AI绘图——模型介绍（1）

最新推荐文章于 2025-03-11 16:30:00 发布
最新推荐文章于 2025-03-11 16:30:00 发布
阅读量2.4k 收藏 1
点赞数 1
文章标签： ai
原文链接：https://www.6hu.cc/archives/142476.html
版权

在这里插入图片描述

2dn_1	                                  动漫模型
3Guofeng3_v32Light	                      中国、国风模型，感觉上偏3D国漫
anything-v4.5-pruned	                  说是里面东西很多很杂
CamelliaMix_2.5D	                      2.5D模型
camelliamix_v20	                          动漫模型
chilloutmix_NiPrunedFp32Fix	              真人模型，这个首要针对亚洲人训练的，热度比较高
Dalcefo_v4_Painting	                      动漫模型
dalcefoPainting_3rd	                      动漫模型，色彩比较淡
dalcefoRealistic_v2	                      真人模型
dreamshaper_4BakedVae	                  动漫模型，有点3D的感觉
grapefruitHentaiModel_grapefruitv41	      动漫模型，这个热度高 
meinamix_meinaV8	                      动漫复合模型 
openjourney-v4	                          动漫模型，有些3D的意思 
povSkinTexture_povSkinTextureDreamlike	  真人模型，很少用
realisticVisionV13_v13	                  真人模型，很少用
realisticVisionV20_v20	                  真人模型，很少用

参数

masterpiece, best quality, high quality, game cg, white hair, red
eyes,school uniform, cloudy sky, full body, grass,looking at viewer,
wariza, twintails,front,silver hair, sit, best shadow, cinematic
light,
描绘了一个女孩，白色的头发、赤色的眼睛、校服、草地上坐着。

