modele/Deep Negative V1x - V1 75T

Deep Negative V1x - V1 75T

|
5/18/2025
|
1:21:40 PM
| Discussion

Zalecane podpowiedzi

masterpiece,PureErosFace_V1,best quality,[highly detailed face:0.1],1girl,a full body portrait of a 21 years old beautiful gorgeous cute busty Korean kpop girl,pink eyes,(jieunc_kor:0.8),long hair,slender body,black hair,detailed face,(grapefruit),perfect anatomy,(temple in background),contrapposto,sitting,Cannon EOS 5D MARK III,kimono,50mm Sigma f/1.4 ZEISS lens,medium breasts,F1.4,light smile,1/800s,arms behind back,ISO 100,photorealistic,trending on instagram

Zalecane negatywne podpowiedzi

disgusting,worst quality,low quality,logo,text,watermark,username

NG_DeepNegative_V1_75T,(worst quality,worst quality,low quality:1.4),low quality,logo,text,monochrome,nipples,nude

Zalecane parametry

samplers

Euler a

steps

20 - 40

cfg

11

resolution

512x768

Wskazówki

Używaj embeddingu z negatywnymi promptami takimi jak (najgorsza jakość, niska jakość, logo, tekst, znak wodny, nazwa użytkownika).

Dla modeli wytrenowanych na ponad 75 tokenach rozważ użycie mniejszych wersji tokenów, aby uniknąć błędów.

Najważniejsze informacje o wersji

umieść to w negatywnych promptach

Sponsorzy twórcy

Jeśli używasz SDXL, zalecamy to 👉 DeepNegative dla wersji SDXL

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:

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

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

Poprzedni
EasyNegative - EasyNegative_pt
Następny
BadDream UnrealisticDream Negatywne Osadzenia - BadDream v10

Szczegóły modelu

Typ modelu

TextualInversion

Model bazowy

SD 1.5

Wersja modelu

V1 75T

Hash modelu

54e7e4826d

Wytrenowane słowa

ng_deepnegative_v1_75t

Twórca

Dyskusja

Proszę się log in, aby dodać komentarz.