LoRAdo Download - LoRAdo Source Code Download

LoRAdo

AI-Quellcode

1.0.0

Herunterladen

Lorado

Erstellen Sie Datensätze für kohya_ss (eine Benutzeroberfläche für https://github.com/kohya-ss/sd-scripts.)

Wir planen, das Training direkt in dieses Tool zu integrieren

Intro
Warum?
Screenshots
Merkmale
Erste Schritte mit Lorado
Aktualisieren Sie Lorado
Mit Lorado
Wie Lorado funktioniert
Generierungsbeispiele

Intro

Willkommen in Lorado. Dieses Toolkit wurde entwickelt, um den Prozess der Loras -Bildgenerierung zu optimieren. Es ist für Anfänger und erfahrene Entwickler geeignet und vereinfacht die Erstellung der Datensätze. Lorado ist ursprünglich mit berücksichtigten Porträts entworfen und ist für verschiedene Themen gut geeignet. Zu den wichtigsten Merkmalen gehören die Erkennung von Gesicht und benutzerfreundliche Anbaus, die ein praktisches Gleichgewicht zwischen Benutzererfahrung und Ergebnissen gewährleisten.

Mit Lorado ist das Erstellen von Datensätzen für das Bildtraining unkompliziert und effizient.

Warum?

Wir wollten eine einfache Möglichkeit bieten, Loras für verschiedene Anwendungsfälle zu trainieren. Während der Forschung beschlossen wir, ein paar kleine Helferfunktionen zu erstellen, um uns zu helfen, Bilder zu sammeln und zuzubereiten und Bildunterschriftendateien zu erstellen. Diese Benutzeroberfläche bietet eine einfache Möglichkeit, Loras zu erstellen, ohne sie zu überdenken.

Screenshots

Die Benutzeroberfläche	Bilder anzeigen und konfigurieren
Projektansicht	Der vorbereitete Ordner

Merkmale

Datensatzerstellung
Bildunterschriftenwerkzeuge
Projekte erstellen und bearbeiten
Unterstützung für SDXL und SD-1.5
SDXL- oder SD-1.5-Auflösungsanpassung
Mehrere Bildauflösungen
KOHYA_SS (UI) CONFIG -CERFORTER
Regularisierungsbild -Tools (WIP)

Erste Schritte mit Lorado

Voraussetzungen:
- Stellen Sie sicher, dass Sie node.js (v18.5.0) installiert haben. Wenn nicht, können Sie es von der offiziellen Site von node.js herunterladen. (Verwenden Sie einen Knotenversionsmanager), um schnell zu einer anderen Version zu wechseln.
- Es gibt ein offenes Problem mit TensorFlow. Bitte stellen Sie sicher, dass Sie v18 (nicht oben) installieren. Die empfohlene Version finden Sie in .nvmrc
- Wenn es ein Problem mit TensorFlow gibt, überprüfen Sie bitte dieses Problem

Klonen und Installieren von Abhängigkeiten:

git clone https://github.com/failfa-st/LoRAdo.git
cd LoRAdo
npm install

Ausführen der App:
```
npm run build
npm run start
```
Ihre App sollte jetzt auf http: // localhost: 3000 ausgeführt werden. Navigieren Sie in Ihrem Browser zu dieser URL, um die Lorado -Benutzeroberfläche zu erkunden.

Aktualisieren Sie Lorado

Stoppen Sie Lorado, wenn es bereits läuft
- Strg+C, um den Prozess im Terminal zu beenden

Aktualisieren Sie den Code und die Abhängigkeiten:

git fetch origin
git reset --hard origin/main
npm install

Führen Sie die App aus:
- Führen Sie die Befehle aus, wie sie unter der obigen App ausführen

