GPT
הוספת כלי
C

control_v1p_sd15_qrcode_monster

קוד פתוח

monster-labsopenrail++2023-06-24

  • diffusers
  • safetensors
  • stable-diffusion
  • controlnet
  • qrcode

מתאם מבוסס קונטרולנט שמייצר תמונות אמנותיות המכילות בתוכן קוד QR סריק. הוא יושב על סטייבל דיפיוז'ן 1.5 ומאפשר לשלב קישורים בתוך גרפיקה בלי להדביק ריבוע שחור לבן פשוט.

  • 361Mפרמטרים
  • 6.7 GBמשקל הקבצים
  • 5,873הורדות בחודש
  • 1,461לייקים

מה זה

מדובר במודל ControlNet עם 361 מיליון פרמטרים שמתלבש על Stable Diffusion 1.5. המטרה שלו ממוקדת לחלוטין. הוא לוקח תמונת תנאי של קוד QR קיים וממזג אותה בתוך ג'נרוט של תמונה לפי פרומפט טקסטואלי, כך שהתוצאה הסופית עדיין ניתנת לקריאה על ידי מצלמות וסורקים.

הגרסה הזו, שנקראת גרסה 2 ונמצאת בתיקייה הייעודית, משפרת את יכולת הסריקה לעומת הגרסה הראשונה. השיפור המרכזי כאן הוא היכולת להטמיע את הקוד בצורה נקייה יותר באמצעות רקע אפור ניטרלי, במקום להישען על ניגודיות חדה שמכערת את התוצאה.

מתאים ל

  • מיתוג קמפיינים שיווקיים

    יצירת כרזות שמחביאות בתוכן קישור מעוצב שמתמזג עם השפה החזותית של המותג.

  • עיצוב הזמנות לאירועים

    הטמעת קישור לאישור הגעה בתוך איור אמנותי של מקום האירוע.

  • הדפסה על מוצרים

    הדפסת גרפיקה מעניינת על חולצות או אריזות שמכילה קישור סמוי לאתר החברה.

איפה זה נופל

הבעיה המרכזית והמוצהרת היא אמינות הקריאה. לא כל תמונה שיוצאת ניתנת לסריקה, והאיזון שביר. ערכי הנחיה נמוכים מייצרים תמונה מרהיבה שלא נסרקת, וערכים גבוהים מייצרים קוד סריק שנראה רע. המפתחים עצמם מציעים לייצר כמה וריאציות ולבחור ידנית את זו שעובדת, או להעביר את הפלט תהליך תיקון בשיטת תמונה לתמונה. מודל כזה לא מתאים לפס ייצור אוטומטי שחייב מאה אחוז דיוק בלי עין אנושית שבודקת עם טלפון.

שאלות
נפוצות

איך מוודאים שהקוד שנוצר בכלל נסרק?

עובדים עם רמת תיקון שגיאות גבוהה מראש בקוד המקורי, ומגדילים את ה־guidance scale של הקונטרולנט. אם זה עדיין לא עובד, מריצים שלב שני של Image-to-Image עם denoising נמוך כדי לחדד את הקווים.

איזה קלט צריך להכין לפני השליחה למודל?

צריך להכין מראש תמונת קוד QR בגודל מודול של 16 פיקסלים, רצוי על רקע אפור עם קוד צבע 808080. הרקע האפור עוזר לאלגוריתם להטמיע את הנקודות בתוך התמונה בלי לשבור את המרקם.

איך מריצים

אתם צריכים סביבת פייתון עם ספריית diffusers ומודל בסיס של SD 1.5, כשהמשקלים של הפרויקט שוקלים 6.7 גיגה בייט ב־16 קבצים. מבחינת חומרה, כרטיס מסך ביתי מודרני עם 8 עד 12 גיגה בייט זיכרון יריץ אותו מקומית בלי בעיה מיוחדת.

הכרטיס כולל שתי גרסאות, כאשר גרסה 2 נמצאת בתיקיית משנה ומציעה יכולות מיזוג עדיפות. אם אתם בונים שירות שצריך לייצר אלפי קודים כאלה בדקה, תחזוקת תשתית GPU כזו תדרוש שרתים ייעודיים, ואז יש היגיון להשתמש בנקודת קצה מנוהלת.

from diffusers import DiffusionPipeline

pipe = DiffusionPipeline.from_pretrained("monster-labs/control_v1p_sd15_qrcode_monster")
img = pipe("a photo").images[0]

הקבצים

16 קבצים במאגר, 6.7 GB סך הכול. הקישורים מובילים ישירות ל־Hugging Face.

הרישיון

הרישיון הוא openrail++, שמבוסס על משפחת הרישיונות של סטייבל דיפיוז'ן. הוא מתיר שימוש מסחרי, אבל כפוף להגבלות שימוש אתיות שמפורטות ברישיון המקורי, בעיקר סביב איסור יצירת תוכן פוגעני, זיוף או שימושים לא חוקיים. אתם יכולים לשלב אותו במוצר שלכם כל עוד אתם עומדים בתנאי השימוש המותרים.

  • שימוש מסחרי
  • שינוי הקוד
  • מגבלות שימוש ברישיון

הרישיון המלא בעמוד המודל ↗