स्टेबल डिफ्यूजन ट्यूटोरियल: AI इमेज जनरेशन के लिए एक व्यापक गाइड

स्टेबल डिफ्यूजन एक लेटेंट डिफ्यूजन मॉडल है जो टेक्स्ट विवरण से विस्तृत छवियां उत्पन्न करता है। यह इमेज इनपेंटिंग, आउटपेंटिंग और टेक्स्ट-टू-इमेज/इमेज-टू-इमेज ट्रांसफॉर्मेशन जैसे कार्यों में उत्कृष्ट है। टेक्स्ट इनपुट करके, स्टेबल डिफ्यूजन आपकी विशिष्टताओं से मेल खाने वाली यथार्थवादी छवियां बनाता है। यह इमेज जनरेशन को एक शोर हटाने की प्रक्रिया में बदल देता है, जो रैंडम गॉसियन शोर से शुरू होता है और एक स्पष्ट छवि उभरने तक इसे पुनरावृत्त रूप से परिष्कृत करता है। कम्प्यूटेशनल मांगों को पूरा करने के लिए, स्टेबल डिफ्यूजन लेटेंट डिफ्यूजन का उपयोग करता है, जो कम-आयामी लेटेंट स्पेस में संचालन करके मेमोरी और लागत को कम करता है। इसकी ओपन-सोर्स प्रकृति विभिन्न इमेज जनरेशन शैलियों के लिए एक प्रमुख विकल्प बनाते हुए, विभिन्न टूल और प्री-ट्रेन्ड मॉडल के साथ तेजी से विकास और एकीकरण को बढ़ावा देती है।

स्टेबल डिफ्यूजन का प्रभावी ढंग से उपयोग करने के लिए मुख्य अवधारणाओं को समझना महत्वपूर्ण है: * **ऑटोएनकोडर (VAE):** एक एनकोडर से बना होता है जो छवियों को एक निम्न-आयामी लेटेंट प्रतिनिधित्व में परिवर्तित करता है और एक डिकोडर जो इस प्रतिनिधित्व से छवियों का पुनर्निर्माण करता है। * **U-Net:** एक एनकोडर और डिकोडर वाला एक न्यूरल नेटवर्क, जो डाउनसैंपलिंग के दौरान सूचना हानि को रोकने के लिए स्किप कनेक्शन से जुड़ा होता है। यह टेक्स्ट एम्बेडिंग पर कंडीशनिंग करके पुनरावृत्त रूप से शोर हटाकर लेटेंट इमेज प्रतिनिधित्व को परिष्कृत करता है। * **टेक्स्ट एनकोडर:** इनपुट प्रॉम्प्ट को एक एम्बेडिंग स्पेस में परिवर्तित करता है जिसे U-Net समझ सकता है, आमतौर पर एक ट्रांसफार्मर-आधारित एनकोडर का उपयोग करके। उच्च-गुणवत्ता वाले आउटपुट के लिए प्रभावी प्रॉम्प्ट महत्वपूर्ण हैं, जो प्रॉम्प्ट डिज़ाइन के महत्व पर जोर देते हैं।

स्टेबल डिफ्यूजन प्रक्रिया में शामिल हैं: 1. एक लेटेंट सीड और टेक्स्ट प्रॉम्प्ट इनपुट करना। 2. सीड से एक रैंडम लेटेंट इमेज प्रतिनिधित्व उत्पन्न करना। 3. CLIP टेक्स्ट एनकोडर का उपयोग करके टेक्स्ट प्रॉम्प्ट को टेक्स्ट एम्बेडिंग में परिवर्तित करना। 4. टेक्स्ट एम्बेडिंग पर कंडीशनिंग करके U-Net का उपयोग करके लेटेंट इमेज प्रतिनिधित्व को पुनरावृत्त रूप से डीनोइज़ करना। 5. डीनोइज़्ड इमेज प्रतिनिधित्व की गणना करने के लिए एक शेड्यूलर एल्गोरिथम का उपयोग करना। 6. VAE डिकोडर का उपयोग करके अंतिम लेटेंट इमेज प्रतिनिधित्व को डीकोड करना। आमतौर पर उपयोग किए जाने वाले शेड्यूलर में PNDM, DDIM और K-LMS शामिल हैं।

स्थानीय परिनियोजन से पहले, त्वरित अनुभव के लिए इन टूल का अन्वेषण करें: 1. **ड्रीम स्टूडियो:** स्टेबिलिटी AI द्वारा आधिकारिक वेब ऐप, जो उनके सभी मॉडलों का समर्थन करता है। 2. **रेप्लिकेट:** API के माध्यम से मशीन लर्निंग मॉडल साझा करने और उपयोग करने का एक मंच। 3. **प्लेग्राउंड AI:** AI इमेज जनरेशन पर केंद्रित एक वेबसाइट, जो कई मॉडल और सीमाओं के साथ मुफ्त उपयोग प्रदान करती है। 4. **गूगल कोलाब:** साझा कोलाब नोटबुक के साथ जुपिटर नोटबुक में स्टेबल डिफ्यूजन का उपयोग करें। 5. **बेसटेन:** एक MLOps प्लेटफॉर्म जो स्टेबल डिफ्यूजन के लिए API समर्थन प्रदान करता है।

