השתמש ב-Stable Diffusion XL עם Amazon SageMaker JumpStart ב-Amazon SageMaker Studio | שירותי האינטרנט של אמזון

היום אנו נרגשים להכריז כי Stable Diffusion XL 1.0 (SDXL 1.0) זמין עבור לקוחות דרך אמזון SageMaker JumpStart. SDXL 1.0 הוא הדגם האחרון של דור התמונה יציבות AI. שיפורים ב-SDXL 1.0 כוללים יצירת תמונה מקורית של 1024 פיקסלים במגוון יחסי רוחב-גובה. זה נועד לשימוש מקצועי, ומכויל לתמונות פוטו-ריאליסטיות ברזולוציה גבוהה. SDXL 1.0 מציע מגוון סגנונות אמנות מוגדרים מראש המוכנים לשימוש בשיווק, עיצוב ויצירת תמונות מקרי שימוש בתעשיות. אתה יכול בקלות לנסות את המודלים האלה ולהשתמש בהם עם SageMaker JumpStart, רכזת למידת מכונה (ML) המספקת גישה לאלגוריתמים, מודלים ופתרונות ML כדי שתוכל להתחיל במהירות עם ML.

בפוסט זה, אנו עוברים על אופן השימוש בדגמי SDXL 1.0 דרך SageMaker JumpStart.

מה זה Stable Diffusion XL 1.0 (SDXL 1.0)

SDXL 1.0 היא האבולוציה של דיפוזיה יציבה והגבול הבא עבור AI יצירתי לתמונות. SDXL מסוגלת ליצור תמונות מדהימות עם קונספטים מורכבים בסגנונות אמנות שונים, כולל פוטוריאליזם, ברמות איכות העולות על דגמי התמונה הטובים ביותר הקיימים כיום. כמו סדרת Stable Diffusion המקורית, SDXL ניתנת להתאמה אישית רבה (מבחינת פרמטרים) וניתנת לפריסה על אמזון SageMaker מקרים.

התמונה הבאה של אריה נוצרה באמצעות SDXL 1.0 באמצעות הנחיה פשוטה, אותה אנו חוקרים בהמשך הפוסט הזה.

דגם SDXL 1.0 כולל את הדגשים הבאים:

• חופש הביטוי - פוטוריאליזם מהשורה הראשונה, כמו גם יכולת ליצור אמנות באיכות גבוהה כמעט בכל סגנון אמנות. תמונות מובחנות נעשות ללא תחושה מסוימת שמקנה הדגם, מה שמבטיח חופש סגנון מוחלט.
• אינטליגנציה אמנותית - היכולת הטובה ביותר בכיתה ליצור מושגים שקשה לשמצה לדגמי תמונה לעיבוד, כגון ידיים וטקסט, או אובייקטים ואנשים מסודרים במרחב (לדוגמה, קופסה אדומה על גבי קופסה כחולה).
• הנחיה פשוטה יותר - שלא כמו דגמי תמונה יצירתיים אחרים, SDXL דורש רק כמה מילים כדי ליצור תמונות מורכבות, מפורטות ואסתטיות. אין יותר צורך בפסקאות של מוקדמות.
• יותר מדויק - הנחיה ב-SDXL היא לא רק פשוטה, אלא יותר נכונה לכוונת ההנחיות. מודל ה-CLIP המשופר של SDXL מבין טקסט בצורה כל כך יעילה עד שמושגים כמו "הכיכר האדומה" מובנים כשונים מ"ריבוע אדום". הדיוק הזה מאפשר לעשות הרבה יותר כדי לקבל את התמונה המושלמת ישירות מהטקסט, עוד לפני השימוש בתכונות המתקדמות יותר או כוונון עדין ש-Stable Diffusion מפורסמת בהם.

