Controlnet Qrcode Control V11p Sd21

🚀 Stable Diffusion 2.1用QRコード条件付きControlNetモデル

このリポジトリは、Stable Diffusion v2.1用のQRコード条件付きControlNetのsafetensorsとdiffusersバージョンを保持しています。

🚀 クイックスタート

このリポジトリには、Stable Diffusion v2.1用のQRコード条件付きControlNetのsafetensorsとdiffusersバージョンが含まれています。Stable Diffusion 2.1バージョンは、特定のニーズに合わせて開発されたため、若干効果的です。ただし、古いバージョンを使用している人のために、同じデータセットで1.5バージョンのモデルも学習されています。

✨ 主な機能

• Stable Diffusion 2.1用のQRコード条件付きControlNetモデルを提供します。
• 古いバージョンのStable Diffusion 1.5にも対応したモデルがあります。

📦 インストール

このモデルを使用する最も簡単な方法は、.safetensorsモデルとその.yaml設定ファイルを、他のControlNetモデルがインストールされているフォルダに配置することです。このフォルダはアプリケーションによって異なります。 auto1111で使用する場合は、webui/models/ControlNetフォルダに配置できます。ControlNetのWebUI拡張機能を使用してロードでき、これはWebUIの拡張タブ（https://github.com/Mikubill/sd-webui-controlnet）からインストールできます。ControlNetユニットを有効にし、入力画像をQRコードに設定してください。ベースのStable Diffusionモデルに応じて、SD2.1または1.5バージョンのモデルを設定しないとエラーが発生します。前処理は必要ありませんが、異なる結果を得るために反転前処理を使用することもできます。生成には768の解像度が推奨されます。

💻 使用例

基本的な使用法

pip -q install diffusers transformers accelerate torch xformers

import torch
from PIL import Image
from diffusers import StableDiffusionControlNetImg2ImgPipeline, ControlNetModel, DDIMScheduler
from diffusers.utils import load_image

controlnet = ControlNetModel.from_pretrained("DionTimmer/controlnet_qrcode-control_v11p_sd21",
                                             torch_dtype=torch.float16)

pipe = StableDiffusionControlNetImg2ImgPipeline.from_pretrained(
    "stabilityai/stable-diffusion-2-1",
    controlnet=controlnet,
    safety_checker=None,
    torch_dtype=torch.float16
)

pipe.enable_xformers_memory_efficient_attention()
pipe.scheduler = DDIMScheduler.from_config(pipe.scheduler.config)
pipe.enable_model_cpu_offload()

def resize_for_condition_image(input_image: Image, resolution: int):
    input_image = input_image.convert("RGB")
    W, H = input_image.size
    k = float(resolution) / min(H, W)
    H *= k
    W *= k
    H = int(round(H / 64.0)) * 64
    W = int(round(W / 64.0)) * 64
    img = input_image.resize((W, H), resample=Image.LANCZOS)
    return img


# play with guidance_scale, controlnet_conditioning_scale and strength to make a valid QR Code Image

# qr code image
source_image = load_image("https://s3.amazonaws.com/moonup/production/uploads/6064e095abd8d3692e3e2ed6/A_RqHaAM6YHBodPLwqtjn.png")
# initial image, anything
init_image = load_image("https://s3.amazonaws.com/moonup/production/uploads/noauth/KfMBABpOwIuNolv1pe3qX.jpeg")
condition_image = resize_for_condition_image(source_image, 768)
init_image = resize_for_condition_image(init_image, 768)
generator = torch.manual_seed(123121231)
image = pipe(prompt="a bilboard in NYC with a qrcode",
             negative_prompt="ugly, disfigured, low quality, blurry, nsfw", 
             image=init_image,
             control_image=condition_image,
             width=768,
             height=768,
             guidance_scale=20,
             controlnet_conditioning_scale=1.5,
             generator=generator,
             strength=0.9, 
             num_inference_steps=150,
            )

image.images[0]

📚 ドキュメント

性能と制限

これらのモデルはほとんどの場合で良好に機能しますが、100％正確ではありません。場合によっては、QRコードの形状が期待通りに再現されないことがあります。QRコードの形状を強調するには、ControlNetの重みを増やすことができます。ただし、これにより出力のスタイルに悪影響を与える可能性があるので注意してください。スキャンを最適化するには、誤り訂正モード'H'（30％）でQRコードを生成してください。

スタイルと形状のバランスを取るには、個々の入力と目的の出力、および適切なプロンプトに基づいて、コントロール重みを微調整する必要がある場合があります。一部のプロンプトは、重みを大幅に増やさないと機能しません。これらの要素間の適切なバランスを見つけるプロセスは、一部はアートであり、一部は科学です。最良の結果を得るには、768の解像度でアートワークを生成することをお勧めします。これにより、最終製品の詳細度が向上し、QRコードベースのアートワークの品質と効果が高まります。

📄 ライセンス

このモデルのライセンスは、openrail++です。