Stable Diffusion - 墨幽人造人 模型与 Tag 配置

news2024/11/16 9:38:47

欢迎关注我的CSDN:https://spike.blog.csdn.net/
本文地址:https://spike.blog.csdn.net/article/details/131565068

墨幽人造人模型的版本介绍:

  • v1010修剪:更小体积的4G修剪版,但是整体色彩及细节表现力、好手好脸概率均略逊于v1010的7G完整版。
  • v1010:真正的首个可以称之为人造人的“墨幽”。完全真正对墨幽进行了跨世代的全面升级。

下载链接:Stable Diffusion 模型网站 liblibAI,墨幽人造人。

具体配置:

推荐Tag: 
	- 提示词: 
  	- 正: 1girl,moyou, (在此基础上添加,无需添加任何质量词)
  	- 负: EasyNegativeV2,(badhandv4:1.2), (这是两个embedding嵌入式文件。无需额外添加任何负面质量提示词) (这两个embedding的排列顺序会明显影响最终画面,请一定按照此说明中的顺序排列!!!)

- 推荐参数:
	- VAE: 840000,即 vae-ft-mse-840000-ema-pruned.ckpt
  	- 采样: DDIM (新的人造人墨幽也更换了采样器哦,不要使用之前版本用的采样器啦!)
  	- 步数: 30~50 (常用30,50质量更高) (亲测继续提高步数仍会达到更好的质量,但变化很小)
  	- 高分辨率修复参数: (一定要开!)
    	- 放大算法: 8x_NMKD-Superscale_150000_G (可入鹅群自取)
    	- 重绘幅度: 0.2  
    	- 基础分辨率: 短边512
    	- 放大倍数: 2
  	- CFG: 7

版本号:v1010修剪,时间 2023.6.30

moyou

启动服务:

conda deactivate
source venv/bin/activate
nohup python -u launch.py --port 9301 --listen --xformers > nohup.sd.out &

1. 配置模型

模型类型是Checkpoint,即下载存储至 stable-diffusion-webui/models/Stable-diffusion

下载模型:

# 4G 修剪
wget https://liblibai-online.liblibai.com/web/model/dfab1a61233ef2812e6de35730449c330657961d3f0d9d51a5b057a17b80ab67.safetensors -O 墨幽人造人_v1010_修剪.safetensors  

# 7G 完整版
wget https://liblibai-online.liblibai.com/web/model/6a226dd292a983b3ed4987402453ad4d954b77825c1cf99d39d8746909791761.safetensors -O 墨幽人造人_v1010_完整版.safetensors  

具体配置:

Config

2. 配置参数

模型文件检查器:https://spell.novelai.dev/

2.1 Embeddings

推荐 Tag 的负向提示词是 Embeddings 类型,存储位置 stable-diffusion-webui/embeddings

下载路径:

  • EasyNegative:https://huggingface.co/datasets/gsdf/EasyNegative、https://civitai.com/models/7808/easynegative,建议下载 EasyNegative.pt
  • badhandv4 - AnimeIllustDiffusion:https://civitai.com/models/16993/badhandv4-animeillustdiffusion,建议下载 badhandv4.pt

点击:

Show

Textual Inversion (文本反转) 中,即可使用。

配置参数,注意 Used embeddings,表示使用EasyNegativebadhandv4

1girl,moyou,
Negative prompt: EasyNegative,(badhandv4:1.2),
Steps: 50, Sampler: DDIM, CFG scale: 7, Seed: 841743923, Size: 512x768, Model hash: 6a226dd292, Model: 墨幽人造人_v1010_完整版, Denoising strength: 0.2, Hires upscale: 2, Hires upscaler: 8x_NMKD-Superscale_150000_G, Version: v1.4.0

Used embeddings: EasyNegative [119b], badhandv4 [dba1]
Time taken: 17.53sTorch active/reserved: 5345/8764 MiB, Sys VRAM: 10262/81070 MiB (12.66%)

2.2 VAE

VAE 默认没有出现 WebUI 中,需要手动配置。Settings - User interface - Quicksettings list.