מה זה SageMaker JumpStart

עם SageMaker JumpStart, מתרגלי ML יכולים לבחור מתוך מבחר רחב של מודלים חדישים למקרי שימוש כגון כתיבת תוכן, הפקת תמונות, הפקת קוד, מענה לשאלות, קופירייטינג, סיכום, סיווג, אחזור מידע ועוד. מתרגלי ML יכולים לפרוס מודלים של בסיס למופעי SageMaker ייעודיים מסביבה מבודדת רשת ולהתאים אישית מודלים באמצעות SageMaker להדרכה ופריסה של מודלים. דגם SDXL ניתן לגילוי היום ב סטודיו SageMaker של אמזון ונכון לכתיבת שורות אלה, זמין ב us-east-1, us-east-2, us-west-2, eu-west-1, ap-northeast-1, ו ap-southeast-2 אזורים.

סקירת פתרונות

בפוסט זה, אנו מדגימים כיצד לפרוס את SDXL 1.0 ל- SageMaker ולהשתמש בו כדי ליצור תמונות באמצעות הודעות טקסט לתמונה ותמונה לתמונה.

SageMaker Studio הוא סביבת פיתוח משולבת מבוססת אינטרנט (IDE) עבור ML המאפשרת לך לבנות, לאמן, לנפות באגים, לפרוס ולנטר את דגמי ה-ML שלך. לפרטים נוספים כיצד להתחיל ולהגדיר את SageMaker Studio, עיין ב סטודיו SageMaker של אמזון.

ברגע שאתה נמצא בממשק המשתמש של SageMaker Studio, גש ל-SageMaker JumpStart וחפש Stable Diffusion XL. בחר את כרטיס הדגם SDXL 1.0, שיפתח מחברת לדוגמה. המשמעות היא שאתה תהיה אחראי רק לעלויות המחשוב. אין עלות דגם קשורה. משקל סגור SDXL 1.0 מציע סקריפטים ומיכל מותאמים של SageMaker עם זמן הסקה מהיר יותר וניתן להפעיל אותו על מופע קטן יותר בהשוואה למשקל הפתוח SDXL 1.0. המחברת לדוגמה תדריך אותך בשלבים, אך נדון גם כיצד לגלות ולפרוס את המודל בהמשך הפוסט הזה.

בסעיפים הבאים, אנו מראים כיצד ניתן להשתמש ב-SDXL 1.0 כדי ליצור תמונות פוטוריאליסטיות עם הנחיות קצרות יותר וליצור טקסט בתוך תמונות. Stable Diffusion XL 1.0 מציע קומפוזיציה משופרת של תמונה ויצירת פנים עם חזותיים מדהימים ואסתטיקה מציאותית.

Stable Diffusion XL 1.0 פרמטרים

להלן הפרמטרים המשמשים את SXDL 1.0:

• cfg_scale – באיזו קפדנות תהליך הדיפוזיה דבק בטקסט המבוקש.
• גובה ורוחב - הגובה והרוחב של התמונה בפיקסלים.
• צעדים – מספר שלבי הדיפוזיה לרוץ.
• זרע – זרע רעש אקראי. אם מסופק זרע, התמונה שנוצרה תהיה דטרמיניסטית.
• דַגָם - באיזה דגימה להשתמש לתהליך הדיפוזיה כדי להכפיש את הדור שלנו באמצעותו.
• text_prompts - מערך של הנחיות טקסט לשימוש ליצירת.
• מִשׁקָל - מספק לכל הנחיה משקל ספציפי

למידע נוסף, עיין ב-Stability AI's טקסט לתמונה תיעוד.

הקוד הבא הוא דוגמה של נתוני הקלט שסופקו עם ההנחיה:

{ "cfg_scale": 7, "height": 1024, "width": 1024, "steps": 50, "seed": 42, "sampler": "K_DPMPP_2M", "text_prompts": [ { "text": "A photograph of fresh pizza with basil and tomatoes, from a traditional oven", "weight": 1 } ]
}

כל הדוגמאות בפוסט זה מבוססות על המחברת לדוגמה עבור Stability Diffusion XL 1.0, אותה ניתן למצוא ב-Stability AI של GitHub ריפו.