स्टेबल डिफ्यूजन वेब UI, एक नो-कोड, विज़ुअल वातावरण के साथ स्थानीय परिनियोजन को सरल बनाया गया है। इन चरणों का पालन करें: 1. **सिस्टम आवश्यकताएँ:** कम से कम 4GB VRAM वाला NVIDIA GPU, 10GB डिस्क स्थान (8GB VRAM और 25GB डिस्क स्थान अनुशंसित)। 2. **पर्यावरण तैयारी:** गिट और पायथन (Miniconda के माध्यम से) स्थापित करें। 3. **गिट स्थापित करें:** आधिकारिक वेबसाइट से गिट डाउनलोड और स्थापित करें। 4. **पायथन स्थापित करें:** पायथन वातावरण को प्रबंधित करने के लिए Miniconda का उपयोग करें। 5. **घरेलू स्रोत कॉन्फ़िगर करें:** डाउनलोड गति में सुधार के लिए कोंडा के इंस्टॉलेशन स्रोत को Tsinghua या USTC जैसे घरेलू दर्पणों से बदलें। 6. **स्टेबल डिफ्यूजन वेब UI स्थापित करें:** GitHub से रिपॉजिटरी को क्लोन करें और इंस्टॉलेशन स्क्रिप्ट चलाएं (Windows के लिए webui.bat, Linux/Mac के लिए webui.sh)। 7. **मॉडल स्थापना:** Hugging Face से मॉडल डाउनलोड करें और उन्हें models/Stable-diffusion निर्देशिका में रखें।

वेब UI में शामिल हैं: * **मॉडल चयन:** डाउनलोड किए गए प्री-ट्रेन्ड मॉडल में से चुनें। * **फ़ंक्शन टैब:** * **txt2img:** टेक्स्ट प्रॉम्प्ट से छवियां उत्पन्न करें। * **img2img:** एक इमेज टेम्पलेट और टेक्स्ट प्रॉम्प्ट के आधार पर छवियां उत्पन्न करें। * **Extras:** छवियों को अनुकूलित करें। * **PNG Info:** इमेज जानकारी प्रदर्शित करें। * **Checkpoint Merger:** मॉडल मर्ज करें। * **Train:** कस्टम छवियों के साथ मॉडल को प्रशिक्षित करें। * **Settings:** सिस्टम सेटिंग्स। * **txt2img इंटरफ़ेस:** प्रॉम्प्ट क्षेत्र, पैरामीटर समायोजन क्षेत्र और आउटपुट ब्राउज़िंग क्षेत्र शामिल हैं। * **img2img इंटरफ़ेस:** txt2img के समान है लेकिन पैरामीटर समायोजन के बजाय एक इमेज टेम्पलेट का उपयोग करता है। * **इंटरफ़ेस स्थानीयकरण:** भाषा फ़ाइलें डाउनलोड करें और इंटरफ़ेस का अनुवाद करने के लिए उन्हें सेटिंग्स में चुनें।

विशिष्ट इमेज शैलियों को उत्पन्न करने के लिए प्रॉम्प्ट इंजीनियरिंग महत्वपूर्ण है। मुख्य तकनीकों में शामिल हैं: * **कीवर्ड और वाक्यांश:** कीवर्ड को अल्पविराम से अलग करें, उच्च-भारित शब्दों को पहले रखा जाए। * **प्रॉम्प्ट मॉडिफ़ायर:** वज़न बढ़ाने के लिए कोष्ठक ((टैग)) और वज़न घटाने के लिए ब्रैकेट [[टैग]] का उपयोग करें। * **टैग ब्लेंडिंग:** टैग को मिलाने के लिए [टैग1 | टैग2] या रैंडम रूप से एक टैग चुनने के लिए {टैग1 | टैग2 | टैग3} का उपयोग करें। * **LoRA मॉडल:** LoRA मॉडल को शामिल करने के लिए `<lora:filename:multiplier>` का उपयोग करें। उदाहरण: `<lora:koreanDollLikeness_v10:0.66>, best quality, ultra high res, (photorealistic:1.4), 1girl, thighhighs, ((school uniform)),((pleated skirt)), ((black stockings)), (full body), (Kpop idol), (platinum blonde hair:1), ((puffy eyes)), smiling, solo focus, looking at viewer, facing front` अवांछित शैलियों और तत्वों को बाहर करने के लिए नकारात्मक प्रॉम्प्ट का उपयोग करें: `paintings, sketches, (worst quality:2), (low quality:2), (normal quality:2), lowres, normal quality, ((monochrome)), ((grayscale)), skin spots, acnes, skin blemishes, age spot, glan`

प्री-ट्रेन्ड मॉडल तक पहुंचें: 1. **हगिंग फेस:** ओपन-सोर्स मशीन लर्निंग मॉडल बनाने, प्रशिक्षित करने और तैनात करने के लिए एक मंच। 2. **सिविटाई:** स्टेबल डिफ्यूजन AI आर्ट मॉडल के लिए समर्पित एक वेबसाइट। 3. **डिस्कॉर्ड:** स्टेबल डिफ्यूजन डिस्कॉर्ड सर्वर एक "मॉडल-एम्बेडिंग" चैनल प्रदान करता है। 4. **SD के लिए रेंट्री:** कई डाउनलोड करने योग्य मॉडल के साथ एक रेंट्री पेज। कस्टम AI मॉडल डाउनलोड करते समय सावधानी बरतें, विशेष रूप से CKPT फ़ाइलें, जिनमें दुर्भावनापूर्ण कोड हो सकता है। सुरक्षित उपयोग के लिए safetensor फ़ाइलों को प्राथमिकता दें।