，在上篇中我们学习了如何在亚马逊云科技控制台上体验该模型的每个特色功能，如文生图、图生图、图像修复等。

接下来在中篇中我将带大家沉浸式实操通过API调用的方式访问Stability Difussion模型，体验该模型的特色功能。大家可以通过本博客中的实操项目自己学习AI技能，并应用到日常工作中。也欢迎大家继续关注本系列第三篇，通过Stability Difussion模型API调用的方式，开发一个属于自己的图片生成网页应用。

方案所需基础知识

什么是Amazon Bedrock

Amazon Bedrock 是一项完全托管的服务，通过统一的 API 提供来自 AI21 Labs、Anthropic、Cohere、Meta、Mistral AI、Stability AI 和 Amazon 等领先 AI 公司的高性能基础模型（FMs），同时提供广泛的功能，让开发者能够在确保安全、隐私和负责任 AI 的前提下构建生成式 AI 应用。使用 Amazon Bedrock，开发者们可以：

轻松地测试、评估开发者的用例在不同基础模型下的表现；

  1. 使用微调和检索增强生成（RAG）等技术定制化开发应用程序；
  2. 构建可以使用开发者的企业系统和数据源自动执行任务的智能 Agents。
  3. 由于 Amazon Bedrock 是 Serverless 的服务，开发者无需管理任何基础设施，并且可以使用开发者已经熟悉其它的亚马逊云科技服务安全地集成和部署生成式 AI 功能到开发者的应用中。

什么是 Stability AI 模型？

Stability AI 是一家致力于开发和提供生成式人工智能模型的公司，其模型被广泛应用于图像生成领域。Stability AI 的模型中最著名的莫非是 Stable Diffusion 生成模型，能够根据用户输入的描述，自动生成高度逼真的图像和文本。这些模型以其卓越的生成能力和灵活性，在应用开发中管饭应用和认可。

Stability AI 模型的应用场景

创意设计：

Stability AI 的生成模型广泛应用于创意设计领域，帮助设计师和美工快速生成高质量的图像、插画和视觉内容，可以用于产品展示、品牌推广，社交媒体内容创作。通过简单的文本描述，就可以快速生成符合特定主题或风格的视觉素材，大大提升了设计效率和创意表现力。

游戏开发：

Stability AI 的图像生成技术也被广泛应用于游戏开发中。开发者可以利用这些模型快速生成游戏场景、角色设计和道具，节省大量的美术资源，并加速游戏开发。利用AI的图像生成能力，使得小型开发团队也能够制作出富有视觉冲击力的游戏内容。

教育和培训：

在教育和培训领域，Stability AI 模型能够根据教学需求生成个性化的学习材料和培训教案，帮助教师和培训师提高教学效果，特别是生成式AI相关的主题培训，提升学习者的参与度和学习体验。

本实践包括的内容

1. 通过Amazon Bedrock API调用的方式体验文生图功能

2. 通过Amazon Bedrock API调用的方式体验和图像修复功能

3. 通过Amazon Bedrock API调用的方式体验图生图功能

功能实践具体步骤

文生图功能

1. 首先我们了解Stability模型的文生图推理参数，以Stability AI SDXL 1.0为例，模型参数共分为必要参数和可选参数。

必要参数有：

参数描述最低值最高值
text_prompts生成文本提示数组，包含提示及权重02000

可选参数有：

参数描述默认值最低值最高值可选值
weight模型应用于提示的权重1
cfg_scale决定最终图像对提示的描绘程度7035
clip_guidance_preset预设参数FAST_BLUE, FAST_GREEN, NONE, SIMPLE SLOW, SLOWER, SLOWEST
height生成图像的高度1024x1024, 1152x896, 1216x832, 1344x768, 1536x640, 640x1536, 768x1344, 832x1216, 896x1152
width生成图像的宽度1024x1024, 1152x896, 1216x832, 1344x768, 1536x640, 640x1536, 768x1344, 832x1216, 896x1152
sampler扩散过程采样器DDIM, DDPM, K_DPMPP_2M, K_DPMPP_2S_ANCESTRAL, K_DPM_2, K_DPM_2_ANCESTRAL, K_EULER, K_EULER_ANCESTRAL, K_HEUN, K_LMS
samples要生成的图像数量111
seed决定初始噪声设置的种子004294967295
steps生成步骤数，影响采样次数和结果准确度301050
style_preset将图像模型向特定样式引导的样式预设3d-model, analog-film, anime, cinematic, comic-book, digital-art, enhance, fantasy-art, isometric, line-art, low-poly, modeling-compound, neon-punk, origami, photographic, pixel-art, tile-texture

