sd interior design

インテリアデザインのためのRealisticVision

現実的なビジョンv3.0を組み合わせたカスタムインテリアデザインパイプラインAPIと、パイプラインとセグメンテーションおよびMLSDコントロールネットを入力します。このレポはCOGを使用して、Dockerized APIを作成します。実行中のAPIをテストするには、Replicate Demoを参照してください。

基本的な使用法

モデルをAPIとして提供するには、COGとDockerをインストールする必要があります。予測を実行するには：

cog predict -i image=@test_images/bedroom_3.jpg prompt= " A bedroom with a bohemian spirit centered around a relaxed canopy bed complemented by a large macrame wall hanging. An eclectic dresser serves as a unique storage solution while an array of potted plants brings life and color to the room "

サーバーを起動し、モデルをAPIとして提供するには：

cog run -p 5000 python -m cog.server.http

API入力引数は次のとおりです。

• 画像：提供された画像は、生成プロセスのベースまたは参照として機能します。
• プロンプト：入力プロンプトは、画像生成プロセスをガイドするテキストの説明です。目的の出力画像の詳細かつ具体的な説明である必要があります。
• Negial_Prompt：このパラメーターにより、ネガティブプロンプトを指定できます。ネガティブプロンプトは、生成された画像で避けるべき用語または説明であり、不要な要素から出力を遠ざけるのに役立ちます。
• num_inference_steps：このパラメーターは、画像生成プロセスの除去ステップの数を定義します。
• Guidance_scale：ガイダンススケールパラメーターは、生成プロセスにおける分類器のないガイダンスの影響を調整します。値が高いほど、モデルがプロンプトにより焦点を合わせます。
• PROMPT_STRENGTH： Inpainting Modeでは、このパラメーターは最終画像に対する入力プロンプトの影響を制御します。 1.0の値は、プロンプトに従って完全な変換を示します。
• シード：シードパラメーターは、画像生成のランダムシードを設定します。特定の種子を使用して結果を再現するか、ランダム生成のために空白のままにすることができます。

モデルの詳細

これは、Aicrowdの生成的なインテリアデザインのハッカソンに触発されたカスタムパイプラインで、現実的なビジョンv3.0をベースモデルとして使用しています。それぞれのライセンスについては、ベースおよびコントロールネットモデルページを参照してください。このコードベースは、MITライセンスに基づいてライセンスされています。

❤️でのニューラルワークから