Stable Diffusion 参数测试

最新推荐文章于 2024-09-20 14:07:30 发布
最新推荐文章于 2024-09-20 14:07:30 发布
阅读量921 收藏 12
点赞数 26
文章标签： stable diffusion
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/xzz_777c/article/details/138810688
版权

对于Stable Diffusion部分参数的测试与理解

采样迭代与采样方式

正向关键词是采用我之前做的一个二次元风格的内容碧蓝航线的岛风，在尽可能的避免出现畸形错误变型的情况下采用了大佬们的反向关键词。整体测试尽在改变采样迭代步数（Steps）与采样方法（Sampler）的情况进行。模型并未采用SD默认模型并且加入了LORA模型，测试内容可能会略有失准。所以仅供参考！！！

以下是默认参考参数，红色内容是测试内容：

Stable Diffusion模型(ckpt)revAnimated_v11采样迭代步数(Steps)28随机种子(seed)917113818模型的VAE(SD VAE)animevae采样方式(Sampler)Eulera a提示词关联性(CFG Scale)7Clip 跳过层2面部修复否宽度512Lorablindbox_V1Mix可平铺(Tilling)否高度680高清修复否放大算法无放大倍率无高清修复采样次数无重绘幅度(Denoising)无特殊关键词(必须)chibi

在这里插入图片描述

关键词
正向关键词
中文

(杰作),(最好的质量),(超详细),(全身：1.3),1个女孩,赤壁,可爱的,动物耳朵,手套,兔子耳朵,高抬腿,长发,无袖的,裙子,manjuu(碧蓝航线),茶碗,怀表,卡片,无袖连衣裙,黄眼睛,白色的头发,杯子,黑手套,茶壶,张开嘴,独奏,天空,全身,花,微笑,保持,看着观众,黑色鞋履,手表,黑色长筒袜,常设,云,裸露的肩膀,黑裙子,纸牌,很长的头发,鞋,钟,茶,光线追踪,(美丽细致的脸),(美丽细致的眼睛)

英文

(masterpiece),(best quality),(ultra-detailed), (full body:1.3), 1girl,chibi,Cute,animal ears, gloves, rabbit ears, thighhighs, long hair, sleeveless, dress, manjuu (azur lane), teacup, pocket watch, card, sleeveless dress, yellow eyes, white hair, cup, black gloves, teapot, open mouth, solo, sky, flower, smile, holding, looking at viewer, black footwear, watch, black thighhighs, standing, cloud, bare shoulders, black dress, playing card, very long hair, shoes, clock, tea,Ray Tracing,(beautiful detailed face),(beautiful detailed eyes),
lora:blindbox_V1Mix:1.2

采样方式与采样值

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

从采样数值这个维度来看。首先随着采样数值等增加，绝大部分模型会从主模型风格逐渐转变为LORA风格，并且当采样超过50后并未有过明显的变化。

从采样方式这个维度来看，当采样超过20后表现都不错。 但是其中，DPM2++ 2S Karras、DPM++ 2M Karras、DPM++ SDE Karras 在主模型与LORA模型的结合更良好，并且在低采样10-20时表现也相当不错，而Euler a与Euler虽然也是常用采样方式，但是当使用低采样10-20时更贴近主模型风格，不便于快速抽卡。

整体来看。在前期抽卡阶段，可以使用：DPM2++ 2S Karras、DPM++ 2M Karras、DPM++ SDE Karras低采样10-20进行批量抽卡或调整关键词，确定种子后我们可以提高采样到30-50之间，进行更精准的调整。

Clip跳过层

WebUI种看的跳过层是1-12。通过下图可以看出，数值越小其越贴近模型表现。

在这里插入图片描述

而如果咱们反向观看，其实就是AI从跳过层12开始生成信息，每次生成会获取并继承前一次生成的信息，然后重新绘制一副新的画面。

根据AI生成信息的逻辑，其实可以将WebUI种的Clip跳过层参数理解为，当AI生成到倒数第几次的时候停止并输出信息。所以如果将Clip跳过层参数调整的越大，那么AI生成的信息的速度则越快，同时也会越偏离模型。

目前大部分模型都是在采用的Clip2的参数进行训练，所以这个参数大多数情况下无需调整。如果有的模型有特殊设置，那么只需要将Clip设置成模型指定的参数即可。

高清修复

在这里插入图片描述

高清修复功能有点图生图的感觉，就是在原有低分辨率的图像基础放大重新生成一副新的图像。

测试使用的“高清数”是“0”，重绘幅度“0.7”，放大倍率“2”。整体来看每种方法的表现都还不错。结合大佬们的推荐，可以无脑选择R-ESRGAN 4x+与R-ESRGAN 4x+ Anime 6B。如果是写实风格择选择R-ESRGAN 4x+，二次元动漫类的可以选择R-ESRGAN 4x+ Anime 6B。
重绘幅度很好理解，就是放大后图片细节放大的变化幅度大小。如果不想让图片发生任何改变只需放大，那可以将参数调整为”0“。