实操代码：

首先我们利用Amazon Bedrock API生成推理图片，确认已安装”boto3“、”PIL“和”botocore“等必要依赖，以下为实例代码(具体的代码解释在代码备注中)：

import base64
import io
import json
import os
import sys

import boto3
from PIL import Image
import botocore

boto3_bedrock = boto3.client('bedrock-runtime')

prompt = "a beautiful mountain landscape" #提示词
negative_prompts = [
    "poorly rendered",
    "poor background details",
    "poorly drawn mountains",
    "disfigured mountain features",
]#负向提示词列表，用于指定不希望在生成的图片中出现的特征
style_preset = "photographic"  #风格预设，用于指定生成图片的风格。在这里，选择了“photographic”风格，意味着生成的图片将具有类似摄影照片的效果。 (e.g. photographic, digital-art, cinematic, ...)
clip_guidance_preset = "FAST_GREEN" #这是 Clip 引导预设，用于控制图像生成过程中的一些参数和行为。"FAST_GREEN" 是一种预设选项，可能会影响生成速度和结果的某些方面。 (e.g. FAST_BLUE FAST_GREEN NONE SIMPLE SLOW SLOWER SLOWEST)
sampler = "K_DPMPP_2S_ANCESTRAL" # 这是采样器的选择，用于确定在生成图片时使用的采样方法。"K_DPMPP_2S_ANCESTRAL" 是一种具体的采样器，不同的采样器可能会对生成的图片质量和多样性产生影响。(e.g. DDIM, DDPM, K_DPMPP_SDE, K_DPMPP_2M, K_DPMPP_2S_ANCESTRAL, K_DPM_2, K_DPM_2_ANCESTRAL, K_EULER, K_EULER_ANCESTRAL, K_HEUN, K_LMS)
width = 768 #这是设置生成图片的宽度，单位为像素。这里指定宽度为 768 像素

request = json.dumps({
    "text_prompts": (
        [{"text": prompt, "weight": 1.0}]
        + [{"text": negprompt, "weight": -1.0} for negprompt in negative_prompts]
    ),
    "cfg_scale": 5,
    "seed": 42,
    "steps": 60,
    "style_preset": style_preset,
    "clip_guidance_preset": clip_guidance_preset,
    "sampler": sampler,
    "width": width,
})
modelId = "stability.stable-diffusion-xl-v1"

response = boto3_bedrock.invoke_model(body=request, modelId=modelId)
response_body = json.loads(response.get("body").read())

print(response_body["result"])
base_64_img_str = response_body["artifacts"][0].get("base64")
print(f"{base_64_img_str[0:80]}...")

os.makedirs("data", exist_ok=True)
image_1 = Image.open(io.BytesIO(base64.decodebytes(bytes(base_64_img_str, "utf-8"))))
image_1.save("data/image_1.jpg")

