Controlnet Qrcode Control V11p V1

🚀 二维码条件控制网络模型，适用于Stable Diffusion 2.1

本项目提供了适用于Stable Diffusion v2.1的二维码条件控制网络（ControlNet）的safetensors和diffusers版本。该模型能基于二维码条件生成图像，为图像生成领域带来新的可能性。

🚀 快速开始

环境准备

使用diffusers库调用模型前，需要安装必要的依赖：

pip -q install diffusers transformers accelerate torch xformers

代码示例

以下是使用Python代码调用模型的示例：

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

• 版本适配：提供了适用于Stable Diffusion 2.1和1.5版本的模型，满足不同用户的需求。
• 效果良好：在大多数情况下，模型能够生成质量较高的图像，但仍存在一定的局限性。
• 可调节性：可以通过调整控制网络的权重、引导比例等参数，平衡图像的风格和二维码的形状。

📦 安装指南

最简单的使用方法是将.safetensors模型文件及其对应的.yaml配置文件放置在你其他ControlNet模型的安装文件夹中，具体文件夹位置因应用而异。

• 在auto1111中使用：可以将模型文件和配置文件放置在webui/models/ControlNet文件夹中。你可以通过webui的扩展选项卡安装ControlNet扩展（https://github.com/Mikubill/sd-webui-controlnet ）来加载模型。
  1. 确保启用ControlNet单元，并将输入图像设置为二维码。
  2. 根据你的基础Stable Diffusion模型选择SD2.1或1.5版本的模型，否则会报错。
  3. 不需要预处理器，但你可以使用反转预处理器来获得不同的结果。
  4. 推荐使用768的分辨率进行图像生成，以获得更丰富的细节。

🔧 技术细节

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，二维码的形状可能无法如预期般呈现。你可以增加ControlNet的权重来强调二维码的形状，但要注意这可能会对输出图像的风格产生负面影响。为了优化二维码的扫描效果，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，可能需要根据具体的输入、期望的输出以及合适的提示词，对控制权重进行微调。有些提示词在大幅增加权重之前可能无法正常工作。找到这些因素之间的正确平衡既是一门艺术，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。