Лягушки в смешных шляпках обучают Stable Diffusion
ПОЧЕМУ ЛЯГУШКИ И ПРИ ЧЁМ ЗДЕСЬ СМЕШНЫЕ ШЛЯПКИ?
С детства я люблю лягушек и окружаю себя ими, будь то игрушки, заставка на телефон или домашний питомец.
Поэтому, недолго думая, я решила обучить нейросеть генерировать изображения моего тотемного животного, дабы создать вечный двигатель поднятия настроения. Чтобы эксперимент был более эффективен, было решено надеть лягушкам смешные шляпки!
СБОР ДАТАСЕТА
примеры исходных изображений
Для обучения нейросети я собрала датасет из 60-и фотографий лягушек и жаб в разнообразных шляпках: от ковбойских шляп до цветочков на голове.
Источник изображений: pinterest.com
примеры исходных изображений
примеры исходных изображений
Итак, датасет создан, пора приступать к обучению!
РАБОТА С КОДОМ
Работа с кодом велась в среде разработки Google Colab.
Сначала я импортировала библиотеки, нужные для обучения Stable Diffusion.
импорт библиотек
Теперь нужно импортировать подготовленный датасет, чтобы Google Collab смог «видеть» наших прекрасных лягушат. Для этого я указала пусть на гугл диск с собранными ранее изобрабражениями.
привязка датасета и вывод превью изображений
Нейросеть обучается, сопоставляя изображение и его текстовое описание. Поэтому следующий этап обучения — генерация описаний к каждому изображению датасета.
генерация текстовых описаний изображений
Теперь обозначим префикс подписей, добавив идентификатор концепта TOK, чтобы нейросеть понимала, что в изображении нас интересует больше всего. В нашем случае это лягушки, поэтому ставим TOK перед frog.
Итоговый префикс: «a photo of a cute TOK frog in a funny hat». Дальше нейросеть сама описывает, что видит на картинке.
Теперь у нас есть текстовые описания изображений! Они сохраняются в папку с датасетом в формате .jsonl.
примеры сгенерированных описаний к изображениям
Следующим этапом заходим в аккаунт на Hugging Face и создаём токен. Так у системы Google Colab будет доступ к аккаунту, чтобы сохранить туда будущую модель обучения.
вход в аккаунт Hugging Face
Наконец мы приступаем к самому обучению!
Размер для изображения был задан в 512×512 пикселей, с шагом в 500 и чек-поинтом на 250.
обучение нейросети
Обучение заняло чуть меньше 38 минут.
Обучение завершено! Теперь нужно сохранить модель обучения на Hugging Face.
сохранение модели на Hugging Face
Можно начинать генерировать лягушек в смешных шляпках! Я делала это уже на странице модели на Hugging Face.
ЛЯГУШКИ В ШЛЯПКАХ. ИТОГ
сгенерированные изображения лягушек в смешных шляпках
сгенерированные изображения лягушек в смешных шляпках
На выходе изображения получались реалистичные.
Модель может отличить лягушку (frog) от жабы (toad). Но в подавляющем большинстве, если просить сгенерировать лягушку, то модель выдаёт именно квакш.
сгенерированные изображения лягушек в смешных шляпках
сгенерированные изображения лягушек в смешных шляпках
Групповые фотографии у модели получаются с мелкими ошибками, которые заметны при детальном рассмотрении. Появляются лишние левитирующие шляпки, дополнительные лапки или просто лягушки неестественно сидят друг на друге.
сгенерированные изображения лягушек в смешных шляпках
сгенерированные изображения лягушек в смешных шляпках
сгенерированные изображения лягушек в смешных шляпках
Теперь можно не только лягушек в смешных шляпках генерировать, но и серотонин!
<< изображение сгенерировано нейросетью
ОПИСАНИЕ ПРИМЕНЕНИЯ ГЕНЕРАТИВНОЙ МОДЕЛИ
Для генерации изображений используется нейросеть Stable Diffusion XL, обученная с применением методов LoRA и DreamBooth.
Для автоматического описания изображений применяется модель BLIP, которая генерирует связные текстовые описания на основе предложенных изображений.