צור תמונות באמצעות SDXL 1.0

בדוגמאות הבאות, אנו מתמקדים ביכולות של דגמי Stability Diffusion XL 1.0, כולל פוטוריאליזם מעולה, קומפוזיציה תמונה משופרת והיכולת ליצור פרצופים ריאליסטיים. אנו גם בוחנים את האסתטיקה החזותית המשופרת באופן משמעותי, וכתוצאה מכך תפוקות מושכות מבחינה ויזואלית. בנוסף, אנו מדגימים שימוש בהנחיות קצרות יותר, המאפשרות יצירת תמונות תיאוריות בקלות רבה יותר. לבסוף, אנו ממחישים כיצד הטקסט בתמונות כעת קריא יותר, ומעשיר עוד יותר את האיכות הכוללת של התוכן שנוצר.

הדוגמה הבאה מציגה שימוש בהנחיה פשוטה לקבלת תמונות מפורטות. באמצעות מילים ספורות בלבד בהנחיה, היא הצליחה ליצור תמונה מורכבת, מפורטת ואסתטית שמזכירה את ההנחיה שסופקה.

text = "photograph of latte art of a cat" output = deployed_model.predict(GenerationRequest(text_prompts=[TextPrompt(text=text)], seed=5, height=640, width=1536, sampler="DDIM", ))
decode_and_show(output)

לאחר מכן, אנו מראים את השימוש ב- style_preset פרמטר קלט, זמין רק ב-SDXL 1.0. עובר ב style_preset פרמטר מנחה את מודל יצירת התמונה לעבר סגנון מסוים.

חלק מהזמינים style_preset פרמטרים הם enhance, anime, photographic, digital-art, comic-book, fantasy-art, line-art, analog-film, neon-punk, isometric, low-poly, origami, modeling-compound, cinematic, 3d-mode, pixel-art, ו tile-texture. רשימה זו של קביעות סגנון מוגדרות מראש נתונה לשינויים; עיין במהדורה ובתיעוד העדכניים ביותר לקבלת עדכונים.

עבור דוגמה זו, אנו משתמשים בהנחיה כדי ליצור קומקום עם a style_preset of origami. המודל הצליח ליצור תמונה באיכות גבוהה בסגנון האמנות שסופק.

output = deployed_model.predict(GenerationRequest(text_prompts=[TextPrompt(text="teapot")], style_preset="origami", seed = 3, height = 1024, width = 1024 ))

בואו ננסה עוד כמה הגדרות קבועות מראש של סגנון עם הנחיות שונות. הדוגמה הבאה מציגה סגנון מוגדר מראש ליצירת פורטרט באמצעות style_preset="photographic" עם ההודעה המהירה "דיוקן של אריה זקן ועייף תנוחת אמיתית".

text = "portrait of an old and tired lion real pose" output = deployed_model.predict(GenerationRequest(text_prompts=[TextPrompt(text=text)], style_preset="photographic", seed=111, height=640, width=1536, ))

עכשיו בואו ננסה את אותה הנחיה ("דיוקן של תנוחת אריה זקן ועייף אמיתי") עם תרכובת דוגמנות כהגדרת הסגנון מראש. תמונת הפלט היא תמונה נבדלת שנעשתה ללא תחושה מסוימת שמקנה הדגם, מה שמבטיח חופש סגנון מוחלט.

ריבוי הנחיה עם SDXL 1.0

כפי שראינו, אחד מיסודות הליבה של המודל הוא היכולת ליצור תמונות באמצעות הנחיה. SDXL 1.0 תומך בריבוי הנחיה. עם ריבוי הנחיה, אתה יכול לערבב מושגים יחד על ידי הקצאת משקל ספציפי לכל הנחיה. כפי שניתן לראות בתמונה הבאה שנוצרה, יש לו רקע ג'ונגל עם דשא ירוק עז גבוה. תמונה זו נוצרה באמצעות ההנחיות הבאות. אתה יכול להשוות זאת להנחיה בודדת מהדוגמה הקודמת שלנו.

text1 = "portrait of an old and tired lion real pose"
text2 = "jungle with tall bright green grass" output = deployed_model.predict(GenerationRequest( text_prompts=[TextPrompt(text=text1), TextPrompt(text=text2, weight=0.7)], style_preset="photographic", seed=111, height=640, width=1536, ))

תמונות שנוצרו עם מודעות מרחבית והנחיות שליליות

לאחר מכן, אנו מסתכלים על עיצוב פוסטרים עם הנחיה מפורטת. כפי שראינו קודם, ריבוי הנחיה מאפשר לך לשלב מושגים ליצירת תוצאות חדשות וייחודיות.