推理结果

我们输入的提示词为”a beautiful mountain landscape“，生成一个漂亮的山景图，我们得到生成的图片：

图生图功能：

我们接下来了解Stability模型的图生图推理参数，以Stability AI SDXL 1.0为例，模型参数共分为必要参数和可选参数。

必要参数

参数描述最低值最高值
text_prompts生成文本提示数组，包含提示及权重02000

可选参数

参数描述默认值最低值最高值可选值
weight模型应用于提示的权重1
cfg_scale决定最终图像对提示的描绘程度7035
clip_guidance_preset预设参数FAST_BLUE, FAST_GREEN, NONE, SIMPLE SLOW, SLOWER, SLOWEST
height生成图像的高度1024x1024, 1152x896, 1216x832, 1344x768, 1536x640, 640x1536, 768x1344, 832x1216, 896x1152
width生成图像的宽度1024x1024, 1152x896, 1216x832, 1344x768, 1536x640, 640x1536, 768x1344, 832x1216, 896x1152
sampler扩散过程采样器DDIM, DDPM, K_DPMPP_2M, K_DPMPP_2S_ANCESTRAL, K_DPM_2, K_DPM_2_ANCESTRAL, K_EULER, K_EULER_ANCESTRAL, K_HEUN, K_LMS
samples要生成的图像数量111
seed决定初始噪声设置的种子004294967295
steps生成步骤数，影响采样次数和结果准确度301050
style_preset将图像模型向特定样式引导的样式预设3d-model, analog-film, anime, cinematic, comic-book, digital-art, enhance, fantasy-art, isometric, line-art, low-poly, modeling-compound, neon-punk, origami, photographic, pixel-art, tile-texture
extras传递给引擎的额外参数

实操代码

我们利用Amazon Bedrock API基于现有图片生成图片推理，确认已安装”boto3“、”PIL“和”botocore“等必要依赖，以下为实例代码(具体的代码解释在代码备注中)：

import base64
import io
import json
import os
import sys

import boto3
from PIL import Image
import botocore


def image_to_base64(img) -> str:
    """Convert a PIL Image or local image file path to a base64 string for Amazon Bedrock"""
    if isinstance(img, str):
        if os.path.isfile(img):
            print(f"Reading image from file: {img}")
            with open(img, "rb") as f:
                return base64.b64encode(f.read()).decode("utf-8")
        else:
            raise FileNotFoundError(f"File {img} does not exist")
    elif isinstance(img, Image.Image):
        print("Converting PIL Image to base64 string")
        buffer = io.BytesIO()
        img.save(buffer, format="jpeg")
        return base64.b64encode(buffer.getvalue()).decode("utf-8")
    else:
        raise ValueError(f"Expected str (filename) or PIL Image. Got {type(img)}")

boto3_bedrock = boto3.client('bedrock-runtime')

img_path = '../image/data/image_1.jpg'
# 打开图片
img = Image.open(img_path)

init_image_b64 = image_to_base64(img)
print(init_image_b64[:80] + "...")

change_prompt = "add denser number of trees, extend lake"
negative_prompts = [
    "poorly rendered",
    "poor background details",
    "poorly drawn mountains",
    "disfigured mountain features",
]#负向提示词列表，用于指定不希望在生成的图片中出现的特征
style_preset = "cinematic"  #风格预设，用于指定生成图片的风格。在这里，选择了“photographic”风格，意味着生成的图片将具有类似摄影照片的效果。 (e.g. photographic, digital-art, cinematic, ...)
clip_guidance_preset = "FAST_BLUE" #这是 Clip 引导预设，用于控制图像生成过程中的一些参数和行为。"FAST_GREEN" 是一种预设选项，可能会影响生成速度和结果的某些方面。 (e.g. FAST_BLUE FAST_GREEN NONE SIMPLE SLOW SLOWER SLOWEST)
sampler = "K_DPMPP_2S_ANCESTRAL" # 这是采样器的选择，用于确定在生成图片时使用的采样方法。"K_DPMPP_2S_ANCESTRAL" 是一种具体的采样器，不同的采样器可能会对生成的图片质量和多样性产生影响。(e.g. DDIM, DDPM, K_DPMPP_SDE, K_DPMPP_2M, K_DPMPP_2S_ANCESTRAL, K_DPM_2, K_DPM_2_ANCESTRAL, K_EULER, K_EULER_ANCESTRAL, K_HEUN, K_LMS)
width = 768 #这是设置生成图片的宽度，单位为像素。这里指定宽度为 768 像素

request = json.dumps({
    "text_prompts": (
        [{"text": change_prompt, "weight": 1.0}]
        + [{"text": negprompt, "weight": -1.0} for negprompt in negative_prompts]
    ),
    "cfg_scale": 10,
    "init_image": init_image_b64,
    "seed": 321,
    "start_schedule": 0.6,
    "steps": 50,
    "style_preset": style_preset,
    "clip_guidance_preset": clip_guidance_preset,
    "sampler": sampler,
})
modelId = "stability.stable-diffusion-xl-v1"

response = boto3_bedrock.invoke_model(body=request, modelId=modelId)
response_body = json.loads(response.get("body").read())

print(response_body["result"])
image_2_b64_str = response_body["artifacts"][0].get("base64")
print(f"{image_2_b64_str[0:80]}...")

