SDXL Multi Controlnet LoRA एक text-to-image मॉडल है जो आपको Picasso IA पर एक ही स्थान पर उत्पन्न छवियों की संरचना, शैली और संरचना पर सीधा नियंत्रण देता है। अधिकांश AI छवि मॉडल एक पाठ प्रॉम्प्ट स्वीकार करते हैं और एक परिणाम लौटाते हैं, लेकिन जब आपको एक विशिष्ट मुद्रा, एक विशेष स्थानीय लेआउट, या एक अलग दृश्य शैली लगातार लागू करने की आवश्यकता होती है, तो अकेला प्रॉम्प्ट अक्सर अपर्याप्त होता है। यह मॉडल आपको तीन तक ControlNet इनपुट के माध्यम से संदर्भ छवियों को फीड करने देता है और उन्हें एक साथ परत करता है, ताकि आउटपुट आपके द्वारा निर्दिष्ट आकृतियों, गहराई और रूपरेखाओं से मेल खाता है। यह मॉडल LoRA वजन लोडिंग का समर्थन करता है, जिसका अर्थ है कि आप एक प्रशिक्षित शैली या चरित्र को अपनी पीढ़ी में ला सकते हैं और इसे एक ट्यून करने योग्य पैमाने पर मिश्रित कर सकते हैं। यह img2img वर्कफ़्लो को भी संभालता है, जिससे आप एक मौजूदा फ़ोटो को आधार के रूप में फीड कर सकते हैं और प्रॉम्प्ट इसे कितना नया आकार देता है यह समायोजित कर सकते हैं। Inpainting एक तीसरी परत जोड़ता है: एक विशिष्ट क्षेत्र को मास्क करें, वर्णन करें कि आप वहां क्या चाहते हैं, और मॉडल इसे भर देता है जबकि बाकी छवि को अक्षुण्ण रखता है। यह चित्रकारों के लिए एक व्यावहारिक उपकरण है जिन्हें एक संदर्भ मुद्रा से मेल खाने की आवश्यकता है, उत्पाद डिजाइनर रंग या बनावट भिन्नताओं का परीक्षण कर रहे हैं, और कला निर्देशक जो एक अभियान के दौरान दोहराने योग्य दृश्य शैलियां चाहते हैं। इसे Picasso IA पर खोलें, अपनी संदर्भ छवियों को अपलोड करें, अपनी ControlNet शर्तें निर्धारित करें, और कुछ मिनटों में अपनी पहली पीढ़ी चलाएं।
SDXL Multi Controlnet LoRA एक text-to-image मॉडल है जो उत्पादकों के लिए बनाया गया है जिन्हें उत्पन्न छवियों की संरचना और शैली पर सीधा, दोहराने योग्य नियंत्रण की आवश्यकता है, Picasso IA पर उपलब्ध है। एक एकल पाठ प्रॉम्प्ट त्वरित विचारों के लिए अच्छी तरह से काम करता है, लेकिन यह शायद ही कभी सटीक मुद्रा, स्थानीय लेआउट, या दृश्य स्थिरता प्रदान करता है जो एक पेशेवर परियोजना की मांग करता है। यह मॉडल एक साथ तीन तक ControlNet संदर्भ छवियों को स्वीकार करता है, किनारे पहचान, गहराई मानचित्र और शरीर मुद्रा जैसी परिस्थितियों को स्तरित करता है आउटपुट को एक विशिष्ट दृश्य लक्ष्य की ओर निर्देशित करने के लिए। इसे LoRA वजन समर्थन और इनपेंटिंग के साथ जोड़ी, और आपके पास एक एकल उपकरण है जो अलग-अलग ऐप्स के बीच स्विच किए बिना जटिल, बहु-चरण छवि परियोजनाओं को संभालता है।
क्या इसका उपयोग करने के लिए मुझे प्रोग्रामिंग कौशल या तकनीकी ज्ञान की आवश्यकता है? नहीं, बस Picasso IA पर SDXL Multi Controlnet LoRA खोलें, अपनी चाहने वाली सेटिंग को समायोजित करें, और उत्पन्न करें पर हिट करें।