2dn_1

请添加图片描述

3Guofeng3_v32Light

请添加图片描述

anything-v4.5-pruned

请添加图片描述

CamelliaMix_2.5D

请添加图片描述

camelliamix_v20

请添加图片描述

chilloutmix_NiPrunedFp32Fix

请添加图片描述

Dalcefo_v4_Painting

请添加图片描述

dalcefoPainting_3rd

请添加图片描述

dalcefoRealistic_v2

请添加图片描述

dreamshaper_4BakedVae

请添加图片描述

grapefruitHentaiModel_grapefruitv41

请添加图片描述

meinamix_meinaV8

请添加图片描述

openjourney-v4

请添加图片描述

povSkinTexture_povSkinTextureDreamlike

请添加图片描述

realisticVisionV13_v13

请添加图片描述

realisticVisionV20_v20

请添加图片描述

【大模型】AutoDL部署AI绘图大模型Stable Diffusion使用详解
congge
09-22 9813
AutoDL部署AI绘图大模型Stable Diffusion使用详解
AI画图真的很牛吗？国内8家AI绘图大模型盘点（附体验网址）
Code_流苏：在代码中寻诗意
12-14 2295
AI画图真的很牛吗？
majicMIX realistic 模型
wudonglianga的专栏
04-26 3330
【代码】majicMIX realistic 模型。
Stable Diffusion【真人模型】：美得令人心动亚洲女性大模型迎来SDXL版XXMix_9realisticSDXL
libaiup的博客
05-07 1776
Stable Diffusion【真人模型】：美得令人心动亚洲女性大模型迎来SDXL版XXMix_9realisticSDXL
Stable Diffusion 插件 Controlnet 安装使用教程（图像精准控制）
m0_71746299的博客
03-11 1346
Stable Diffusion WebUI 的绘画插件 Controlnet 最近更新了 V1.1 版本，发布了 14 个优化模型，并新增了多个预处理器，让它的功能比之前更加好用了，最近几天又连续更新了 3 个新 Reference 预处理器，可以直接根据图像生产风格类似的变体。使用 Reference only 预处理器生成一张图片的多个变体。
选择卓越之作：Realistic_Vision_V2.0模型的优势分析
gitblog_02775的博客
01-20 355
选择卓越之作：Realistic_Vision_V2.0模型的优势分析 Realistic_Vision_V2.0 项目地址: https://gitcode.com/hf_mirrors/ai-gitcode/Realisti...
Stable Diffusion基础：ControlNet之图片高仿效果
程序员，AI探索者
08-14 2136
今天继续给大家分享AI绘画中 ControlNet 的强大功能，本次的主角是 Reference，它可以将参照图片的风格迁移到新生成的图片中，这句话理解起来很困难，我们将通过几个实例来加深体会，比如照片转二次元风格、名画改造、AI减肥成功图片制作、绘本小故事等等。还有之前看很多文章说，Reference 可以一定程度上代替Lora，真的是这样吗？今天也来一探究竟。
StableDiffusion | 10个建筑室内Ai大模型推荐盘点，超好用！
2401_84830464的博客
05-20 4505
Stable Diffusion AI绘图近期也太火了
DEMATEL-ISM模型的Python实现——方法介绍以及代码复现
热门推荐
cros1的博客
12-16 1万+
本文参考文献与网络资料，对DEMATEL-ISM方法做了介绍何步骤描述，并给出Python代码进行了计算和绘图。
深度学习PyTorch代码模板——模型训练框架、数据处理、绘图…
https://www.hyperplasma.top
06-03 1434
个人用深度学习代码模板：模型训练框架、数据处理、绘图等。待补充。
大模型——CogView4：生成中英双语高清图片的开源文生图模型综合介绍
03-04 3730
CogView4 是由清华大学 KEG 实验室（THUDM）开发的一款开源文生图模型，专注于将文本描述转化为高质量图像。它支持中英双语提示词输入，尤其擅长理解中文提示并生成带有汉字的图像，非常适合广告设计、短视频创作等场景。作为首个支持在画面中生成汉字的开源模型，CogView4 在复杂语义对齐和指令跟随能力上表现出色。它基于 GLM-4-9B 文本编码器，支持任意长度的提示词输入，并能生成高达 2048 分辨率的图像。
现实主义视觉 5.1 - 这太棒了！
OlivioSarikas的博客
08-12 869
本文介绍了如何使用Realistic Vision 5.1 模型生成逼真的图像。作者首先推荐了模型的下载地址以及一些可选的步骤，例如使用负面提示词和负面嵌入。作者还建议了一些最佳设置，包括采样方法、CFG 比例、去噪强度、上采样、剪切跳跃和 ENSD 值。 作者接着解释了如何在 Automatic 1111 中找到剪切跳跃滑块和 SD VAE 选择器。最后，作者展示了一个使用该模型生成图像的示例，...
AI绘画黑科技Stable Diffusion WebUI在线部署使用教程
专注于Python编程技术的分享与交流，致力于帮助开发者提升编程技能，解决实际问题，探索Python的无限可能。
03-18 1万+
AI绘画黑科技Stable Diffusion，能够根据文字描述生成精美图像，开源且在消费级GPU上就能运行。Stable Diffusion WebUI是Stable Diffusion的Web版，提供了便捷的WebUI交互界面，部署使用方便，支持中文汉化插件，而且通过Stable Diffusion WebUI可以训练我们自己的模型。还可以在很方便的在Google Colab 直接运行，也可以部署到本地运行。
Realistic_Vision_V2.0 模型的优势与局限性
gitblog_02454的博客
12-24 713
Realistic_Vision_V2.0 模型的优势与局限性 Realistic_Vision_V2.0 项目地址: https://gitcode.com/hf_mirrors/ai-gitcode/Realistic_Vi...
AnimateDiff：一款强大的制作丝滑动画视频插件，轻松让你的图片动起来
白帽阿叁的博客
02-05 9077
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。
深度解析 Realistic_Vision_V2.0 模型的常见错误及解决方法
gitblog_02206的博客
12-30 851
深度解析 Realistic_Vision_V2.0 模型的常见错误及解决方法 Realistic_Vision_V2.0 项目地址: https://gitcode.com/hf_mirrors/ai-gitcode/Real...
stable diffusion 常用大模型解释和推荐（持续更新ing）