os.makedirs("data", exist_ok=True)
image_2 = Image.open(io.BytesIO(base64.decodebytes(bytes(image_2_b64_str, "utf-8"))))
image_2.save("data/image_2.jpg")

 推理结果

我们输入的提示词为”add denser number of trees, extend lake”，为现有图片添加一片茂密的树林和一个湖泊，我们得到生成的图片：

图片编辑功能

我们接下来了解Stability模型的图片编辑推理参数，主要是利用新生成的图片替换原图片中的蒙版部分，以Stability AI SDXL 1.0为例，模型参数共分为必要参数和可选参数。

必要参数

参数描述最低值最高值
text_prompt用于生成的文本提示数组02000
init_image初始化扩散过程的base64编码图像
mask_source确定蒙版来源
mask_image用作init_image中源图像蒙版的base64编码

可选参数

参数默认值最低值最高值描述和可选值
weight1模型应用于提示的权重。
cfg_scale7035确定最终图像对提示的描绘程度。
clip_guidance_preset模型生成图像流程的预设参数。可选值：FAST_BLUE, FAST_GREEN, NONE, SIMPLE, SLOW, SLOWER, SLOWEST。
sampler扩散过程的采样器。可选值：DDIM, DDPM, K_DPMPP_2M, K_DPMPP_2S_ANCESTRAL, K_DPM_2, K_DPM_2_ANCESTRAL, K_EULER, K_EULER_ANCESTRAL, K_HEUN, K_LMS。
samples111生成图像的数量。
seed004294967295初始化噪声设置的种子。
steps301050对图像进行采样的生成步骤数。
style_preset图像模型特定样式的预设。可选值：3d-model, analog-film, anime, cinematic, comic-book, digital-art, enhance, fantasy-art, isometric, line-art, low-poly, modeling-compound, neon-punk, origami, photographic, pixel-art, tile-texture。
extras引擎的额外参数。注意：'extras'参数用于开发中或实验性功能，可能会有变更，应谨慎使用。

实操代码

我们利用Amazon Bedrock API进行图像编辑功能，确认已安装”boto3“、”PIL“和”botocore“等必要依赖，以下为实例代码(具体的代码解释在代码备注中)：

import base64
import io
import json
import os
import sys

import boto3
from PIL import Image
import botocore

from PIL import ImageOps

def image_to_base64(img) -> str:
    """Convert a PIL Image or local image file path to a base64 string for Amazon Bedrock"""
    if isinstance(img, str):
        if os.path.isfile(img):
            print(f"Reading image from file: {img}")
            with open(img, "rb") as f:
                return base64.b64encode(f.read()).decode("utf-8")
        else:
            raise FileNotFoundError(f"File {img} does not exist")
    elif isinstance(img, Image.Image):
        print("Converting PIL Image to base64 string")
        buffer = io.BytesIO()
        img.save(buffer, format="jpeg")
        return base64.b64encode(buffer.getvalue()).decode("utf-8")
    else:
        raise ValueError(f"Expected str (filename) or PIL Image. Got {type(img)}")

def inpaint_mask(img, box):
    """Generates a segmentation mask for inpainting"""
    img_size = img.size
    assert len(box) == 4  # (left, top, right, bottom)
    assert box[0] < box[2]
    assert box[1] < box[3]
    return ImageOps.expand(
        Image.new(
            mode = "RGB",
            size = (
                box[2] - box[0],
                box[3] - box[1]
            ),
            color = 'black'
        ),
        border=(
            box[0],
            box[1],
            img_size[0] - box[2],
            img_size[1] - box[3]
        ),
        fill='white'
    )
    
img_path = '../image_to_image/data/image_2.jpg'
# 打开图片
image_2 = Image.open(img_path)

img2_size = image_2.size
box = (
        (0),
        (img2_size[1] - 900) ,
        (img2_size[0]),
        img2_size[1] - 700
    )

