【SD】openpose+深度编辑 手部细节

已于 2023-11-18 11:07:05 修改
阅读量280 收藏
点赞数
分类专栏： AI 文章标签： stable diffusion
于 2023-11-17 12:57:55 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 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_73883919/article/details/134459094
版权

@DPM++ 2M karras

1：使用OPENPOSE编辑器创作一个骨骼

 得到a1.png

2：将A1图片发送到深度编辑器 添加手部细节

得到A2

文生图设置

control type:全部
设置模型：control_v11p_sd15_openpose

control 1 》 人物的模型线描图               A1
control 2 》 人物手部动作的线描图        A2

图片大小：1080x720

masterpiece,best quality,highly detailed,high quality,ultra-detailed,(soft lighting:1.2),beautiful face,1girl,

鬼鲛先生000
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
python课后题及答案-python全书课后习题答案.doc
06-13
python课后题及答案-python全书课后习题答案 第一节课 0. Python 是什么类型的语言？ Python是脚本语言 脚本语言(Scripting language)是电脑编程语言，因此也能让开发者藉以编写出让电脑听命行事的程序。以简 单的方式快速完成某些复杂的事情通常是创造脚本语言的重要原则，基于这项原则，使 得脚本语言通常比 C语言、C++语言 或 Java 之类的系统编程语言要简单容易。 也让脚本语言另有一些属于脚本语言的特性： 语法和结构通常比较简单 学习和使用通常比较简单 通常以容易修改程序的"解释"作为运行方式，而不需要"编译" 程序的开发产能优于运行性能 一个脚本可以使得本来要用键盘进行的相互式操作自动化。一个Shell脚本主要由原本需 要在命令行输入的命令组成，或在一个文本编辑器中，用户可以使用脚本来把一些常用 的操作组合成一组串行。主要用来书写这种脚本的语言叫做脚本语言。很多脚本语言实 际上已经超过简单的用户命令串行的指令，还可以编写更复杂的程序。 1. IDLE 是什么？ IDLE是一个Python Shell，shell的意思就是"外壳"，基本上来说，
python tkinter 设置窗口大小不可缩放实例
12-20
解决方法 将窗口最大尺寸和最小尺寸设置为一样即可 top = Tk() # 创建顶级窗口 top.minsize(560, 545) # 最小尺寸 top.maxsize(560, 545) # 最大尺寸 top.mainloop() 补充知识：tkinter改变下拉列表(Combobox)的选项值 定义下拉列表： # 此处省略父容器的定义 ... # 定义下拉列表选项值集合 self.Combo5List = ['0', '1', '2', '3'] # 定义下拉列表Combobox self.Combo5 = Combobox(self.Frame1, values=self.Com
【亚马逊云新春特辑③】构生成式 AI 文生图工具之借助ControlNet进行AI绘画创作【使用OpenPose优化人物二维码】
宝耶需努力的技术分享博客
02-28 983
在本例子的设计中，我们通过与OpenPose叠加，偏移二维码等设计和构图技巧，将观看者的焦点转移到图像的其他部分，同时避开了二维码的核心区域，使得人像更加自然。随后页面会自动跳转到"文生图"标签页中，若没有自动跳转，请选择在“文生图”标签页中，展开ControlNet菜单。可以看到，二维码的整体在图片右侧，作为一种构图技巧其目是为与骨架躯体相呼应，使得人物生成更加的自然。可以观察到，骨架在图片的左侧，为一个蜷缩的状态，随后您将使用提示词来生成为一个正在睡觉的女孩。重载界面后，请在“文生图”标签页中，展开。
基于深度学习手部骨架姿态识别的增强现实交互系统python源码+说明+权重模型.zip
01-26
1.项目代码功能经验证ok，确保稳定可靠运行。欢迎下载使用！在使用过程中，如有问题或建议，请及时私信沟通。 2.主要针对各个计算机相关专业，包括计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网等领域的在校学生、专业教师或企业员工使用。 3.项目具有丰富的拓展空间，不仅可作为入门进阶，也可直接作为毕设、课程设计、大作业、初期项目立项演示等用途。 4.当然也鼓励大家基于此进行二次开发。 5.期待你能在项目中找到乐趣和灵感，也欢迎你的分享和反馈！ 【资源说明】 handpose_setter.py：可以设置自定义的手势类型。 inference.py：运行项目主体推理。 模型权重与素材文件: 3fui 思路概述 轻量级的 YOLOv5 手部目标检测 简单 IOU 手部目标追踪 ResNet50 手部关键点识别 关键点的二维向量夹角定义手势语义 时序逻辑上的运动轨迹分析 手势语义与运动轨迹结合实现交互
