【ai绘画】controlnet插件补图

最新推荐文章于 2025-04-08 08:01:43 发布

zxl786981

最新推荐文章于 2025-04-08 08:01:43 发布

阅读量555

点赞数

分类专栏： ai绘画相关文章标签： AI作画 stable-diffusion

本文链接：https://blog.csdn.net/zxl786981/article/details/132349112

版权

本文介绍了如何利用ControlNet v1.1.237的局部重绘功能（inpaint）结合lama处理器进行AI作画的补图操作。通过选择缩放后填充空白模式，确保补图与原图紧密结合。对于图生图，这种方法能产生较好的效果。为减少违和感，建议使用同一模型并调整参数。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

controlnet版本v1.1.237，预处理器中文是局部重绘，英文inpaint，没有就是controlnet需要更新。

选择inpaint_only+lama处理器，这个处理器相比inpaint_only少了一个用ps补空白图的过程，并且会给多出来的空白区域加重绘蒙版。

文生图和图生图都可用这个功能，个人认为图生图生成的效果好一点。以下是以图生图为例的流程：

首先要补的图片传入图生图区域，本图是428*1024；想要补成800*1024的图

图生图下方的缩放模式选择缩放后填充空白（填充），可以使得补出来的区域和原图关联紧密一些。

在controlnet插件处传入该图片

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

zxl786981

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

Llama.cpp 服务器安装指南（使用 Docker，GPU 专用）

canduecho的专栏

02-27

896

构建服务器镜像-t：命名镜像为。：仅构建服务器版本。-f：指定修改后的。：使用当前目录作为构建上下文。构建时间：10-20 分钟，取决于网络和机器性能。验证。

苹果大模型系列之Apple MLX 与 Llama.cpp 对比 Hugging Face Candle Rust，实现本地闪电般快速的LLM

iCloudEnd的博客

06-28

800

在 NLP 部署方面，推理速度是一个至关重要的因素，特别是对于支持 LLM 的应用程序而言。随着 Apple M1 芯片等移动架构数量的不断增长，评估 LLM 在这些平台上的性能至关重要。在本文中，我比较了三个流行的 LLM 库（MLX、Llama.cpp和Hugging Face 的Candle Rust）在Apple M1 芯片上的推理/生成速度。旨在方便开发人员选择最合适的库在本地机器上部署 LLM，同时考虑性能、实现的便利性以及与可用工具和框架的兼容性。

1 条评论您还未登录，请先登录后发表或查看评论

掌握 llama.cpp 量化部署与 ollama 导入模型，轻松搞定模型部署难题！

Gblfy_Blog

03-02

1032

掌握 llama.cpp 量化部署与 ollama 导入模型，轻松搞定模型部署难题！

Llama.cpp简介

old_power的博客

02-06

1237

Llama.cpp 是一个高效、灵活的 LLM 推理工具，特别适合在本地设备上运行大型语言模型。它通过量化、硬件加速和混合推理等技术，显著降低了资源需求，同时保持了较高的推理性能。无论是开发者还是普通用户，都可以通过 Llama.cpp 轻松部署和运行 LLM 模型。

大模型本地部署神器：llama.cpp使用介绍

2401_85390073的博客

03-29

1175

本节主要介绍什么是llama.cpp，以及llama.cpp、llama、ollama的区别。同时说明一下GGUF这种模型文件格式。llama.cpp是一个由Georgi Gerganov开发的高性能C++库，主要目标是在各种硬件上（本地和云端）以最少的设置和最先进的性能实现大型语言模型推理。主要特点：纯C/C++实现，没有任何依赖对Apple Silicon（如M1/M2/M3芯片）提供一流支持 - 通过ARM NEON、Accelerate和Metal框架优化。

在LangChain中使用Llama.cpp：从安装到实践

ppoojjj的博客

08-24

1387

本文介绍了如何在LangChain中使用Llama.cpp，包括安装、设置以及使用LLM和Embeddings包装器。Llama.cpp为在本地环境中运行大型语言模型提供了高效的解决方案，特别适合需要离线处理或对隐私有特殊要求的应用场景。LangChain官方文档Llama.cpp GitHub仓库LangChain社区论坛。