# Mask
mask = inpaint_mask(
    image_2,
    box
)

# Debug
mask

boto3_bedrock = boto3.client('bedrock-runtime')

inpaint_prompt = "add a helicopter"#添加一架直升机
style_preset = "cinematic"  #风格预设，用于指定生成图片的风格。在这里，选择了“photographic”风格，意味着生成的图片将具有类似摄影照片的效果。 (e.g. photographic, digital-art, cinematic, ...)
clip_guidance_preset = "FAST_BLUE" #这是 Clip 引导预设，用于控制图像生成过程中的一些参数和行为。"FAST_GREEN" 是一种预设选项，可能会影响生成速度和结果的某些方面。 (e.g. FAST_BLUE FAST_GREEN NONE SIMPLE SLOW SLOWER SLOWEST)
sampler = "K_DPMPP_2S_ANCESTRAL" # 这是采样器的选择，用于确定在生成图片时使用的采样方法。"K_DPMPP_2S_ANCESTRAL" 是一种具体的采样器，不同的采样器可能会对生成的图片质量和多样性产生影响。(e.g. DDIM, DDPM, K_DPMPP_SDE, K_DPMPP_2M, K_DPMPP_2S_ANCESTRAL, K_DPM_2, K_DPM_2_ANCESTRAL, K_EULER, K_EULER_ANCESTRAL, K_HEUN, K_LMS)
width = 768 #这是设置生成图片的宽度，单位为像素。这里指定宽度为 768 像素
request = json.dumps({
    "text_prompts":[{"text": inpaint_prompt}],
    "init_image": image_to_base64(image_2),
    "mask_source": "MASK_IMAGE_BLACK",
    "mask_image": image_to_base64(mask),
    "cfg_scale": 10,
    "seed": 32123,
    "style_preset": style_preset,
})

modelId = "stability.stable-diffusion-xl-v1"

response = boto3_bedrock.invoke_model(body=request, modelId=modelId)
response_body = json.loads(response.get("body").read())

print(response_body["result"])
image_3_b64_str = response_body["artifacts"][0].get("base64")

os.makedirs("data", exist_ok=True)
inpaint = Image.open(io.BytesIO(base64.decodebytes(bytes(image_3_b64_str, "utf-8"))))
inpaint.save("data/inpaint.jpg")

推理结果

我们输入的提示词为"add a helicopter"，为现有图片在指定蒙版涂黑区域（图像底部向上900像素和700像素之间的正中间部分）添加一个直升机图像，我们得到生成的图片：

 

以上就是在亚马逊云科技控制台中沉浸式体验Amazon Bedrock的Stability AI模型、并利用该图像生成模型API开发生成式AI应用，应用到开发者日常开发工作中的下篇内容。欢迎大家关注小李哥的亚马逊云科技AI服务深入调研系列，未来获取更多国际前沿的AWS云开发/云架构方案。 

