Stable Diffusion作图

使用stable diffusion作图

1安装stable diffusion（Windows）

前置环境git、python10（低于此版本会导致部分py模块无法导入）

1.1 下载

stable diffusion webui （通过git clone到本地）

git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git

cpkt模型文件

放置在stable-diffusion -webui\models\Stable-diffusion\中

官方提供的模型文件为‘sd-v1-4.ckpt’

1.2安装

1.2.1 先确认python10已经作为环境路径，如果python10已经安装但是没有添加到系统环境路径中，可以通过修改webui-user.bat参数将python参数指向python10

@echo off
set PYTHON="D:\Environment\python310\python.exe"
set GIT=
set VENV_DIR=
set COMMANDLINE_ARGS=
call webui.bat

1.2.2 运行webui-user.bat，等待系统资源下载完毕

资源大概10G+。

在于py包下载出现问题的时候，可以开启新的cmd窗口，将路径cd到 stable-diffusion-webui\venv\Scripts

执行

activate.bat

进入python10虚拟环境，通过pip命令下载或删除错误的py包

1.2.3安装成功界面

1.3 运行

1.3.1 在浏览器中输入 http://127.0.0.1:7860访问webui

右上角为导入的cpkt模型文件选择

文字模板：(((masterpiece))),((best quality)), flat chest,((loli)),((one girl)),very long light white hair, beautiful detailed red eyes,aqua eyes,white robe, cat ears,(flower hairpin),sunlight, light smile,blue necklace,see-through,

通过设置参数能够实现ai作图

1.4 参数说明

prompt 该部分主要就是对于图像进行描述，有内容风格等信息进行描述。后面的画板可以一些随机的风格、下面箭头是之前任务的参数；

Negative prompt 这个主要是提供给模型，我不想要什么样的风格；特别对于图上出现多个人的情况，就可以通过2girls等信息进行消除；

Sampling Steps diffusion model 生成图片的迭代步数，每多一次迭代都会给 AI 更多的机会去比对 prompt 和当前结果，去调整图片。更高的步数需要花费更多的计算时间，也相对更贵。但不一定意味着更好的结果。当然迭代步数不足（少于 50）肯定会降低结果的图像质量；

Sampling method 扩散去噪算法的采样模式，会带来不一样的效果，ddim 和 pms(plms) 的结果差异会很大；

Width、Height 图像长宽，可以通过send to extras 进行扩大，所以这里不建议设置太大[显存小的特别注意]；

Restore faces 优化面部，绘制面部图像特别注意；第一次使用要下载资源，比较大

Tiling 生成一个可以平铺的图像；

Highres. fix 使用两个步骤的过程进行生成，以较小的分辨率创建图像，然后在不改变构图的情况下改进其中的细节，选择该部分会有两个新的参数 Scale latent 在潜空间中对图像进行缩放。另一种方法是从潜在的表象中产生完整的图像，将其升级，然后将其移回潜在的空间。Denoising strength 决定算法对图像内容的保留程度。在0处，什么都不会改变，而在1处，你会得到一个不相关的图像；

Batch count、 Batch size 都是生成几张图，前者计算时间长，后者需要显存大；

CFG Scale 分类器自由引导尺度——图像与提示符的一致程度——越低的值产生越有创意的结果；

Seed 种子数;

Just resize、 Crop and resize、 Resize and fill 这三种模式保证图输出效果;

1.5 部分说明

16系显卡黑图和爆显存

解决方法：更改webui-user.bat文件中的set COMMANDLINE_ARGS= 的参数

4G显存：–precision full –no-half –lowvram –always-batch-cond-uncond

6G显存：–precision full –no-half –medvram

低于5G显存：–medvram

低于3G显存：–lowvram –always-batch-cond-uncond

cision full –no-half –medvram