Quicksettings

再点击 Apply settings ,重启服务即可生效:

Apply settings

重启服务即可,在 WebUI 中,增加两个框,即 Add Lora to promptSD VAE

moyou

下载路径:vae-ft-mse-840000-ema-pruned:https://civitai.com/models/76118/vae-ft-mse-840000-ema-pruned

模型存储至:stable-diffusion-webui/models/VAE,刷新,即可应用。

关于 sd_vaesd_vae_as_default,即 sd_vae 是配合主模型使用:

  • “sd_vae”: OptionInfo(“Automatic”, “SD VAE”, gr.Dropdown, lambda: {“choices”: shared_items.sd_vae_items()}, refresh=shared_items.refresh_vae_list).info(“choose VAE model: Automatic = use one with same filename as checkpoint; None = use VAE from checkpoint”),
  • “sd_vae_as_default”: OptionInfo(True, “Ignore selected VAE for stable diffusion checkpoints that have their own .vae.pt next to them”)

使用 VAE 模型的主要作用是修饰细节。例如,左侧是使用VAE,右侧是未使用VAE的效果:

VAE

2.3 Upscaler

放大算法:8x_NMKD-Superscale_150000_G

下载地址:

  • 包括全部的放大算法:https://huggingface.co/uwg/upscaler/tree/main
  • 8x_NMKD-Superscale_150000_G:https://huggingface.co/uwg/upscaler/blob/main/ESRGAN/8x_NMKD-Superscale_150000_G.pth,67M

放入文件夹:stable-diffusion-webui/models/ESRGAN

需要重启 WebUI,才能在列表中生效,可以选用。

3. 绘图示例

Prompt:

1girl,moyou,fullbody
Negative prompt: EasyNegative,(badhandv4:1.2),
Steps: 50, Sampler: DDIM, CFG scale: 7, Seed: 3940251232, Face restoration: CodeFormer, Size: 512x768, Model hash: 6a226dd292, Model: 墨幽人造人_v1010_完整版, Denoising strength: 0.2, Hires upscale: 2, Hires upscaler: 8x_NMKD-Superscale_150000_G, Version: v1.4.0

Saved: 00030-3940251232.png

图像:

Img

参考:

  • 知乎 - stable diffusion里用到的模型(ckpt文件)是啥?
  • 探索【Stable-Diffusion WEBUI】的附加功能:图片缩放&抠图
  • 百度贴吧 - 大佬请教,为啥没有VAE模型的工具栏呢
  • Bilibili - (紧急)下载下来的模型怎么用?分别放哪里?是什么类型?分享个小工具一招解决!
  • Stable Diffusion用embedding模型避免画崩

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/739240.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

结构体和数据结构--动态数据结构体-单向链表

目录 一、问题的提出 二、链表的定义 三、单向链表的建立 四、单向链表的删除操作 五、单向链表的插入操作 一、问题的提出 数组实质是一种顺序存储,随机访问的线性表,它的优点是使用直观,便于快速、随机地存取线性表中地任意元素。但缺…

线性表综合应用题1

线性表综合应用题1 从顺序表中删除具有最小值的元素(假设唯一)并由函数返回被删除元素的值。空出的位置由最后一个元素填补,若顺序表为空,则显示出错信息并退出运行。 算法思想:搜索整个顺序表,查找最小值元…

多元回归预测 | Matlab基于鲸鱼算法(WOA)优化高斯过程回归(WOA-GPR)的数据回归预测,matlab代码,多变量输入模型

文章目录 效果一览文章概述部分源码参考资料效果一览 文章概述 多元回归预测 | Matlab基于鲸鱼算法(WOA)优化高斯过程回归(WOA-GPR)的数据回归预测,matlab代码,多变量输入模型 评价指标包括:MAE、RMSE和R2等,代码质量极高,方便学习和替换数据。要求2018版本及以上。 部分源…

ct.js笔记-整合SweetAlert2,弹出输入框(添加Cat模组)

如下: 效果如下: 点击Name后: 实现如下: 在ct.libs中添加个新文件夹sweetalert2文件夹。 内部要包含这几个关键文件: ①index.js:调用模组的入库文件; ②includes文件夹:把需要引…

keepalived 实现 IP 地址漂移

🎈 作者:Linux猿 🎈 简介:CSDN博客专家🏆,华为云享专家🏆,Linux、C/C、云计算、物联网、面试、刷题、算法尽管咨询我,关注我,有问题私聊! &…

基于redis实现延时队列(二)

背景 上篇文章中使用了redis的zset定时器实现延时任务,虽然定时器设置为30秒执行一次,但是还是有时间上的差异化;现更换一种方式实现,可以避免时间上的差异。 redis的key过期回调事件,也能达到延迟队列效果 配置修改…

抖音短视频seo矩阵源码开源SaaS部署(四)

目录 一、 抖音短视频SEO矩阵包括以下内容: ​编辑 二、 源码开源部署流程 三、 SaaS的理解 四、 抖音短视频seo,SaaS矩阵部署用到的技术 抖音短视频SEO主要是通过以下几个方面实现的: SaaS矩阵部署主要用到的技术包括以下几个方面&…

