Controlnet Qrcode Control V11p V1

🚀 二維碼條件控制網絡模型，適用於Stable Diffusion 2.1

本項目提供了適用於Stable Diffusion v2.1的二維碼條件控制網絡（ControlNet）的safetensors和diffusers版本。該模型能基於二維碼條件生成圖像，為圖像生成領域帶來新的可能性。

🚀 快速開始

環境準備

使用diffusers庫調用模型前，需要安裝必要的依賴：

pip -q install diffusers transformers accelerate torch xformers

代碼示例

以下是使用Python代碼調用模型的示例：

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]

✨ 主要特性

• 版本適配：提供了適用於Stable Diffusion 2.1和1.5版本的模型，滿足不同用戶的需求。
• 效果良好：在大多數情況下，模型能夠生成質量較高的圖像，但仍存在一定的侷限性。
• 可調節性：可以通過調整控制網絡的權重、引導比例等參數，平衡圖像的風格和二維碼的形狀。

📦 安裝指南

最簡單的使用方法是將.safetensors模型文件及其對應的.yaml配置文件放置在你其他ControlNet模型的安裝文件夾中，具體文件夾位置因應用而異。

• 在auto1111中使用：可以將模型文件和配置文件放置在webui/models/ControlNet文件夾中。你可以通過webui的擴展選項卡安裝ControlNet擴展（https://github.com/Mikubill/sd-webui-controlnet ）來加載模型。
  1. 確保啟用ControlNet單元，並將輸入圖像設置為二維碼。
  2. 根據你的基礎Stable Diffusion模型選擇SD2.1或1.5版本的模型，否則會報錯。
  3. 不需要預處理器，但你可以使用反轉預處理器來獲得不同的結果。
  4. 推薦使用768的分辨率進行圖像生成，以獲得更豐富的細節。

🔧 技術細節

性能與侷限性

這些模型在大多數情況下表現良好，但請注意，它們並非100%準確。在某些情況下，二維碼的形狀可能無法如預期般呈現。你可以增加ControlNet的權重來強調二維碼的形狀，但要注意這可能會對輸出圖像的風格產生負面影響。為了優化二維碼的掃描效果，請使用糾錯模式為'H'（30%）生成二維碼。

為了在風格和形狀之間取得平衡，可能需要根據具體的輸入、期望的輸出以及合適的提示詞，對控制權重進行微調。有些提示詞在大幅增加權重之前可能無法正常工作。找到這些因素之間的正確平衡既是一門藝術，也是一門科學。為了獲得最佳效果，建議以768的分辨率生成你的藝術作品，這樣可以在最終產品中實現更高的細節水平，提升基於二維碼的藝術作品的質量和效果。

📄 許可證

本項目採用OpenRAIL++許可證。