OpenPose+YOLOv3实现的基于图像的手语识别系统研究人体动作识别项目源码
02-23
一个基于人体姿态研究的手语图像识别系统。根据OpenPose人体姿态开源模型和YOLOv3自训练手部模型检测视频和图像，再把数字特征进行分类器模型预测，将预测结果以文本形式展现出来。 基于人体姿态的手语图像识别系统是由多模块组成的，主要分为训练模块和识别模块两个部分。 yolov3手部模型训练 项目结构主要分为两大部分：YOLOv3深度模型训练部分和YOLOv3和OpenPose手语姿态识别部分。
基于MATLAB编程小波分解+深度信念网络DBN的脑电信号分类识别
04-12
基于MATLAB编程，首先进行小波分解，提取特征，然后实现深度信念网络DBN的脑电信号识别，通过脑电信号识别手部动作，代码详细注释，可以直接运行，附有数据和运行结果
OpenPose的安装配置与实现，以及遇到的问题与解决方法
热门推荐
咸愚翻生的博客
08-20 4万+
参考博客地址：OpenPose安装配置与测试 之前在自己电脑上配置了一下，但运行不起来，OpenPose对于电脑的硬件要求还是很高的，我的小破电脑实在是撑不起来。。。之后用公司电脑才跑起来了。下面有官网发布的配置要求，以供参考。 我的电脑配置： 公司电脑配置： 一、OpenPose的配置与实现 针对win10 官方硬件支持： Nvidia GPU v...
Stable Diffusion中ControlNet和OpenPose的安装教程
暂时先用这个名字
04-04 1万+
ControlNet 是一种神经网络结构，通过添加额外条件来控制扩散模型。它将神经网络块的权重复制到“锁定”副本和“可训练”副本中。“可训练”的人会了解您的病情。“锁定”的模型将保留您的模型。因此，使用图像对的小数据集进行训练不会破坏生产就绪的扩散模型。“零卷积”是 1×1 卷积，权重和偏差都初始化为零。在训练之前，所有零卷积都输出零，ControlNet 不会造成任何失真。没有一个层是从头开始训练的。你还在微调。您的原始模型是安全的。这允许在小规模甚至个人设备上进行培训。
【三视图】openpose 生成人物
资深网络工程师
11-17 1098
文生图使用openpose插件可以读取图片的骨骼。
Stable Diffusion - 图像控制插件 ControlNet (OpenPose) 配置与使用
Mystra
07-07 6123
ControlNet 是神经网络结构，用于控制预训练的大型扩散模型，以支持额外的输入条件。ControlNet 以端到端的方式学习任务特定的条件，即使训练数据集很小（< 50k），学习也是稳健的。此外，训练一个 ControlNet 和微调一个扩散模型一样快，而且，模型可以在个人设备上训练。或者，如果有强大的计算集群可用，模型可以扩展到大量（百万到十亿）的数据。Stable DIffusion 这样的大型扩散模型可以用 ControlNets 来增强，以实现条件输入，如边缘图、分割图、关键点等。
Stable Diffusion 绘画入门教程（webui）-ControlNet（姿态预处理器openpose）
wyply115的专栏
02-21 961
这个openpose处理器主要用于控制姿态，通常的实战用法用于： 1、控制人物身体姿势 2、控制人物手指（经常出现手指畸形或多手指用这个很方便控制住） 3、控制人物表情
openpose各种骨架提取模型文件（全）20200504
05-04
手势识别系列文章之基于单目视觉的openpose手部骨架提取，文章链接：https://blog.csdn.net/kissgoodbye2012/article/details/105892907
基于深度学习的手部21类关键点检测
04-30
1. 训练和测试数据集 2. 训练和测试代码（支持的backbone包括resent,mobilenet,shufflenet等） 3. 测试结果和演示图像
OpenPose+YOLOv3实现的基于图像的手语识别系统研究人体动作识别项目源码.zip
04-22
根据OpenPose人体姿态开源模型和YOLOv3自训练手部模型检测视频和图像，再把数字特征进行分类器模型预测，将预测结果以文本形式展现出来。 基于人体姿态的手语图像识别系统是由多模块组成的，主要分为训练模块和识别...
基于openpose+yolov3图像的手语识别系统研究-人体动作识别.zip
04-24
根据OpenPose人体姿态开源模型和YOLOv3自训练手部模型检测视频和图像，再把数字特征进行分类器模型预测，将预测结果以文本形式展现出来。 预期是通过手机移动端对视频进行采集处理并应用，详见视频。 软硬件环境 ...