क्या यह परीक्षण करने के लिए मुफ्त है? हां, आप बिना किसी अग्रिम लागत के पीढ़ी चला सकते हैं। उपलब्ध मुफ्त रन की संख्या आपकी खाता योजना पर निर्भर करती है।
परिणाम प्राप्त करने में कितना समय लगता है? 30 अनुमान चरणों पर एक मानक 768x768 पीढ़ी आमतौर पर 20 से 40 सेकंड में समाप्त होती है। रिफाइनर को सक्षम करने या चरण गणना को बढ़ाने से समय आनुपातिक रूप से जुड़ता है।
कौन से आउटपुट प्रारूप समर्थित हैं? मॉडल छवि फ़ाइलें लौटाता है जिसे आप सीधे परिणाम पैनल से डाउनलोड कर सकते हैं। आप आउटपुट सेटिंग की संख्या को समायोजित करके प्रति रन चार तक छवियां उत्पन्न कर सकते हैं।
क्या मैं आउटपुट गुणवत्ता या शैली को कस्टमाइज़ कर सकता हूं? हां। आप अनुमान चरण, classifier-free मार्गदर्शन पैमाना, अनुसूचक प्रकार, LoRA पैमाना, और प्रत्येक ControlNet की कंडीशनिंग शक्ति को समायोजित कर सकते हैं। प्रत्येक पैरामीटर एक मापने योग्य तरीके से परिणाम को बदलता है।
मैं मॉडल को कितनी बार चला सकता हूं? मॉडल में ही कोई हार्ड कैप नहीं है। आप कितनी पीढ़ी चला सकते हैं यह आपकी वर्तमान खाता योजना पर निर्भर करता है।
अगर मुझे परिणाम पसंद नहीं है तो क्या होता है? बीज को बदलें, ControlNet कंडीशनिंग पैमाने को कम या बढ़ाएं, या प्रॉम्प्ट शक्ति स्लाइडर को समायोजित करें। छोटे पैरामीटर परिवर्तन अक्सर खरोंच से प्रॉम्प्ट को पुनः बनाए बिना ध्यान से अलग आउटपुट का उत्पादन करते हैं।
यह मॉडल आपके लिए क्या कर सकता है
तीन तक स्वतंत्र कंडीशनिंग इनपुट को स्टैक करें, जैसे कि किनारे, गहराई और मुद्रा, एक एकल पीढ़ी पास में।
किसी भी संगत LoRA वजन लागू करें और एक समर्पित पैमाने स्लाइडर के साथ मिश्रण में डायल करें।
एक मौजूदा फ़ोटो को आधार छवि के रूप में फीड करें और प्रॉम्प्ट शक्ति का उपयोग करें यह नियंत्रित करने के लिए कि आउटपुट मूल से कितना दूर है।
एक छवि के किसी भी क्षेत्र को मास्क करें और प्रॉम्प्ट में वर्णित नई सामग्री से भरें, आसपास के पिक्सल को अक्षुण्ण छोड़ दें।
सात अनुसूचकों में से चुनें, K_EULER और DPMSolverMultistep सहित, आपके पसंदीदा पीढ़ी व्यवहार से मेल खाने के लिए।
प्रत्येक ControlNet के लिए शुरुआत, अंत और कंडीशनिंग पैमाना निर्धारित करें यह नियंत्रित करने के लिए कि प्रत्येक इनपुट कब और कितनी मजबूती से प्रभाव डालता है।
कस्टम आउटपुट आयाम सेट करें या आकार को स्वचालित रूप से एक इनपुट या ControlNet छवि से मेल खाएं।
कंट्रोलनेट स्टार्ट/एंड और कंडीशनिंग स्केल पर सूक्ष्म नियंत्रण
A TOK photo, extreme macro photo of a golden astronaut riding a unicorn statue, in a museum, bokeh, 50mm
A TOK photo, extreme macro photo of a golden astronaut riding a unicorn statue, in a museum, 18mm
A TOK photo, extreme macro photo of a golden astronaut riding a unicorn statue, in a museum, 18mm