בדוגמה זו, ההנחיה מפורטת מאוד מבחינת מיקום הנושא, המראה, הציפיות והסביבה. הדגם גם מנסה להימנע מתמונות שיש להן עיוות או שהן מוצגות בצורה גרועה בעזרת הנחיה שלילית. התמונה שנוצרה מציגה אובייקטים ונושאים מסודרים במרחב.

text = "חתול לבן רך וחמוד עומד על רגליו האחוריות, מציץ בסקרנות לתוך מראה זהוב מקושט. אבל בהשתקפות, החתול לא רואה את עצמו, אלא אריה אדיר. המראה מוארת בזוהר רך על רקע לבן טהור."

text = "A cute fluffy white cat stands on its hind legs, peering curiously into an ornate golden mirror. But in the reflection, the cat sees not itself, but a mighty lion. The mirror illuminated with a soft glow against a pure white background." negative_prompts = ['distorted cat features', 'distorted lion features', 'poorly rendered'] output = deployed_model.predict(GenerationRequest( text_prompts=[TextPrompt(text=text)], style_preset="enhance", seed=43, height=640, width=1536, steps=100, cfg_scale=7, negative_prompts=negative_prompts ))

בוא ננסה דוגמה אחרת, שבה אנו שומרים על אותה הנחיה שלילית אך משנים את ההנחיה המפורטת ואת הקביעת הסגנון מראש. כפי שאתה יכול לראות, התמונה שנוצרה לא רק מסדרת אובייקטים באופן מרחבי, אלא גם משנה את קביעות הסגנון המוגדרות מראש תוך שימת לב לפרטים כמו המראה המוזהבת המעוטרת והשתקפות הנושא בלבד.

text = "A cute fluffy white cat stands on its hind legs, peering curiously into an ornate golden mirror. In the reflection the cat sees itself." negative_prompts = ['distorted cat features', 'distorted lion features', 'poorly rendered'] output = deployed_model.predict(GenerationRequest( text_prompts=[TextPrompt(text=text)], style_preset="neon-punk", seed=4343434, height=640, width=1536, steps=150, cfg_scale=7, negative_prompts=negative_prompts ))

יצירת פנים עם SDXL 1.0

בדוגמה זו, אנו מראים כיצד SDXL 1.0 יוצר קומפוזיציה משופרת של תמונה ויצירת פנים עם תכונות מציאותיות כגון ידיים ואצבעות. התמונה שנוצרה היא של דמות אנושית שנוצרה על ידי AI עם ידיים מורמות בבירור. שימו לב לפרטים באצבעות ובתנוחה. תמונה שנוצרת בינה מלאכותית כמו זו הייתה אמורה להיות אמורפית.

text = "Photo of an old man with hands raised, real pose." output = deployed_model.predict(GenerationRequest( text_prompts=[TextPrompt(text=text)], style_preset="photographic", seed=11111, height=640, width=1536, steps=100, cfg_scale=7, ))

יצירת טקסט באמצעות SDXL 1.0

SDXL מיועד לתהליכי עבודה מורכבים של עיצוב תמונה הכוללים יצירת טקסט בתוך תמונות. הנחיה לדוגמה זו מציגה את היכולת הזו. שים לב עד כמה ברור יצירת הטקסט באמצעות SDXL ושים לב לקביעת הסגנון המוגדרת מראש של קולנוע.

text = "Write the following word: Dream" output = deployed_model.predict(GenerationRequest(text_prompts=[TextPrompt(text=text)], style_preset="cinematic", seed=15, height=640, width=1536, sampler="DDIM", steps=32, ))

