懂AI
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
Hugging Face论文

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