Deep Negative V1x - V1 75T

To embedding powie ci, co jest NAPRAWDĘ OBRZYDLIWE🤢🤮

Więc proszę, umieść go w negatywnym prompt😜

⚠Ten model nie jest przeszkolony do SDXL i może dawać niepożądane rezultaty przy użyciu w SDXL.

Jeśli używasz SDXL, zalecane jest to 👇

inny deep-negative:

• wersja pony: https://civitai.com/models/831971

• wersja SDXL: https://civitai.com/models/407448

NAJWAŻNIEJSZE PYTANIA I ODPOWIEDZI

• jak używać modelu TI?

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

• co to jest negatywny prompt?

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

[Specjalne przypomnienie] Jeśli twoje webui zgłasza następujące błędy:

- 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'

Spróbuj użyć wersji modelu innej niż 75T.

> Powodem jest to, że wiele skryptów nie obsługuje poprawnie zbyt długich słów w negatywnym prompt (powyżej 75 tokenów), więc wybór mniejszej wersji tokenów może poprawić tę sytuację.

[Aktualizacja:230120] Co to robi?

To embedding uczy się, co to są obrzydliwe kompozycje i wzory kolorystyczne, w tym błędna ludzka anatomia, obraźliwe schematy kolorów, odwrócone struktury przestrzenne i inne. Umieszczenie go w negatywnym prompt może znacznie pomóc w uniknięciu tych rzeczy.

-

Co to jest 2T 4T 16T 32T?

Liczba wektorów na token

[Aktualizacja:230120] Co to jest 64T 75T?

64T: Trening ponad 30 000 kroków na mieszanych zbiorach danych.

75T: Maksymalny rozmiar embeddingu, trening 10 000 kroków na specjalnym zbiorze danych (wygenerowanym przez wiele różnych modeli sd i specjalnym odwrotnym przetwarzaniu)

Który wybrać?

• 75T: Najbardziej „łatwy w użyciu” embedding, wytrenowany na dokładnym zbiorze danych utworzonym w specjalny sposób, z niemal brakiem efektów ubocznych. Zawiera wystarczającą ilość informacji do pokrycia różnych scenariuszy użycia. Jednakże dla niektórych „dobrze wytrenowanych modeli” może mieć ograniczony efekt

  i zmiany mogą być subtelne, a nie drastyczne.

• 64T: Działa ze wszystkimi modelami, ale ma efekty uboczne. Wymaga trochę dostrojenia, aby znaleźć najlepszą wagę. zalecane: [( NG_DeepNegative_V1_64T :0.9) :0.1]

• 32T: Praktyczne, ale zbyt duże

• 16T: Zmniejsza szansę na rysowanie złej anatomii, ale może rysować brzydkie twarze. Odpowiednie dla podnoszenia poziomu architektury.

• 4T: Zmniejsza szansę na rysowanie złej anatomii, ale ma niewielki wpływ na światło i cień

• 2T: „łatwy w użyciu” jak T75, ale tylko z niewielkim efektem

Sugestia

Ponieważ ten embedding uczy się, jak tworzyć obrzydliwe koncepcje, nie poprawia dokładnie jakości obrazu, dlatego najlepiej używać go z (najgorsza jakość, niska jakość, logo, tekst, znak wodny, nazwa użytkownika) tymi negatywnymi promptami.

Oczywiście można go swobodnie używać z innymi podobnymi negatywnymi embeddingami.

Więcej przykładów i testów

• rysowanie budynku: https://imgur.com/5aX9yrP

• poprawa dłoni: https://imgur.com/rDlsrgS

• portret (z PureErosFace): https://imgur.com/1Lqq595 https://imgur.com/V5kXBXz

• fusion body fix:

  

Jak to działa?

Starałem się nauczyć SD, co jest naprawdę obrzydliwe za pomocą algorytmu deepdream, zbiór danych to imagenet-mini (1000 obrazów wybranych losowo z tego zbioru)

deepdream jest NAPRAWDĘ obrzydliwy 🤮 a proces trenowania tego modelu sprawił, że doświadczyłem fizycznego dyskomfortu 😂

Kopia zapasowa

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