גלה את SDXL 1.0 מבית SageMaker JumpStart

SageMaker JumpStart משלבת ומתחזקת מודלים בסיסיים כדי שתוכל לגשת, להתאים אישית ולהשתלב במחזורי החיים של ה-ML שלך. חלק מהדגמים הם דגמי משקל פתוח המאפשרים לך לגשת ולשנות משקלים וסקריפטים של דגמים, בעוד שחלקם הם דגמי משקל סגורים שאינם מאפשרים לך לגשת אליהם כדי להגן על ה-IP של ספקי הדגמים. דגמי משקל סגור מחייבים אותך להירשם לדגם מדף הפרטים של המודל של AWS Marketplace, ו-SDXL 1.0 הוא דגם עם משקל סגור בשלב זה. בחלק זה, נעבור על איך לגלות, להירשם ולפרוס מודל משקל סגור מ- SageMaker Studio.

אתה יכול לגשת ל- SageMaker JumpStart על ידי בחירה קפיצת פתיחה תחת פתרונות מובנים ואוטומטיים מראש בסטודיו SageMaker עמוד הבית עמוד.

מדף הנחיתה של SageMaker JumpStart, אתה יכול לחפש פתרונות, דגמים, מחברות ומשאבים אחרים. צילום המסך הבא מציג דוגמה של דף הנחיתה עם פתרונות ומודלים של יסודות.

לכל דגם יש כרטיס דגם, כפי שמוצג בצילום המסך הבא, המכיל את שם הדגם, אם ניתן לכוונון עדין או לא, שם הספק ותיאור קצר על הדגם. אתה יכול למצוא את דגם Stable Diffusion XL 1.0 ב דגם יסוד: יצירת תמונה קרוסלה או חפש אותה בתיבת החיפוש.

אתה יכול לבחור דיפוזיה יציבה XL 1.0 כדי לפתוח מחברת לדוגמה שתדריך אותך כיצד להשתמש בדגם SDXL 1.0. המחברת לדוגמה נפתחת כמצב קריאה בלבד; אתה צריך לבחור ייבוא ​​מחברת לנהל את זה.

לאחר ייבוא ​​המחברת, עליך לבחור את סביבת המחברת המתאימה (תמונה, ליבה, סוג מופע וכן הלאה) לפני הפעלת הקוד.

פרוס SDXL 1.0 מ- SageMaker JumpStart

בחלק זה, נעבור על אופן ההרשמה והפריסה של המודל.

1. פתח את דף רישום הדגמים ב AWS שוק באמצעות הקישור הזמין מהמחברת לדוגמה ב- SageMaker JumpStart.
   
2. ברשימת AWS Marketplace, בחר המשך להירשם.

אם אין לך את ההרשאות הדרושות כדי להציג את המודל או להירשם אליו, פנה למנהל המערכת של AWS או לנקודת הקשר שלך לרכש. ארגונים רבים עשויים להגביל את הרשאות AWS Marketplace כדי לשלוט בפעולות שמישהו יכול לבצע בפורטל הניהול של AWS Marketplace.

3. בחרו המשך להירשם.
   
4. על הירשם לתוכנה זו עמוד, עיין בפרטי התמחור והסכם רישוי משתמשי קצה (EULA). אם מתאים, בחר קבל הצעה.
   
5. בחרו המשך לתצורה כדי להתחיל להגדיר את הדגם שלך.
   
6. בחר אזור נתמך.

תראה מוצר ARN מוצג. זוהי חבילת המודל ARN שעליך לציין בעת ​​יצירת מודל הניתן לפריסה באמצעות Boto3.

7. העתק את ה-ARN המתאים לאזור שלך וציין אותו בהוראות התא של המחברת.

ייתכן שמידע ARN כבר זמין במחברת לדוגמה.

8. כעת אתה מוכן להתחיל לעקוב אחר המחברת לדוגמה.

אתה יכול גם להמשיך מ-AWS Marketplace, אך אנו ממליצים לעקוב אחר המחברת לדוגמה ב-SageMaker Studio כדי להבין טוב יותר כיצד פועלת הפריסה.