佛州小李哥
关注
  • 13
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
【AI 绘画】 文生图&图生图（基于diffusers）
AI知识搬运工
08-14 54
本次测试主要结果展示如下：SDXL文生图可爱Lora。
ai工具推荐系列：文生图，图生图工具liblibAi
u011160113的博客
08-06 719
介绍一款比较专业的文生图工具
Stable Diffusion（SD）核心基础知识——（文生图、图生图）
m0_59162248的博客
06-29 820
Stable Diffusion是计算机视觉领域的一个生成式大模型，可以用于文生图，图生图，图像inpainting，ControlNet控制生成，图像超分等丰富的任务
设计师必看！PS Beta平替——宝藏国产PS-AI插件来啦！一键文生图、图生图等功能，纵享AI绘画魅力！
A13531922962的博客
06-20 1341
该插件可以说是PS Beta平替了！ 它内置功能齐全，拥有文生图、生成相似图、局部重绘、线稿上色、无损放大、扩图、艺术融合、高清修复、智能擦除等九大功能，基本可以满足你日常工作的需求
【人工智能】Transformers之Pipeline（八）：文生图/图生图（text-to-image/image-to-image）
人工智能领域博客
08-06 2749
本文对文生图/图生图（text-to-image/image-to-image）从概述、SD技术原理、SD文生图实战、模型排名等方面进行介绍，读者可以基于DiffusionPipeline使用文中的极简代码进行文生图的初步体验
文生图图生图工具comfyui基础模型及其解释
无极低码
07-30 473
t5-base: Text-to-Text Transfer Transformer 的基础版本，一种用于文本生成的模型。DynamiCrafter: 一种动态图像生成模型，可能用于生成具有动态效果的图像或视频。inswapper: 一种用于面部交换的技术，能够将一个人的面部替换为另一个人的面部。MotionCtrl: 一种控制运动的模型，可能用于生成具有特定运动模式的图像或视频。Hunyuan-DiT: 一种模型，可能是用于图像生成或者特定任务的深度学习模型。
Luma AI 文生视频 图生视频，Luma API 接口对接教程
weixin_39606965的博客
07-24 1321
Luma AI, 文生视频，图生视频，Luma API 接口国内对接教程
AI智能体｜手把手教你使用扣子Coze图像流的文生图功能
无界生长的博客
05-27 1965
本文详细介绍了Coze平台的"图像流"功能中的"文生图"节点，包括创建图像流、编排文生图节点、节点参数配置，并通过案例演示展示了如何通过提示词生成图像。如果看完还没学会的话，可以私信我。学会了的话，欢迎转发分享给你的朋友们。
文生图 图生视频 文生视频 语音生成 虚拟人 人物克隆 语音克隆 基本认知
爱学习_萌萌哒
06-30 413
文本生成图像模型通过自然语言描述生成对应的图像。通常使用生成对抗网络（GANs）或变分自动编码器（VAEs）等深度生成模型。从静态图像生成视频，通常需要预测图像的运动信息或利用生成对抗网络（GANs）。生成与目标人物相似的语音，通常需要收集目标人物的语音数据进行训练。通过文本描述生成视频，结合文本生成图像和图像生成视频的技术。生成虚拟人物的图像或动画，通常用于虚拟助手或娱乐领域。将文本转换为语音，通常使用基于深度学习的端到端模型。创建特定人物的虚拟克隆，模拟其外貌、语音和行为。
智能AI-图片-视频自动生成微信小程序源码（带前端和后端以及安装教程）.rar
04-10
智能AI-图片-视频自动生成ChatGPT3.5版本微信小程序源码 模块包含：智能AI、免费专区、优惠专区以及我的中心四大模块 主要功能： 1）AI对话 2）英文翻译 3）智能绘图 4）智能图片生成 5）全网视频去水印：支持...
2024最新Ai创作系统程序源码/ai绘画系统（文生图+图生图）/思维导图生成
08-12
本系统使用Nestjs和Vue3框架技术，持续集成AI能力到本AIGC系统！ 二、部署搭建教程 2.1安装环境： Nginx >= 1.19.8 MySQL >= 5.7或者MySQL 8.0 PHP-7.4 PM2管理器 5.5 Redis 7.0.11 Node版本：>=16.19.1 2.2部署跑...
Sora AI文生视频、图生视频教程
04-15
### Sora AI 文生视频与图生视频教程详解 #### 一、前言 随着人工智能技术的飞速发展，越来越多的工具被应用于创意领域，帮助用户轻松创作出高质量的数字内容。Sora AI 正是这样一款强大的工具，它能够将文字或图片...
【大模型理论篇】RoPE旋转位置编码底层数学原理分析