需要注意的是“高清数”这个参数。通过简单测试发现，“高清数”与“采样迭代步数”实则一个功能。“采样迭代步数”最小数值为“1”，而“高清数”最小数值为”0“。由此可以理解为”高清数“是以图生图的方式重新定义一次”采样迭代步数“。一般情况下默认为”0“即可，如果需要设置那么就需要将参数调整到不低于”采样迭代步数“的数值，否则大很概率会出现错误问题。

个人推荐在文生图阶段，尽可能的使用低分辨率。来快速抽卡调整关键词和参数。在确定无误后可以使用附加功能进行放大。如果需要4K或8K的图像，推荐使用图生图中的SD放大脚本。

关于AI绘画技术储备

学好 AI绘画 不论是就业还是做副业赚钱都不错，但要学会 AI绘画 还是要有一个学习规划。最后大家分享一份全套的 AI绘画 学习资料，给那些想学习 AI绘画 的小伙伴们一点帮助！

对于0基础小白入门：

如果你是零基础小白，想快速入门AI绘画是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以找到适合自己的学习方案

包括：stable diffusion安装包、stable diffusion0基础入门全套PDF，视频学习教程。带你从零基础系统性的学好AI绘画！

零基础AI绘画学习资源介绍

👉stable diffusion新手0基础入门PDF👈

（全套教程文末领取哈）
在这里插入图片描述

👉AI绘画必备工具👈

在这里插入图片描述

温馨提示：篇幅有限，已打包文件夹，获取方式在：文末

👉AI绘画基础+速成+进阶使用教程👈

观看零基础学习视频，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

温馨提示：篇幅有限，已打包文件夹，获取方式在：文末

👉12000+AI关键词大合集👈

在这里插入图片描述

这份完整版的AI绘画全套学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

Python小炮车
关注
揭秘 Stable Diffusion：利用 AI 智能绘图功能，打造出具有创意性的平面设计作品——AI 作图神器 Stable Diffusion 有哪些强大功能？应用案例详解
程序员光剑
06-12 3万+
在当今数字化时代，人工智能技术已经深入到我们的生活中的各个领域。其中，AI 智能绘图功能已经成为了许多设计师和创意工作者的必备工具。今天，我们将为大家揭秘一款备受关注的 AI 作图神器 Stable Diffusion，它具有哪些强大的功能和特点。Stable Diffusion 是一款基于开发的作图神器，具有许多强大的功能，包括：1.：Stable Diffusion 可以智能识别用户上传的图片，并自动调整图片质量和色彩，让图片更加清晰、饱满。
Stable Diffusion模型测试
jinke2010_happy的博客
07-09 582
使用dqnapi 网站获取stable diffusion 模型，可以本地部署使用，也可以在线测试体验文字生成图像
Stable Diffusion 图像生成测试
zjjtilm的博客
09-16 2014
多模态图片生成
[AIGC] 各款GPU在Stable Diffusion中的推演表现测评
unity尧明的博客
01-05 947
Stable Diffusion v1.4 是由 stability.ai 开发的令人印象深刻的文本到图像扩散模型。通过利用扩散过程的原理，Stable Diffusion v1.4 可以生成视觉上吸引人且连贯的图像，准确地描绘给定的输入文本。其稳定可靠的性能使其成为视觉叙事、内容创作和艺术表达等应用的宝贵资产。在此基准测试中，我们评估了 Stable Diffusion 1.4 在不同计算云和 GPU 上的推理性能。
Stable Diffusion在各种显卡上的加速方式测试，最高可以提速211.2%
deephub
07-23 8167
Stable Diffusion是一种基于扩散模型的图像生成技术，能够从文本生成高质量的图像，适用于CG，插图和高分辨率壁纸等领域。但是它计算过程复杂，使得它的生成速度较慢。所以研究人员就创造了各种提高其速度的方式，比如Xformers、Aitemplate、TensorRT和onflow。在本文中我们将对这些加速方法进行了一系列对比测试。在本文中，我们将介绍这些加速方法的原理和性能测试结果，并提供对不同显卡的成本效益总结，我们的目标时在并在2秒内生成高质量的图像。
stable diffusion在server上的部署测试
raymeow的博客
01-13 1494
直接在Windows下操作就可以，把东西下载下来复制粘贴到smb文件夹就可以直接用了，还是老问题，hg没法用。至此已经完成了Prerequisites，网络好+CPU好的话0.5hrs足够。至此已经完成了InvokeAI安装，网络好的话1hrs足够。用脚本下载就行，文件多没办法，hg有下载脚本在页面上端。没有git的时候没法更新，这个不重要，更不更新也差不多。还是乖乖的滚回AUTOMATIC1111吧，球球了。把真正的时间留给需要的地方（比如找素材和提示词）还是乖乖的滚回ubuntu吧，球球了。
〔003〕Stable Diffusion 之 界面参数和基础使用 篇_stable diffusion 参数设置(1)
2401_84185224的博客
04-27 995
▷ 模型下载 模型网站推荐：https://civitai.com/ 左上角的下拉框可以用来选择模型，其中 是默认模型 默认的模型画出来的图片比较丑，所以我们需要下载更好更适合的模型来绘画 每个模型侧重绘画的风格不一样，有些适合画人，有些适合画动漫，有些适合画风景，根据自己的需求选择适合自己的绘画风格模型进行下载 下载好模型，将模型文件放入到 文件夹下，重载 ，即可看到 既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！由
〔003〕Stable Diffusion 之 界面参数和基础使用 篇_stable diffusion 参数设置
kOS0ym的博客
04-28 918
路线、讲解视频，并且后续会持续更新**
stable diffusion插件应用stablesr
01-26
稳定扩散（Stable Diffusion）是一款先进的实时视频流处理软件，它主要用于图像稳定、质量提升以及各种视觉效果的实现。在本次讨论中，我们将聚焦于"stable diffusion插件应用stablesr"，这是一个用于增强稳定扩散...
stable-diffusion安装和简单测试
every place is the center of the universe
04-03 2839
stable-diffusion安装和简单测试
Stable diffusion 学习过程
m0_52945258的博客
09-17 458
讲解：讲解：代码：