לנקות את

לאחר שתסיים לעבוד, תוכל למחוק את נקודת הקצה כדי לשחרר את ענן מחשוב אלסטי של אמזון (Amazon EC2) מופעים הקשורים אליו ומפסיקים את החיוב.

קבל את רשימת נקודות הקצה של SageMaker באמצעות AWS CLI באופן הבא:

!aws sagemaker list-endpoints

לאחר מכן מחק את נקודות הקצה:

deployed_model.sagemaker_session.delete_endpoint(endpoint_name)

סיכום

בפוסט הזה הראינו לכם איך להתחיל עם הדגם החדש של SDXL 1.0 ב-SageMaker Studio. עם דגם זה, אתה יכול לנצל את התכונות השונות שמציע SDXL כדי ליצור תמונות מציאותיות. מכיוון שדגמי היסודות מאומנים מראש, הם יכולים גם לסייע בהורדת עלויות ההדרכה והתשתית ולאפשר התאמה אישית למקרה השימוש שלך.

משאבים

על המחברים

יוני זכה הוא מנהל מוצר עם SageMaker JumpStart. הוא מתמקד בהפיכת מודלים בסיסיים לניתנים לגילוי ושימוש בקלות כדי לעזור ללקוחות לבנות יישומי בינה מלאכותית.

מני חנוג'ה הוא מומחה לבינה מלאכותית ולמידת מכונה SA בשירותי האינטרנט של אמזון (AWS). היא עוזרת ללקוחות המשתמשים בלמידת מכונה כדי לפתור את האתגרים העסקיים שלהם באמצעות ה-AWS. היא משקיעה את רוב זמנה בצלילה לעומק ובהוראת לקוחות על פרויקטים של AI/ML הקשורים לראייה ממוחשבת, עיבוד שפה טבעית, חיזוי, ML בקצה ועוד. היא מתלהבת מ-ML בקצה, ולכן היא יצרה מעבדה משלה עם ערכה לנהיגה עצמית ופס ייצור אבטיפוס, שם היא מבלה הרבה מזמנה הפנוי.

ניטין אוזביוס הוא Sr. Enterprise Solutions Architect ב-AWS עם ניסיון בהנדסת תוכנה, ארכיטקטורה ארגונית ו-AI/ML. הוא עובד עם לקוחות כדי לעזור להם לבנות יישומים מעוצבים היטב בפלטפורמת AWS. הוא נלהב מפתרון אתגרים טכנולוגיים ולעזור ללקוחות במסע הענן שלהם.

סולימן פאטל הוא ארכיטקט פתרונות בכיר בחברת Amazon Web Services (AWS), עם התמקדות מיוחדת בלמידת מכונה ומודרניזציה. ממנף את המומחיות שלו הן בעסק והן בטכנולוגיה, סולימן עוזר ללקוחות לעצב ולבנות פתרונות המתמודדים עם בעיות עסקיות בעולם האמיתי. כשהוא לא שקוע בעבודתו, סולימן אוהב לחקור את החוץ, לצאת לטיולים ולבשל מנות טעימות במטבח.

ד"ר Vivek Madan הוא מדען יישומי בצוות אמזון SageMaker JumpStart. הוא קיבל את הדוקטורט שלו מאוניברסיטת אילינוי באורבנה-שמפיין והיה חוקר פוסט דוקטורט בג'ורג'יה טק. הוא חוקר פעיל בלמידת מכונה ועיצוב אלגוריתמים ופרסם מאמרים בכנסים של EMNLP, ICLR, COLT, FOCS ו-SODA.

• הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
• PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
• PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
• PlatoESG. רכב / רכבים חשמליים, פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
• BlockOffsets. מודרניזציה של בעלות על קיזוז סביבתי. גישה כאן.
• מקור: https://aws.amazon.com/blogs/machine-learning/use-stable-diffusion-xl-with-amazon-sagemaker-jumpstart-in-amazon-sagemaker-studio/