ColorfulXL-Lightning
recoilme
Texto a imagen
v1.6. Basado en ColorfulXL, con capacidad de iluminación. Fine-tuned en estética. Unet entrenado de 512 a 1280 con 64 pasos. Buen seguimiento de prompts, codificador de texto entrenado. VAE personalizado. Mezclado con unets de iluminación de 2,4,8 pasos de bytedance (supermario). Mezclado nuevamente con el modelo base. Uso con cfg cero/bajo. Capacidad de generar puro blanco/negro - modelo colorido con colores verdaderos. Alta gama de resoluciones soportadas (576 - 1280).
Como usar
from diffusers import DiffusionPipeline
from diffusers import EulerDiscreteScheduler
import torch
pipeline = DiffusionPipeline.from_pretrained("recoilme/ColorfulXL-Lightning", torch_dtype=torch.float16,variant="fp16", use_safetensors=True).to("cuda")
pipeline.scheduler = EulerDiscreteScheduler.from_config(pipeline.scheduler.config, timestep_spacing="trailing")
prompt = "girl sitting on a small hill looking at night sky, fflix_dmatter, back view, distant exploding moon, nights darkness, intricate circuits and sensors, photographic realism style, detailed textures, peacefulness, mysterious."
height = 1024
width = 1024
steps = 3
scale = 0
seed = 2139965163
generator = torch.Generator(device="cpu").manual_seed(seed)
image = pipeline(
prompt = prompt,
height=height,
width=width,
guidance_scale=scale,
num_inference_steps=steps,
generator=generator,
).images[0]
image.show()
image.save("girl.png")
Funcionalidades
- Fine-tuned en estética
- Unet entrenado de 512 a 1280 con 64 pasos
- Buen seguimiento de prompts, codificador de texto entrenado
- VAE personalizado
- Mezclado con unets de iluminación de 2,4,8 pasos de bytedance (supermario)
- Mezclado nuevamente con el modelo base
- Uso con cfg cero/bajo
- Capacidad de generar puro blanco/negro - modelo colorido con colores verdaderos
- Alta gama de resoluciones soportadas (576 - 1280)
Casos de uso
- Generación de obras de arte y uso en diseño y otros procesos artísticos.
- Aplicaciones en herramientas educativas o creativas.
- Investigación en modelos generativos.
- Despliegue seguro de modelos que tienen el potencial de generar contenido dañino.
- Sondear y entender las limitaciones y sesgos de los modelos generativos.