懂AI
custom-diffusion

custom-diffusion

文本到图像扩散模型微调方法

该项目提供了一种高效的文本到图像扩散模型微调方法。只需调整部分模型参数，即可在短时间内完成训练，并减少存储需求。项目还支持多概念组合，附带新数据集和完整的训练步骤。适用于多种类别和应用场景。

Custom DiffusionStable Diffusion文本到图像扩散模型图像生成多概念定制Github开源项目
访问官网GitHub论文

项目介绍：Custom Diffusion

Custom Diffusion 是一个创新的项目，旨在通过微调文本到图像的扩散模型（如 Stable Diffusion），来生成新的图像概念。这个项目的目的是允许用户仅通过少量图像（大约4到20张）就可以增强模型，并生成新的创意图像。

项目特色

  1. 快速高效：Custom Diffusion 仅需大约6分钟即可在两个A100 GPU上完成微调。它主要调整模型交叉注意力层中的关键和价值投射矩阵的参数，因此仅需75MB的存储空间即可容纳每个新增的概念。

  2. 多概念组合：用户可以通过组合多个概念来生成图像，例如新物体与新艺术风格、多种新物体的组合或新物体与新的类别。这个功能极大拓展了图像生成的可能性。

  3. 支持的工具和资源：

    • Diffusers库支持：用户可以通过diffusers库进行训练和推理。
    • CustomConcept101数据集：包含101个概念及其评价提示，供用户使用和评估。
    • SDXL更新：支持最新版本的diffusers（0.21.4）。

项目结果

Custom Diffusion 项目展示了其在多种图像类别（如场景、宠物、个人玩具和风格）上的应用效果，以及在变化的训练样本数下的表现。例如，用户可以创建一个木制花盆造型的猫雕塑，展示了项目在不同概念组合下的生成能力。

方法详情

Custom Diffusion的基本方法如下：

  • 提供少量概念图像，将其输入到预训练的文本到图像扩散模型中。
  • 通过微调部分模型权重（主要是交叉注意力层中的关键和价值映射），增强模型能力。
  • 使用200张固定的正则化图像来防止过拟合。
  • 对于个性化类别，将一个新的修饰记号V放在类别名称前，例如V dog。
  • 可合并两个经过微调的模型，以进行优化处理。

开始使用

项目中提供了详细的代码和步骤说明，帮助用户使用和验证Custom Diffusion的功能。这包括从初始化环境，到下载并微调人工智能模型，以及进一步对模型进行优化和合并的具体步骤描述。

结论

Custom Diffusion 项目旨在通过创新的方法和易于使用的工具，将个性化图像生成技术普及到更广泛的用户群体。该项目展示了计算机视觉领域的前沿技术，是特别适合创意设计、艺术创作的有力工具。

这种技术的潜力和灵活性，无疑将在图像生成和人工智能技术应用领域开辟新的视角和可能性。通过将这种技术开放给更广泛的开发者和艺术家社区，定会激发出更多独特和有创意的应用场景。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表

爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型，支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力，支持多种分辨率和视频长度选择，能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法，可灵活调整生成参数，满足不同场景的需求，是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI，支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目，它集成了多种大型语言模型，支持自定义浏览器使用，具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务，无论是数据提取、网页导航还是表单填写等操作都能高效实现，有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用，在 SEO 优化方面，其关键词涵盖浏览器使用、WebUI、大型语言模型集成等，有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目，支持多种网络连接与协议，实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目，专注于人工智能语音交互领域。项目涵盖了丰富的功能，如网络连接、OTA 升级、设备激活等，同时支持多种语言。无论是开发爱好者还是专业开发者，都能借助该项目快速搭建起高效的 AI 语音交互系统，为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。

olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型，提供 AI 自动化解决方案，支持批量写作、数据分析、跨模态处理等功能，适用于电商、短视频、影视创作等场景，提升企业生产力与创作效率。关键词：飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多