一文熟悉新版llama.cpp使用并本地部署LLAMA

热门推荐

lovely_yoshino的博客

11-08

3万+

>关于UCloud(优刻得)旗下的compshare算力共享平台 UCloud(优刻得)是中国知名的中立云计算服务商，科创板上市，中国云计算第一股。 Compshare GPU算力平台隶属于UCloud，专注于提供高性价4090算力资源，配备独立IP，支持按时、按天、按月灵活计费，支持github、huggingface访问加速。 [https://www.compshare.cn/?ytag=GPU_lovelyyoshino_Lcsdn_csdn_display]

Windows11(非WSL)安装Installing llama-cpp-python with GPU Support

我看故我听

02-18

3144

直接安装，只支持CPU。想支持GPU，麻烦一些。

大模型部署工具 llama.cpp 介绍与安装使用

youmaob的博客

04-07

1万+

另外一个是量化，量化是通过牺牲模型参数的精度，来换取模型的推理速度。llama.cpp 提供了大模型量化的工具，可以将模型参数从 32 位浮点数转换为 16 位浮点数，甚至是 8、4 位整数。训练的过程，实际上就是在寻找模型参数，使得模型的损失函数最小化，推理结果最优化的过程。训练完成之后，模型的参数就固定了，这时候就可以使用模型进行推理，对外提供服务。大模型时代，企业对人才的需求变了，AIGC相关岗位人才难求，薪资持续走高，AI运营薪资平均值约。llama.cpp 提供了模型量化的工具。

llama.cpp 安装和配置指南

gitblog_09336的博客

09-13

1345

llama.cpp 安装和配置指南 llama.cpp Port of Facebook's LLaMA model in C/C++ 项目地址: https://gitcode.com/gh_mirrors/ll/llama.c...

llama.cpp 安装使用（支持CPU、Metal及CUDA的单卡/多卡推理）

宇宙有只 AGI 的博客

10-09

1341

1. 详细步骤 1.1 安装 cuda 等 nvidia 依赖(非CUDA环境运行可跳过) # 以 CUDA Toolkit 12.4: Ubuntu-22.04/24.04(x86_64) 为例，注意区分 WSL 和 Ubuntu，详见 https://developer.nvidia.com/cuda-12-4-1-download-archive?target_os=Linux&ta...

使用llama.cpp启动GPU模型计算

hz1988a的专栏

03-27

1986

用过make的记得删除项目，重新再以上执行命令，要不还是会使用CPU。

llama.cpp与PyTorch、TensorFlow

qq_43819568的博客

12-28

981

特性llama.cpp主要功能模型训练 + 推理轻量化模型推理硬件要求高性能硬件（GPU/TPU 优化）普通设备（CPU 优化，支持 ARM/x86）适用场景企业级大规模应用、研究开发个人和小型团队的本地化部署复杂性依赖多、配置复杂无需依赖，开箱即用生态系统广泛覆盖多个领域专注于语言模型推理，生态仍在扩展隐私支持适合云端部署完全离线运行，数据隐私友好支持的模型类型所有主流模型量化后的语言模型（支持 GGUF、GGML 格式）

使用 Llama.cpp 和 llama-cpp-python 快速部署本地 LLM 模型

hgSdaegva的博客

01-23

1986

是llama.cpp的 Python 绑定，旨在简化本地运行大语言模型的过程。它支持多种 LLM 模型，包括可以从获取的模型。

大模型推理引擎选型与应用场景分析：SGLang、Ollama、VLLM 和 LLaMA.cpp

最新发布

数据饕餮

04-08

277

在当下的大模型技术生态中，SGLang、Ollama、VLLM 和 LLaMA.cpp 各具特色，适用于不同的应用场景和用户需求。：支持 Windows/macOS/Linux，简单命令即可运行 1700+ 模型（如 Llama、Qwen）1518。：支持 2-bit 到 8-bit 量化，7B 模型可在树莓派运行（0.1 token/s）1517。通过结合自身需求与工具特性，用户可以最大化利用这些技术的潜力，推动 AI 应用的落地与创新。：可调整模型参数（如创造性、系统提示）适配不同任务1315。