最新发布
源泉的小广场
08-30 1194
大模型、位置编码、Transformer、旋转位置编码、RoPE、Rotary Positional Encoding、数学原理、数学推导、旋转矩阵、相对位置、绝对位置、词元相似性、位置相关性
关于人工智能（AI）的研究报告
weixin_44196785的博客
08-29 2730
未来，随着技术的不断创新和应用的不断拓展，人工智能将继续发挥重要作用，推动社会的进步和发展。然而，人工智能的发展也带来了一些挑战，需要我们在技术创新、应用拓展和社会治理等方面共同努力，以确保人工智能的发展符合人类的利益和价值观。就业结构的变化：人工智能的发展将导致就业结构的变化，一些传统的工作岗位将被自动化和智能化的设备所取代，同时也会创造出一些新的工作岗位。社会治理的挑战：人工智能的发展将对社会治理带来挑战，例如如何应对人工智能带来的安全风险、如何保障人工智能的公平性和可及性等。
【python计算机视觉编程——1.基本的图像操作和处理】
热门推荐
m0_53694086的博客
08-26 1万+
参数sigma为标准差（σ），是高斯滤波器的一个重要参数，它控制滤波器的平滑程度。标准差越大，高斯函数的曲线越宽，滤波器的影响范围就越大。标准差较大: 高斯滤波器会在更大范围内进行平滑，使得图像变得更加模糊，细节和边缘特征会被更强地平滑掉。标准差较小: 高斯滤波器会产生较小范围的平滑效果，图像的细节保留更多。还可以给定转换矩阵，将RGB图像转换为CIE XYZ色彩空间。图像像素值被分成128个区间，用于计算每个区间的像素值频率。可以返回目录中所有jpg图像的列表。
【自由能系列（初级）】【开篇论文】自由能原理在多个领域的统一视角
神经美学_茂森的博客
08-27 3024
自由能原理作为一个统一的理论框架，成功地将多个看似不相关的领域（如神经科学、物理学、经济学、信息论、控制论、认知科学和生物学进化）联系在一起。通过自由能原理，我们可以更深刻地理解不同系统如何在给定条件下实现最优行为或状态。#自由能原理 #跨领域统一框架 #优化逻辑 #参数调节 #贝叶斯大脑 #预测编码 #最优控制 #注意力机制 #自然选择 #机器学习。：自由能原理、跨领域统一框架、优化逻辑、参数调节、贝叶斯大脑、预测编码、最优控制、注意力机制、自然选择、机器学习。
未戴安全帽算法检测源码样本安防监控视频分析未戴安全帽检测算法应用场景
LntonCEC的博客
08-29 1261
通过高效的图像处理和实时反馈机制，这些算法不仅提高了安全帽佩戴的检测准确性，还实现了对工地的全覆盖监控。未来，随着技术的不断进步和优化，这些系统将在更多的工地和工业场景中得到广泛应用，为工人的安全保驾护航。同时，系统会记录所有的检测数据，为后续的安全管理和分析提供了宝贵的参考资料。未戴安全帽检测算法是一种基于计算机视觉和深度学习技术的智能分析算法，旨在通过分析图像或视频流，自动识别人员是否佩戴了安全帽，并在检测到未佩戴情况时采取相应的措施（如发出警报或记录事件）。1. 提高检测准确性。
基于协同过滤算法的电影推荐系统的设计与实现(论文+源码)_kaic
weixin_52720882的博客
08-30 939
2020年张志军在《基于协同过滤算法和强化学习的电影推荐系统》文章中提出了一种全新的电影推荐框架叫做CF-DQN推荐框架,它是基于协同过滤算法的改进的强化学习的电影推荐框架,用于实时的电影推荐。
gradio实现简单的文生图,图生图webui
12-03
Gradio是一个开源的Python库，可以帮助用户快速实现简单的文本生成图像、图像生成图像的Web界面。通过Gradio，用户可以轻松地构建一个简单的Web应用程序，用于展示模型的自然语言处理和计算机视觉任务。 在Gradio中，用户可以定义一个输入接口和一个输出接口，然后将模型与这些接口连接起来。例如，用户可以将一个文本生成模型连接到一个用于输入文本的接口，然后将生成的图像显示在输出接口上。用户可以通过简单的代码实现这个过程，并且可以很容易地在Web界面上进行展示和访问。 Gradio可以帮助用户快速构建一个可视化的应用程序，用于展示自然语言处理和计算机视觉模型的工作。这对于那些希望将他们的模型展示给用户或者团队成员，或者进行快速的原型设计非常有帮助。同时，Gradio也提供了一些定制化的功能，用户可以根据自己的需求对Web界面进行调整，使得应用程序更符合自己的要求。 总之，Gradio可以帮助用户快速实现一个简单的文本生成图像、图像生成图像的Web界面应用程序，不需要过多的代码和复杂的操作。并且Gradio提供了一些定制化的功能，用户可以根据自己的需求进行调整，使得展示的模型更符合自己的需求。
评论 1
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