Mit Lorado

Schritt 1: Beginnen Sie mit dem Hochladen Ihrer ausgewählten Bild (en).
Schritt 2: Lassen Sie die Gesichtserkennung von Lorado das Bild scannen.
- Wenn ein Gesicht erkannt wird, identifiziert das System es als potenzieller Schwerpunkt für das Zuschneiden.
- Wenn kein Gesicht erkannt wird, bewerten Sie, ob das Bild für Ihre Bedürfnisse geeignet ist.
Schritt 3: Fügen Sie Ihren Bildern direkt in die App mit Bildunterschriften hinzu und verbessern Sie den Kontext und die Bedeutung der einzelnen.
Schritt 4: Wählen Sie Ihre Anbausmethode:
- Entscheiden Sie sich für ein minimales Zuschneiden, indem Sie die am besten passende Auflösung basierend auf dem ursprünglichen Seitenverhältnis finden und gleichzeitig den erkannten Schwerpunkt in Betracht ziehen.
- Oder generieren Sie für jedes Bild 9 SDXL (3 SD-1.5) kompatible Pflanzen.
Schritt 5: Verwandeln Sie mit einem einzigen Klick auf "Vorbereitung" Ihre kuratierten Bilder in einen Datensatz, der mit Kohya_SS kompatibel ist.
Schritt 6: Navigieren Sie zum Trainingsordner:
- Jeder Datensatz hier wird mit einer eigenen config.json -Datei geliefert.
- Diese Konfigurationen sind für die Integration in Kohya_SS vorgesehen.

Wie Lorado funktioniert

Im Herzen von Lorado steht die Absicht, den Komplex zu vereinfachen.

Bildoptimierung: Beginnen Sie mit jedem Bild. Lorado sammelt es intelligent zu der idealen SDXL -Auflösung. Für Bilder mit Gesichtern werden sie zum Mittelpunkt, um das beste visuelle Ergebnis zu gewährleisten. Ohne Gesicht? Keine Sorge, wir machen es perfekt.
Mehrere Auflösungen: Über die Standardeinstellung hinaus haben Sie die Möglichkeit, Bilder in allen 9 SDXL -Auflösungen zu generieren, um die Flexibilität zu erhöhen, ohne die Qualität zu beeinträchtigen.
Konfiguration einfach gemacht: Lorado generiert eine auf kohya_ss zugeschnittene Konfigurationsdatei. Sobald Ihr Projekt festgelegt ist, ist es ein Kinderspiel, es in Kohya_SS zu integrieren. Laden Sie einfach die Konfiguration unter der Registerkarte Lora und Sie sind alle so eingestellt, dass Sie mit dem Training beginnen. Und wenn Sie möchten, bietet Kohya_SS mehr detaillierte Konfigurationsoptionen.

Während unser Ansatz von einer starken Meinung zur Benutzerfreundlichkeit geleitet wird, lässt er dennoch Raum für die Anpassung. Erwarten Sie bei der Entwicklung einer erweiterten Konfigurierbarkeit. Aber seien Sie versichert, die Einfachheit wird immer unser Leitstern sein und sicherstellen, dass die Interaktion mit Lorado intuitiv bleibt.

Beispielbilder über @Anamnesis33

Bild	Link
	https://unsplash.com/photos/mqcykihgfao
	https://unsplash.com/photos/06tuqm7rsp4
	https://unsplash.com/photos/aujhl146mby
	https://unsplash.com/photos/8owttyqn47i

Dieses Tool bietet eine Meinung und einen Ansatz für das Training flexibler Loras. Wir recherchieren ständig, um die Standardeinstellungen dieses Tools zu verbessern. Eine erweiterte (detaillierte) Konfiguration ist für zukünftige Veröffentlichungen geplant.

Generierungsbeispiele

Diese Beispiele wurden aus einer Lora erzeugt, die auf einem Datensatz geschult wurde, der mit diesem Tool/Ansatz hergestellt wurde

Feedback und Support: Begegnet ein Problem oder haben Sie einen Vorschlag? Treten Sie unserer Discord -Community bei oder eröffnen Sie ein Problem in GitHub. Wir würden gerne von Ihnen hören!