Deep Negative V1x - V1 75T

Dieses Embedding sagt dir, was WIRKLICH EKKELHAFT ist 🤢🤮

Also bitte ins negative prompt setzen 😜

⚠ Dieses Modell ist nicht für SDXL trainiert und kann bei Nutzung in SDXL unerwünschte Ergebnisse liefern.

Wenn du SDXL benutzt, wird dieses 👇 empfohlen

ein anderes deep-negative:

• Pony-Version: https://civitai.com/models/831971

• SDXL-Version: https://civitai.com/models/407448

TOP Q&A

• Wie benutzt man das TI-Modell?

https://github.com/AUTOMATIC1111/stable-diffusion-webui/wiki/Textual-Inversion

• Was ist ein negativer Prompt?

https://github.com/AUTOMATIC1111/stable-diffusion-webui/wiki/Negative-prompt

[Besondere Erinnerung] Wenn dein WebUI folgende Fehler meldet:

- CUDA: CUDA error: device-side assert triggered

- Assertion -sizes[i] <= index && index < sizes[i] && "index out of bounds" failed

- XXX object has no attribute 'text_cond'

Versuche bitte, eine andere Modellversion als 75T zu verwenden.

> Der Grund ist, dass viele Skripte zu lange negative Prompt-Wörter (mehr als 75 Tokens) nicht richtig verarbeiten, daher kann eine kleinere Token-Version dies verbessern.

[Update:230120] Was macht es?

Dieses Embedding lernt, was ekelhafte Kompositionen und Farbmuster sind, einschließlich fehlerhafter menschlicher Anatomie, anstößiger Farbschemata, umgekehrter Raumstrukturen und mehr. Es im negativen Prompt zu verwenden, hilft stark, diese Dinge zu vermeiden.

-

Was ist 2T 4T 16T 32T?

Anzahl der Vektoren pro Token

[Update:230120] Was ist 64T 75T?

64T: Training über 30.000 Schritte auf gemischten Datensätzen.

75T: Embedding mit maximaler Größenbegrenzung, Training 10.000 Schritte auf einem speziellen Datensatz (generiert von vielen verschiedenen SD-Modellen und spezieller Rückverarbeitung)

Welches soll man wählen?

• 75T: Das „am einfachsten zu verwendende“ Embedding, trainiert mit einem genauen Datensatz, der auf spezielle Weise erstellt wurde, mit fast keinen Nebenwirkungen. Es enthält ausreichend Informationen für verschiedene Nutzungsszenarien. Bei einigen „gut trainierten Modellen“ kann die Wirkung jedoch schwer spürbar oder subtil sein.

• 64T: Funktioniert für alle Modelle, hat aber Nebenwirkungen. Daher ist etwas Feintuning zur Bestimmung des besten Gewichts erforderlich. Empfehlung: [( NG_DeepNegative_V1_64T :0.9) :0.1]

• 32T: Nützlich, aber zu umfangreich.

• 16T: Verringert die Chance auf schlechte Anatomiezeichnungen, kann aber hässliche Gesichter erzeugen. Geeignet, um das Architektur-Niveau zu erhöhen.

• 4T: Verringert die Chance auf fehlerhafte Anatomie, hat aber nur geringe Auswirkungen auf Licht und Schatten.

• 2T: „Leicht zu verwenden“ wie 75T, aber nur geringe Wirkung.

Vorschlag

Da dieses Embedding lernt, wie man ekelhafte Konzepte erzeugt, verbessert es die Bildqualität nicht präzise. Es wird daher empfohlen, es mit (worst quality, low quality, logo, text, watermark, username) als negative Prompts zu verwenden.

Natürlich ist es völlig in Ordnung, es mit anderen ähnlichen negativen Embeddings zu kombinieren.

Mehr Beispiele und Tests

• Gebäude zeichnen: https://imgur.com/5aX9yrP

• Handkorrektur: https://imgur.com/rDlsrgS

• Porträt (mit PureErosFace): https://imgur.com/1Lqq595 https://imgur.com/V5kXBXz

• Fusion Körperkorrektur:

  

Wie funktioniert es?

Ich habe versucht, SD mit dem deepdream Algorithmus zu lehren, was wirklich ekelhaft ist. Der Datensatz ist imagenet-mini (1000 zufällig ausgewählte Bilder aus dem Datensatz).

Deepdream ist WIRKLICH EKKELHAFT 🤮 und der Trainingsprozess dieses Modells hat mir körperliches Unwohlsein bereitet 😂

Backup

https://huggingface.co/lenML/DeepNegative/tree/main