Deep Negative V1x - V1 75T

Este embedding vai te mostrar o que é REALMENTE NOJENTO🤢🤮

Então, por favor, coloque-o no prompt negativo😜

⚠Este modelo não foi treinado para SDXL e pode gerar resultados indesejados se usado no SDXL.

Se você usar SDXL, recomendamos este 👇

outro deep-negative:

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

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

PRINCIPAIS PERGUNTAS E RESPOSTAS

• como usar o modelo TI?

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

• o que é prompt negativo?

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

[Lembrete Especial] Se sua interface web reportar os seguintes erros:

- CUDA: CUDA error: device-side assert triggered

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

- Objeto XXX não tem atributo 'text_cond'

Por favor, tente usar uma versão de modelo diferente de 75T.

> A razão é que muitos scripts não tratam corretamente palavras de prompt negativo muito longas (maiores que 75 tokens), então escolher uma versão com menos tokens pode melhorar essa situação.

[Atualização:230120] O que ele faz?

Este embedding aprende quais composições e padrões de cores são nojentos, incluindo anatomia humana incorreta, esquemas de cores ofensivos, estruturas espaciais invertidas e mais. Colocá-lo no negativo ajuda muito a evitar essas coisas.

-

O que é 2T 4T 16T 32T?

Número de vetores por token

[Atualização:230120] O que é 64T 75T？

64T: Treinado por mais de 30.000 passos em datasets mistos.

75T: tamanho máximo do embedding, treinado por 10.000 passos em um dataset especial (gerado por muitos modelos sd diferentes e processamento reverso especial)

Qual escolher?

• 75T: O embedding mais “fácil de usar”, treinado a partir de um dataset preciso criado de forma especial com quase nenhum efeito colateral. Contém informações suficientes para cobrir vários cenários de uso. Mas para alguns "modelos bem treinados" pode ter efeito difícil

  e a mudança pode ser sutil e não drástica o suficiente.

• 64T: Funciona para todos os modelos, mas tem efeito colateral. Portanto, algum ajuste é necessário para encontrar o melhor peso. recomendado: [( NG_DeepNegative_V1_64T :0.9) :0.1]

• 32T: Útil, mas muito mais

• 16T: Reduz a chance de desenhar anatomia ruim, mas pode desenhar rostos feios. Adequado para elevar o nível de arquitetura.

• 4T: Reduz a chance de desenhar anatomia ruim, mas tem pouco efeito sobre luz e sombra

• 2T: “fácil de usar” como o 75T, mas com efeito menor

Sugestão

Como este embedding aprende a criar conceitos nojentos, ele não melhora a qualidade da imagem com precisão, então o melhor é usá-lo com prompts negativos como (pior qualidade, baixa qualidade, logo, texto, marca d'água, nome de usuário).

Claro, também é totalmente aceitável usá-lo com outros embeddings negativos similares.

Mais exemplos e testes

• desenho de construção: https://imgur.com/5aX9yrP

• correção de mão: https://imgur.com/rDlsrgS

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

• correção do corpo por fusão:

  

Como funciona?

Eu tentei fazer o SD aprender o que é realmente nojento com o algoritmo deepdream, o dataset é imagenet-mini (1000 imagens escolhidas aleatoriamente do dataset novamente)

deepdream é REAALLLLLLLLLLLLLLLLLLMENTE nojento 🤮 e o processo de treinamento deste modelo realmente me fez sentir desconforto físico 😂

Backup

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