Stable Diffusion 使用详解（11）--- 场景ICON制作
talentyiyy的专栏
09-20 1249
这段时间不知道为啥小伙伴似乎喜欢制作很符合自己场景的ICON。其实，你如果认真看了本专栏前面几节的内容，应该说这个问题很简单。但是总有小伙伴按照别人的safetensor 或者checkpoint 文件无法做出别人的效果，做出来总是一个很奇怪的图案。如果你也是这种情况，就说明你还没有入门炼丹师行业。Stable Diffusion 作画的机理及使用前面已经讲了很多。AI作画的好处就是天马行空，不管是文生图 还是 图生图，都是一样的。这种灵活性赋予AI作画创造性的同时，也使得AI作画无法被指定的实物约束。
在 Stable Diffusion 1.5 中 Lora, Dreambooth, Textual Inversion的详解指北
weixin_41446370的博客
09-19 1209
基本上，这就是所谓的 “保存图像”，我们将模型中需要防止修改的部分放入类图像中，而将需要训练的部分排除在类图像之外。值得注意的是，LoRa 可以与任何在 SD 1.4 或 1.5 上训练过的模型一起使用，无论 Chilloutmix 或其他模型是用来嵌入 LoRa 文件的。当它与一个好的模型搭配时效果最佳，但它只适用于你训练它的模型。与文字提示一样，Textual Inversion 的目的是引导图像生成器到达模型潜在空间中的特定位置，而自定义模型实际上是修改潜在空间本身，从而产生更显著的影响。
构建自己的文生图工具：Python + Stable Diffusion + CUDA
码途探索
09-18 882
在这个数字化和人工智能飞速发展的时代，图像生成技术正逐渐成为现实。想象一下，只需输入几个关键词，计算机就能创造出一幅栩栩如生的画作，这听起来像是科幻小说中的情节，但如今已经成为现实。文生图技术，一种利用深度学习算法将文本描述转换成图像的技术，正在改变我们创造和理解艺术的方式。在本文中，我们将一起探索如何利用Python编程语言、Stable Diffusion模型以及CUDA技术来搭建一个文生图环境。这不仅是一个技术挑战，更是一次创新的尝试，它将带领我们深入了解人工智能如何解读和可视化人类的想象力。
智慧旅游景区解决方案PPT(50页).pptx
最新发布
09-21
智慧旅游解决方案利用云计算、物联网和移动互联网技术，通过便携终端设备，实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验，使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务，包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外，平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持，如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》，这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化，智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式，提供简化的软件开发、测试和部署环境，实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源，提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构，提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术，实现了旅游服务的智能化、个性化和协同化，提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势，多种技术和应用交叉渗透至旅游行业的各个方面，预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验，也为旅游管理和服务提供了高效的技术支持。
智慧旅游实景三维智慧景区建设方案PPT(70页).pptx
09-21
智慧旅游解决方案利用云计算、物联网和移动互联网技术，通过便携终端设备，实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验，使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务，包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外，平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持，如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》，这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化，智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式，提供简化的软件开发、测试和部署环境，实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源，提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构，提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术，实现了旅游服务的智能化、个性化和协同化，提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势，多种技术和应用交叉渗透至旅游行业的各个方面，预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验，也为旅游管理和服务提供了高效的技术支持。
基于深度学习实现的半监督学习例子.zip
09-21
深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
关于APx测试耳机音频的参数设置及步骤 关于APx测试耳机音频的参数设置及步骤
09-21
关于APx测试耳机音频的参数设置及步骤 关于APx测试耳机音频的参数设置及步骤
stable diffusion安装步骤
04-15
这三个参数用于设置Stable Diffusion的数据库连接，用于存储数据。 4. 运行以下命令启动Stable Diffusion： ``` docker-compose up -d ``` 这将启动Stable Diffusion容器并在后台运行。 5. 当容器启动后...
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