m0_74942241的博客
05-24 1万+
比如sd-v1-4、sd-v1-5、sd-v2（简写成SD1.5、SD2.0）之类的大模型，这些都是Stable-Diffusion自带的大模型，分别是1.4、1.5和2.0版本。目前的话1.5版本更好用一些，但是基本没有人会用自带的大模型，因为效果很差。 但是，大家如果想自己练大模型的话，SD系列是不错的基础模型，因为他们比较庞杂，什么风格都有，属于中性模型。
【精选优质人物美图 InsCode Stable Diffusion 美图活动一期】自测使用Inscode-AI绘图模型生成精美图片详细教程（无需任何配置，小白也能立马运行）
小胡说人工智能的博客
07-06 637
InsCode是一个强大且综合性的代码开发平台，旨在为软件工程师和AI模型爱好者提供一站式的开发服务。通过集成在线IDE、在线AI编程、在线算力租赁、在线项目部署和在线SD模型使用等功能，InsCode为开发者提供了全方位的开发体验。本博客将简单测试下InsCode整个平台的相关功能及操作，同时重点体验在线Stable Diffusion模型生成优质人物美图。
Stable Diffusion修复老照片-图生图
A2421417624的博客
03-27 883
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。
pythonai绘画模型使用
最新发布
03-19
### 使用 Python AI 绘画模型进行图像生成 #### 1. 环境准备 在使用 Python 的 AI 绘画模型之前，需要安装必要的依赖库。这些库通常包括 TensorFlow 或 PyTorch，以及一些辅助工具如 NumPy 和 PIL (Pillow)[^1]。 以下是环境搭建的代码示例： ```bash pip install tensorflow numpy pillow ``` 对于更复杂的模型，可能还需要额外安装特定框架的支持包，例如 `torchvision` 对于基于 PyTorch 的模型[^2]。 --- #### 2. 加载预训练模型 大多数 AI 绘画模型都依赖于已有的预训练权重文件。可以通过加载官方发布的模型来快速上手。以下是一个简单的例子： ```python import tensorflow as tf from tensorflow.keras.models import load_model # 加载预训练模型 model_path = 'path_to_pretrained_model.h5' model = load_model(model_path) print("Model loaded successfully!") ``` 如果使用的是 PyTorch，则可以采用类似的逻辑加载模型： ```python import torch from torchvision import models # 加载预训练模型 model = models.resnet50(pretrained=True) model.eval() print("PyTorch model loaded and set to evaluation mode.") ``` 上述方法展示了如何通过标准接口加载常见的神经网络架构并将其设置为评估模式。 --- #### 3. 数据输入与处理 AI 绘画模型通常接受标准化后的图片作为输入数据。因此，在实际运行前需对原始图片进行预处理操作，比如调整大小、归一化像素值等。 下面是一段用于读取和转换图片的数据管道代码片段： ```python from PIL import Image import numpy as np def preprocess_image(image_path, target_size=(256, 256)): image = Image.open(image_path).resize(target_size) image_array = np.array(image) / 255.0 # 归一化至 [0, 1] return image_array.reshape(1, *target_size, 3) # 调整形状以匹配模型需求 input_data = preprocess_image('example.jpg') ``` 此函数会将任意尺寸的 JPG 文件转化为适合喂入深度学习模型的形式。 --- #### 4. 图像生成过程 一旦完成了前期准备工作之后就可以调用模型来进行预测或者生成新的艺术风格的作品了。这里给出一段基本流程演示： ```python output_predictions = model.predict(input_data) # 将输出重新映射回 RGB 值范围 generated_image = output_predictions[0].clip(0, 1) * 255 generated_image = generated_image.astype(np.uint8) # 展示生成的结果 Image.fromarray(generated_image).show() ``` 这段脚本执行完毕后将会弹窗显示由算法创造出来的全新视觉效果。 --- #### 5. 多线程优化性能 为了进一步提升效率特别是在批量生产场景下，可考虑引入并发机制——即利用多线程技术同时处理多个请求。具体实现方式如下所示： ```python import threading from queue import Queue class Worker(threading.Thread): def __init__(self, task_queue): super().__init__() self.task_queue = task_queue def run(self): while True: try: input_file, output_dir = self.task_queue.get(timeout=1) processed_img = preprocess_image(input_file) result = model.predict(processed_img) save_result(result, f"{output_dir}/out_{Path(input_file).stem}.png") except Exception as e: break def start_workers(num_threads, tasks): q = Queue(maxsize=num_threads*2) workers = [] for _ in range(num_threads): worker = Worker(q) worker.daemon = True worker.start() workers.append(worker) for t in tasks: q.put(t) for w in workers: w.join() ``` 以上代码定义了一个工作类及其管理器，能够有效分配资源给各个子进程从而加快整体速度。 --- #### 总结 综上所述，借助 Python 及其生态系统中的强大组件，开发者不仅可以轻松构建起自己的个性化绘图解决方案，还能通过对现有开源项目的二次开发不断探索更多可能性。
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