controlnet-canny-sdxl-1.0

controlnet-canny-sdxl-1.0

基于SDXL的Canny控制网络模型生成高质量图像

这是一个基于SDXL的Canny控制网络模型,经过1000万张高质量图像训练。模型采用数据增强、多重损失函数和多分辨率等技术,生成高分辨率图像。在美学评分和感知相似度方面优于其他开源Canny模型,适用于绘画和设计工作。支持真实和动漫风格图像生成,提供使用指南和示例代码。

ControlNetAI绘图Github开源项目人工智能生成HuggingfaceSDXL图像控制模型

ControlNet-Canny-SDXL-1.0项目介绍

项目概述

ControlNet-Canny-SDXL-1.0是一个强大的ControlNet模型,能够生成与Midjourney相媲美的高分辨率图像。该项目由xinsir开发,基于Apache-2.0许可发布。它是在stabilityai/stable-diffusion-xl-base-1.0的基础上进行微调得到的。

模型特点

  1. 大规模高质量数据训练:该模型使用了超过1000万张精心筛选和标注的高质量图像进行训练。

  2. 先进的训练技巧:在训练过程中应用了数据增强、多重损失函数和多分辨率等技巧,以提高模型性能。

  3. 单阶段训练:仅通过一个阶段的训练,就达到了超越其他开源Canny模型的表现。

  4. 广泛应用:作为ControlNet系列中最重要的模型之一,它可以应用于与绘画和设计相关的多种任务。

使用方法

使用ControlNet-Canny-SDXL-1.0模型非常简单。用户需要准备一张输入图像,将其转换为Canny边缘图,然后提供一个详细的文本提示。模型会根据这些输入生成高质量的图像。

主要步骤包括:

  1. 导入必要的库和模型
  2. 加载和预处理输入图像
  3. 设置提示词和其他参数
  4. 运行模型生成图像

性能评估

该项目使用了两个主要的评估指标:

  1. Laion Aesthetic Score:用于衡量图像的美学质量
  2. PerceptualSimilarity:用于衡量控制能力

在与其他先进的Hugging Face模型的比较中,ControlNet-Canny-SDXL-1.0在这两个指标上都取得了最佳成绩。

训练细节

  1. 高质量数据:使用了来自Midjourney、Laion 5B、Danbooru等多个来源的精心筛选和标注的数据。

  2. 数据增强:采用随机阈值生成Canny图像,并使用随机遮罩技术来增强模型对语义的理解。

  3. 大规模训练:使用了超过64个A100 GPU,实际批量大小达到2560。

  4. 分辨率设置:训练分辨率与SDXL-base相同,为1024x1024。

项目优势

  1. 图像质量:在真实图像的美学评分上超越了stabilityai/stable-diffusion-xl-base-1.0。

  2. 控制能力:由于采用了更强的数据增强和更多的训练步骤,在感知相似性测试中表现更佳。

  3. 稳定性:生成异常图像(如人体结构异常)的概率较低。

  4. 多样性:不仅在真实图像上表现出色,在卡通风格图像上也有可比的性能。

通过这个项目,用户可以轻松生成高质量、风格多样的图像,为各种创意和设计工作提供强大支持。

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