anigame_fusion

Gerador de fusão de personagens do jogo de anime

Visão geral

O Gerador de Personagem de Altos do Jogo de Anime é um projeto lateral divertido e criativo, projetado para misturar elementos de personagens de anime com temas de jogo específicos, produzindo imagens únicas e visualmente atraentes. Aproveitando o poder da biblioteca cagliostrolab/animagine-xl-3.1 para geração de personagens de anime e a API igdb (Internet Game Bathase) para acessar dados de jogos, este projeto oferece aos usuários a capacidade de gerar imagens de perfil personalizadas que refletem seus interesses favoritos de anime e jogos.

Características

• Geração de caracteres de anime : utiliza a biblioteca cagliostrolab/animagine-xl-3.1 para criar caracteres em estilo de anime.

• Integração do tema do jogo : integra elementos de jogos específicos aos personagens de anime gerados, permitindo que os usuários selecionem seus jogos favoritos.

• Gerador de imagens de perfil : gera imagens adequadas para uso como imagens de perfil em plataformas de mídia social, fóruns de jogos ou outras comunidades on -line, fornecendo aos usuários uma representação personalizada e visualmente impressionante de seus interesses.

Instalação

1. Clone o repositório do GitHub:

   git clone https://github.com/your-username/anime-game-character-fusion.git

2. Instale dependências usando PIP:

   pip install -r requirements.txt

3. (Opcional) Instale o SASS e compile o arquivo SASS no CSS:

   sass ./resources/form.scss ./resources/form.css

4. Obtenha credenciais da API para a API igdb e defina -as como variáveis ​​de ambiente Twitch_client_id & twitch_client_secret com sua chave de API real.

Instalação (opcional: suporte CUDA)

Se você possui uma GPU da NVIDIA com suporte CUDA e deseja acelerar a geração de imagens, siga estas etapas adicionais:

1. Certifique -se de ter o CUDA instalado em seu sistema. Consulte a documentação do kit de ferramentas NVIDIA CUDA para obter instruções de instalação específicas para o seu sistema operacional.

2. Depois que o CUDA é instalado, reinstale o Pytorch:

   pip uninstall torch
   # command from link above

3. Execute o projeto como de costume, e a geração de imagens agora deve se beneficiar da aceleração da GPU, resultando em tempos de processamento mais rápidos.

NOTA: O suporte ao CUDA pode exigir configuração e configuração adicionais, e nem todos os sistemas ou GPUs podem ser compatíveis. Consulte a documentação fornecida pela NVIDIA e pela biblioteca cagliostrolab/animagine-xl-3.1 para obter informações mais detalhadas sobre como ativar o suporte ao CUDA.

Uso

1. Execute o script principal com sua variável de ambiente Pythonpath definida como ""::

   python src/main.py

2. Siga a GUI para personalizar seu personagem de anime e selecionar elementos do jogo para incorporar na fusão.

3. Uma vez satisfeito com as seleções, a imagem gerada será visualizada e pode ser salva no diretório especificado.

Dependências

• Cagliostrolab/Animagine-XL-3.1: Uma biblioteca poderosa para gerar caracteres no estilo de anime com atributos personalizáveis.

• API IGDB: fornece acesso a um vasto banco de dados de informações relacionadas ao jogo, permitindo a integração dos elementos do jogo nas imagens geradas.

Contribuindo

As contribuições para o projeto são bem -vindas! Se você tiver idéias para novos recursos, melhorias ou correções de bugs, sinta -se à vontade para enviar uma solicitação de tração. Adere as convenções de codificação estabelecidas e siga o código de conduta do projeto.

Licença

Este projeto está licenciado sob a licença do MIT. Consulte o arquivo de licença para obter detalhes.

Agradecimentos

• Agradecimentos especiais aos desenvolvedores do cagliostrolab/animagine-xl-3.1 por fornecer uma biblioteca fantástica para geração de personagens de anime.
• Graças aos criadores da API igdb por permitir o acesso a dados abrangentes do jogo.
• Agradecimentos especiais aos desenvolvedores PySide6 por fornecer um poderoso kit de ferramentas para criar aplicativos de desktop entre plataformas com o Python.
• Graças aos desenvolvedores NLTK por criar uma biblioteca abrangente para tarefas de processamento de linguagem natural no Python.
• Agradecimentos aos desenvolvedores requests_cache por oferecer uma maneira conveniente de armazenar respostas HTTP em cache em aplicativos Python.
• Graças aos desenvolvedores PyTorch por desenvolver uma estrutura de aprendizado profundo eficiente e flexível para pesquisa e produção.
• Gratidão aos desenvolvedores do thefuzz por fornecer uma biblioteca útil para correspondência de string difusa, aprimorando a precisão da pesquisa de nome do personagem.