OpenPose-基于Pytorch实现OpenPose算法-支持手部和人体姿态估计-附流程教程+项目源码-优质项目分享.zip
最新发布
05-14
OpenPose_基于Pytorch实现OpenPose算法_支持手部和人体姿态估计_附流程教程+项目源码_优质项目分享
OpenPose 安装，踩坑，使用记录（获取关键点）
aaatomaaa的博客
12-14 1429
OpenPose安装，踩坑，使用记录，获取keypoints
【SD】dw_pose 精准骨骼识别 控制原图人物动作
资深网络工程师
11-17 406
输入魔法词：masterpiece,best quality,highly detailed,high quality,ultra-detailed,(soft lighting:1.2),beautiful face,1girl,梦幻的背景，ocean，
Stable Diffusion WebUI扩展openpose-editor如何使用
满目星辰
10-30 740
可以看到，我们可以设置宽高，还可以添加多个骨骼，添加多个人儿手拉手也不在话下。也可以去网上下载专有pose的json文件。具体如何安装，这里就不过多赘婿了。
深度学习 手部检测 pytorch 21个关键点检测
07-19
### 回答1： 深度学习是一种机器学习方法，可以让计算机通过大量数据进行训练来学习和识别模式，并进行预测和决策。深度学习可以应用于多个领域，其中之一是手部检测。 手部检测是一种通过计算机视觉技术来识别和跟踪人手的方法。在深度学习中，可以使用神经网络来进行手部检测。PyTorch是一个流行的深度学习框架，可以用于构建和训练神经网络模型。 在手部检测中，关键点检测是一个重要的任务。通过关键点检测，可以确定手的边界和手指的位置，从而进行手势识别、手势控制等应用。通常使用深度学习方法来训练模型来实现关键点检测。 对于手部关键点检测任务，可以使用PyTorch来构建一个神经网络模型。通过提供大量的手部图像数据以及标记好的关键点位置，可以训练模型来学习手部的特征和关键点位置。 训练完成后，模型可以用来对新的手部图像进行关键点检测。给定一个手部图像，模型可以自动识别和标记出手部的关键点位置，然后可以通过这些关键点来进一步进行手势分析和应用。 总之，通过深度学习和PyTorch可以实现手部检测和关键点检测任务。关键点检测可以帮助我们了解手的位置和手指的姿势，为手势识别和手势控制等应用提供基础。 ### 回答2： 深度学习是一种机器学习方法，通过构建深层神经网络来实现对复杂模式的学习和处理。手部检测是深度学习在计算机视觉领域的应用之一，目的是识别和定位图像中的手部位置。PyTorch是一种深度学习框架，可以用于快速构建和训练深度神经网络模型。 在手部检测任务中，我们可以使用PyTorch来实现21个关键点的检测任务。关键点通常包括手指、掌心等手部特征点。首先，需要准备手部关键点数据集，其中包含了手部图像和相应的关键点坐标。接下来，可以使用PyTorch构建一个深度神经网络模型，例如卷积神经网络（CNN）或者全卷积网络（FCN）。 在训练阶段，我们使用手部关键点数据集来训练深度神经网络模型。通过将手部图像作为输入，将21个关键点坐标作为标签，使用反向传播算法来优化网络参数，使得网络能够准确地预测手部关键点。 在测试阶段，我们可以使用训练好的模型来对新的手部图像进行关键点检测。将手部图像输入到模型中，模型会输出预测的关键点坐标。我们可以根据这些关键点坐标来定位手部的位置，并进行更多的后续处理。 总之，通过使用深度学习和PyTorch框架，我们可以实现手部检测和21个关键点的检测任务。这种方法能够准确地识别和定位手部，在很多应用中都有广泛的应用前景，例如手势识别、虚拟现实等领域。 ### 回答3： 深度学习是一种机器学习方法，它通过构建多层神经网络来模拟人类大脑的工作方式，以提取和学习数据的特征。手部检测是深度学习在计算机视觉领域的一个应用，旨在自动识别和定位图像中的手部区域。 PyTorch是一个广泛使用的深度学习框架，它以动态图的方式实现了张量计算和自动求导等功能。在PyTorch中，手部检测可以通过训练一个神经网络来实现。具体来说，可以使用卷积神经网络（CNN）对图像进行特征提取，然后使用回归模型来预测手部区域的位置。 关键点检测是手部检测的一种进一步应用，旨在准确地检测手部的关键点，如手指的位置。基于PyTorch的21个关键点检测可以通过训练一个深度学习模型实现。训练过程中，可以使用大量带有手部关键点标注的图像作为训练集，通过优化损失函数，模型可以逐渐学习到手部关键点的准确位置。在测试阶段，可以使用训练好的模型对新的图像进行关键点检测。 总结来说，深度学习可以通过PyTorch实现手部检测和关键点检测。通过训练一个神经网络，可以准确地定位图像中的手部区域，并进一步检测手部的关键点位置，这对于手势识别、手部动作分析等应用具有重要意义。

“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 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