LLM | llama.cpp 安装使用（支持CPU、Metal及CUDA的单卡/多卡推理）

宇宙有只 AGI 的博客

09-29

4882

包括CUDA安装，llama.cpp C/C++、Python环境配置，GGUF模型转换、量化与推理测试

【2024 Dec 超实时】编辑安装llama.cpp并运行llama

weixin_43812776的博客

12-12

2822

XXX/model/Mistral-7B-Instruct-v0.3/Mistral-7B-Instruct-v0.3-F16.gguf是你本地需要压缩模型路径，./myllms/Mistral-7B-Instruct-v0.3-Q4_K_M.gguf是压缩完存储名称。反正我现在装的时候make已经不再适用了，因为工具的版本，捣鼓了很久。2.cmake编译，参考这个官方https://github.com/ggerganov/llama.cpp/blob/master/docs/build.md。

大模型部署工具 llama.cpp 介绍与安装使用_看完这篇就够了

heaven522的博客

11-19

2170

这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。训练的过程，实际上就是在寻找模型参数，使得模型的损失函数最小化，推理结果最优化的过程。训练完成之后，模型的参数就固定了，这时候就可以使用模型进行推理，对外提供服务。作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

llama.cpp LLM模型 windows cpu安装部署；运行LLaMA2模型测试

weixin_42357472的博客

06-20

6080

参考： https://www.listera.top/ji-xu-zhe-teng-xia-chinese-llama-alpaca/ https://blog.csdn.net/qq_38238956/article/details/1301135991、下载： 2、编译 3、测试运行

llama.cpp启动大模型设置使用GPU2和GPU3

12-06

在LLAMA（Language Model Applications in Alignment and Modeling Agreements）框架下，如果你想要使用`llama.cpp`文件来启动一个模型并指定使用GPU 2 和 GPU 3，通常这个过程会涉及到深度学习库（如PyTorch或TensorFlow）的配置。具体步骤可能会因库的不同而有所差异，但一般包括以下几个步骤： 1. **环境设置**：确保你的系统已经安装了支持GPU计算的版本，比如CUDA和相应的深度学习库（例如PyTorch 1.x 或 TensorFlow 2.x）。 2. **选择适当库**：如果是在PyTorch中，可以创建一个运行脚本，通过`torch.cuda.set_device()`函数来指定设备。例如： ```python import torch torch.cuda.set_device(2) model = YourModelClass() # 你的模型类，假设它有一个cuda属性或支持GPU训练 model.to('cuda') ``` 对于TensorFlow，你可以使用`tf.config.set_visible_devices()`来指定显卡： ```python import tensorflow as tf gpus = tf.config.experimental.list_physical_devices('GPU') if gpus: try: tf.config.experimental.set_visible_devices(gpus[2:], 'GPU') # 使用索引从0开始 logical_gpus = tf.config.experimental.list_logical_devices('GPU') print(len(gpus), "Physical GPUs,", len(logical_gpus), "Logical GPUs") except RuntimeError as e: # Visible devices must be set before GPUs have been initialized print(e) model = YourModelClass() # 你的模型实例，需要支持TPU或GPU训练 strategy = tf.distribute.MirroredStrategy(devices=['/device:GPU:2']) # 或其他设备地址 with strategy.scope(): model.compile(...) ``` 3. **模型配置**：在`llama.cpp`文件中，你需要将上述Python代码转换成相应语言的API调用，这取决于你使用的编程接口和库的API文档。 4. **运行脚本**：最后，在`llama.cpp`中，通过调用包含GPU设置的程序或者在适当的地方引入配置，然后执行模型加载和训练。请注意，实际操作中，你需要查看具体的LLAMA示例代码以及你所使用的工具的官方文档，因为代码细节可能因库的具体实现而有所不同。