深蓝学院C++基础与深度解析笔记 第 11 章 类

深蓝学院C基础与深度解析笔记 第 11 章 类 1. 结构体与对象聚合 **● 结构体:**对基本数据结构进行扩展,将多个对象放置在一起视为一个整体 – 结构体的声明与定义(注意定义后面要跟分号来表示结束) – 仅有声明的结构体是不完全…

【Linux后端服务器开发】共享内存

目录 一、共享内存概述 二、共享内存(IPC资源)的查看——ipcm 三、共享内存的创建——shmget 四、共享内存的控制(删除)——shmctl 五、共享内存的关联——shmat 六、共享内存去关联——shmdt 七、进程间通信 一、共享内存…

力扣 -- 309. 最佳买卖股票时机含冷冻期

题目链接:309. 最佳买卖股票时机含冷冻期 - 力扣(LeetCode) 下面是用动态规划的思想解决这道题的过程,相信各位小伙伴都能看懂并且掌握这道经典的动规题目滴。 参考代码: class Solution { public:int maxProfit(vec…

基于matlab使用深度神经网络对肿瘤图像进行分类(附源码)

一、前言 此示例演示如何使用 Inception-v3 深度神经网络对可能不适合内存的多分辨率全玻片图像 (WSI) 进行分类。 用于肿瘤分类的深度学习方法依赖于数字病理学,其中整个组织切片被成像和数字化。生成的 WSI 具有高分辨率,大约…

Openlayers实战:平移、弹性平移、飞行动画

Openlayers地图上经常会遇到这样的一种 场景,获取到某数据后,会重新定位中心点到某个位置,这里可以用setCenter([lon,lat]), 更可以用动画的形式展现。 在本实战中,展示出平移、弹性平移、飞行的动画。 效果图 源代码 /* * @Author: 大剑师兰特(xiaozhuanlan),还是大剑…

【图像处理OpenCV(C++版)】——5.5 图像平滑之双边滤波

前言: 😊😊😊欢迎来到本博客😊😊😊 🌟🌟🌟 本专栏主要结合OpenCV和C来实现一些基本的图像处理算法并详细解释各参数含义,适用于平时学习、工作快…

第三十六天 Java基础学习(三十)

一、Spring MVC 组件是将处理某类问题的代码进行封装的整体模块。一个大的问题可以拆分为不同的小问题,解决每个小问题的代码封装可以称之为组件,但是组件又是无法独立运行的,必须结合其他组件一起才能最终解决问题。就好比汽车,…

同步任务和异步任务的执行过程

同步任务和异步任务的执行过程 1、执行过程描述2、EventLoop的概念 1、执行过程描述 同步任务 是由JS主线程按次序执行异步任务委托给宿主环境执行已完成的异步任务对应的回调函数,会被加入到任务队列中等待执行JS的主线程的执行栈被清空后,会读取任务队…

Java026——System 类和Scanner 类

一、System 类 1.1、System 类提供的常用方法 方法 功能描述 ----------------------------------------------------------------------------------------------------------------------- currentTimeMillis() 返回当前计算机时间 和 格林威治时间&#xff…

mysql查询练习

1.创建表 CREATE TABLE worker( 部门号 int(11) NOT NULL, 职工号 int(11) NOT NULL, 工作时间 date NOT NULL,工资 float(8,2) NOT NULL,政治面貌 varchar(10) NOT NULL DEFAULT 群众 , 姓名 varchar(20) NOT NULL,出生日期 date NOT NULL,PRIMARY KEY (职工号))ENGINE…

4.3Java EE——一对多查询

用户与订单关联关系图​​​​​​​ 与一对一的关联关系相比&#xff0c;接触更多的关联关系是一对多&#xff08;或多对一&#xff09;。例如一个用户可以有多个订单&#xff0c;多个订单也可以归一个用户所有。用户和订单的关联关系如图。 一、<collection>元素 在MyB…

前端技术学习第九讲:VUE基础语法---VUE常用指令

VUE常用指令 在VUE学习中&#xff0c;通常使用相关指令使VUE对象中的内容与网页进行挂载绑定&#xff0c;是我们的数据与视图之间产生关联&#xff0c;完成渐进式动态效果。VUE指令都会以“v-”开头。 指令名描述v-text将文本内容挂载到页面元素中v-html将html代码展示到页面…

更开放、更高性能、更具规模,闪马智能布局AGI时代

7月6日&#xff0c;2023世界人工智能大会&#xff08;WAIC 2023&#xff09;在上海盛大开幕。本届大会以“智联世界 生成未来”为主题&#xff0c;聚焦通用人工智能发展&#xff0c;共话产业新未来。 8日上午&#xff0c;由上海闪马智能科技有限公司&#xff08;下称“闪马智能…