Qrcode

🚀 用于Stable Diffusion 2.1的二维码条件ControlNet模型

本项目提供了适用于Stable Diffusion 2.1的二维码条件ControlNet模型，能基于二维码生成风格独特且可扫描的图像，兼具创意与实用性。

🚀 快速开始

安装依赖

pip -q install diffusers transformers accelerate torch xformers

使用示例

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

• 本仓库包含适用于Stable Diffusion v2.1的二维码条件ControlNet的safetensors和diffusers版本。
• Stable Diffusion 2.1版本效果略好，不过也针对旧版本用户在相同数据集上训练了1.5版本的模型。

📦 安装指南

最简单的使用方法是将 .safetensors 模型及其 .yaml 配置文件放在你其他ControlNet模型的安装文件夹中，具体文件夹因应用而异。

• 若要在auto1111中使用，可将其放在 webui/models/ControlNet 文件夹中。可以通过webui的扩展标签（https://github.com/Mikubill/sd-webui-controlnet）安装ControlNet的webui扩展来加载这些模型。
• 确保启用ControlNet单元，并将输入图像设置为二维码。根据你的基础Stable Diffusion模型，将模型设置为SD2.1或1.5版本，否则会报错。
• 无需预处理器，但你可以使用反转变换预处理器以获得不同的结果。为了获得更多细节，建议以768的分辨率生成图像。

📚 详细文档

性能与局限性

这些模型在大多数情况下表现良好，但请注意，它们并非100%准确。在某些情况下，二维码形状可能无法如预期般呈现。你可以增加ControlNet的权重以突出二维码形状，但要注意这可能会对输出风格产生负面影响。为了优化扫描效果，请使用纠错模式为 'H' (30%) 生成二维码。

为了在风格和形状之间取得平衡，可能需要根据具体输入、期望输出以及正确的提示词对控制权重进行微调。有些提示词在大幅增加权重后才会生效。找到这些因素之间的最佳平衡既是一门艺术，也是一门科学。为了获得最佳效果，建议以768的分辨率生成你的艺术作品，这样可以在最终产品中实现更高的细节水平，提升基于二维码的艺术作品的质量和效果。

📄 许可证

本项目采用openrail++许可证。

⚠️ 重要提示

这些模型并非100%准确，在某些情况下二维码形状可能无法如预期呈现。为优化扫描效果，请使用纠错模式 'H' (30%) 生成二维码。

💡 使用建议

• 为了在风格和形状之间取得平衡，可能需要根据具体输入、期望输出以及正确的提示词对控制权重进行微调。
• 有些提示词在大幅增加权重后才会生效。
• 为获得最佳效果，建议以768的分辨率生成艺术作品。