Stable Diffusion 튜토리얼: AI 이미지 생성을 위한 종합 가이드

Stable Diffusion은 텍스트 설명을 기반으로 상세한 이미지를 생성하는 잠재 확산 모델입니다. 이미지 인페인팅, 아웃페인팅, 텍스트-이미지/이미지-이미지 변환과 같은 작업에 탁월합니다. 텍스트를 입력하면 Stable Diffusion은 사양에 맞는 사실적인 이미지를 생성합니다. 이미지 생성을 노이즈 제거 과정으로 전환하며, 무작위 가우시안 노이즈에서 시작하여 명확한 이미지가 나타날 때까지 반복적으로 개선합니다. 계산 요구 사항을 해결하기 위해 Stable Diffusion은 잠재 확산(latent diffusion)을 사용하여 저차원 잠재 공간에서 작동함으로써 메모리와 비용을 줄입니다. 오픈 소스 특성은 다양한 이미지 생성 스타일에 대한 선도적인 선택이 되도록 다양한 도구 및 사전 학습된 모델과의 빠른 개발 및 통합을 촉진합니다.

Stable Diffusion을 효과적으로 사용하려면 핵심 개념을 이해하는 것이 중요합니다: * **오토인코더 (VAE):** 이미지를 저차원 잠재 표현으로 변환하는 인코더와 이 표현에서 이미지를 재구성하는 디코더로 구성됩니다. * **U-Net:** 다운샘플링 중 정보 손실을 방지하기 위해 스킵 연결로 연결된 인코더와 디코더를 갖춘 신경망입니다. 텍스트 임베딩에 의해 조건화되어 노이즈를 반복적으로 제거하여 잠재 이미지 표현을 개선합니다. * **텍스트 인코더:** 입력 프롬프트를 U-Net이 이해할 수 있는 임베딩 공간으로 변환하며, 일반적으로 Transformer 기반 인코더를 사용합니다. 고품질 출력을 위해서는 효과적인 프롬프트가 필수적이므로 프롬프트 디자인의 중요성을 강조합니다.

Stable Diffusion 과정은 다음과 같습니다: 1. 잠재 시드와 텍스트 프롬프트 입력. 2. 시드에서 무작위 잠재 이미지 표현 생성. 3. CLIP 텍스트 인코더를 사용하여 텍스트 프롬프트를 텍스트 임베딩으로 변환. 4. 텍스트 임베딩에 의해 조건화된 U-Net을 사용하여 잠재 이미지 표현을 반복적으로 노이즈 제거. 5. 스케줄러 알고리즘을 사용하여 노이즈 제거된 이미지 표현 계산. 6. VAE 디코더를 사용하여 최종 잠재 이미지 표현 디코딩. 일반적으로 사용되는 스케줄러에는 PNDM, DDIM, K-LMS가 있습니다.

로컬 배포 전에 다음 도구를 탐색하여 빠르게 체험해 보세요: 1. **Dream Studio:** Stability AI의 공식 웹 앱으로, 모든 모델을 지원합니다. 2. **Replicate:** API를 통해 머신러닝 모델을 공유하고 사용하는 플랫폼입니다. 3. **Playground AI:** AI 이미지 생성에 중점을 둔 웹사이트로, 수많은 모델을 제공하며 제한적인 무료 사용이 가능합니다. 4. **Google Colab:** 공유 Colab 노트북을 사용하여 Jupyter Notebook에서 Stable Diffusion을 사용합니다. 5. **BaseTen:** Stable Diffusion에 대한 API 지원을 제공하는 MLOps 플랫폼입니다.

Stable Diffusion Web UI는 코드가 필요 없는 시각적 환경으로 로컬 배포를 단순화합니다. 다음 단계를 따르세요: 1. **시스템 요구 사항:** 최소 4GB VRAM의 NVIDIA GPU, 10GB 디스크 공간 (8GB VRAM 및 25GB 디스크 공간 권장). 2. **환경 준비:** Git 및 Python (Miniconda 경유) 설치. 3. **Git 설치:** 공식 웹사이트에서 Git을 다운로드하여 설치합니다. 4. **Python 설치:** Miniconda를 사용하여 Python 환경을 관리합니다. 5. **국내 소스 구성:** 다운로드 속도를 개선하기 위해 conda의 설치 소스를 Tsinghua 또는 USTC와 같은 국내 미러로 교체합니다. 6. **Stable Diffusion Web UI 설치:** GitHub에서 리포지토리를 클론하고 설치 스크립트 (Windows의 경우 webui.bat, Linux/Mac의 경우 webui.sh)를 실행합니다. 7. **모델 설치:** Hugging Face에서 모델을 다운로드하여 models/Stable-diffusion 디렉토리에 배치합니다.

Web UI에는 다음이 포함됩니다: * **모델 선택:** 다운로드한 사전 학습된 모델 중에서 선택합니다. * **기능 탭:** * **txt2img:** 텍스트 프롬프트에서 이미지 생성. * **img2img:** 이미지 템플릿 및 텍스트 프롬프트를 기반으로 이미지 생성. * **Extras:** 이미지 최적화. * **PNG Info:** 이미지 정보 표시. * **Checkpoint Merger:** 모델 병합. * **Train:** 사용자 지정 이미지로 모델 학습. * **Settings:** 시스템 설정. * **txt2img 인터페이스:** 프롬프트 영역, 매개변수 조정 영역 및 출력 탐색 영역을 포함합니다. * **img2img 인터페이스:** txt2img와 유사하지만 매개변수 조정 대신 이미지 템플릿을 사용합니다. * **인터페이스 현지화:** 언어 파일을 다운로드하고 설정에서 선택하여 인터페이스를 번역합니다.

프롬프트 엔지니어링은 특정 이미지 스타일을 생성하는 데 중요합니다. 주요 기법은 다음과 같습니다: * **키워드 및 구문:** 키워드를 쉼표로 구분하고, 가중치가 높은 용어를 앞에 배치합니다. * **프롬프트 수정자:** 가중치를 높이려면 괄호 ((태그))를 사용하고, 가중치를 낮추려면 대괄호 [[태그]]를 사용합니다. * **태그 블렌딩:** [태그1 | 태그2]를 사용하여 태그를 혼합하거나 {태그1 | 태그2 | 태그3}을 사용하여 태그를 무작위로 선택합니다. * **LoRA 모델:** `<lora:filename:multiplier>`를 사용하여 LoRA 모델을 통합합니다. 예시: `<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` 원치 않는 스타일과 요소를 제외하려면 부정적 프롬프트를 사용합니다: `paintings, sketches, (worst quality:2), (low quality:2), (normal quality:2), lowres, normal quality, ((monochrome)), ((grayscale)), skin spots, acnes, skin blemishes, age spot, glan`

사전 학습된 모델에 액세스하려면 다음을 방문하세요: 1. **Hugging Face:** 오픈 소스 머신러닝 모델을 구축, 학습 및 배포하기 위한 플랫폼입니다. 2. **Civitai:** Stable Diffusion AI 아트 모델 전용 웹사이트입니다. 3. **Discord:** Stable Diffusion Discord 서버는 "Models-Embeddings" 채널을 제공합니다. 4. **Rentry for SD:** 수많은 다운로드 가능한 모델이 있는 Rentry 페이지입니다. 사용자 지정 AI 모델, 특히 CKPT 파일을 다운로드할 때는 악성 코드가 포함될 수 있으므로 주의하십시오. 더 안전한 사용을 위해 safetensor 파일을 선호하십시오.