效率飙升,stablediffusion高级技巧和插件(持续更新) | 您所在的位置:网站首页 › model a1524是什么版本 › 效率飙升,stablediffusion高级技巧和插件(持续更新) |
用stable diffuision也有很长时间了,这里是我个人总结和收集的各种效率技巧和工具,持续更新,大家有好的也可以推荐给我,我更新上去,一同进步 LORA缩略图和管理(Civitai Helper)强大的LORA管理插件,可以自动下载缩略图和更新版本 LORA越来越多,自己手动弄缩略图太麻烦了,不然就一片灰? 试试这个插件,可以自动下载,简单易用 C站地址: Civitai | Share your models LORA按需分类想做到LORA这样一目了然,分类明确吗? 其实很简单 虽然方法简单,貌似说的人很少很少 进到存放lora的文件夹 然后在此目录下,建立你想要分类的文件夹,把相应的lora拖进去就行了 是不是很简单? 大模型按需分类和lora分类的方法类似 进到model的目录 如下 然后建立自己想分类的目录,例如我建立一个动漫的文件夹 把相应的模型丢进去 然后刷新UI,模型选择界面就可以看到这个了 随着我们的模型越来越多,我们会发现模型需要配套的VAE是不一样的,有时候切来切去会很麻烦,这时候我们可以利用SD原有的功能来实现快速切换VAE 先进入到设置页面,选择用户界面 找到快捷设置列表 在sd_model_checkpoint后面输入,sd_vae 变成sd_model_checkpoint,sd_vae,保存设置并重启UI即可 高级预设模版Preset ManagerSD有自带的预设模版,可以一键保存我们的关键词 但是局限性很强,步数,种子,绘图方式,高清修复都不能保存,用Preset Manager可以保存我们大多数参数 也可以快速切换预存设置,很是方便 下载地址GitHub - Gerschel/sd_web_ui_preset_utils: Preset Manager moved private 显存神器Tiled VAE显存小但是想要大尺寸怎么办?这时候我们可以试试这个工具Tiled VAE 如果原先只能512x768,用了翻倍,高清修复highres.fix同样有效,1.5倍能提升到2倍,相当给力 原理是将大图分成一片一片的区域,分开生成再合并 官方中文文档:multidiffusion-upscaler-for-automatic1111/README_CN.md at main · pkuliyi2015/multidiffusion-upscaler-for-automatic1111 · GitHub 下载地址GitHub - pkuliyi2015/multidiffusion-upscaler-for-automatic1111: Tiled Diffusion and VAE optimize, licensed under CC BY-NC-SA 4.0 图片反推文字及打标(TAGGER)可以导入图片让AI反推文字,功能和准确性都比SD自带的强不少,达到模仿和学习的目的,更多时候是训练LORA的时候用于批量打标签。 用完记得卸载模型,不然很占显存 下载地址GitHub - toriato/stable-diffusion-webui-wd14-tagger: Labeling extension for Automatic1111's Web UI 抠图插件(有些麻烦)1,需要安装SD插件,下载地址https://pan.baidu.com/s/17s_RVoZ4ec_BWIXwjUPnDQ?pwd=ktwu2,需要安装CUBA支持3,需要下载TensorRT,教程https://blog.csdn.net/Yang_4881002/article/details/124292512,下载https://pan.baidu.com/s/1YAjFZyNRPoE8J35n3pFJng?pwd=2jak安装后可以找到后期处理这个选项 选择remove background,然后选择u2netp算法 抠图成功 依然还是Tiled VAE,在图生图界面中可以直接把图放大,补充细节,超级给力 示例:从1024 * 800 放大到 4096 * 3200 ,使用默认参数 参数:降噪 = 0.4,步数 = 20,采样器 = Euler a,放大器 = RealESRGAN++,负面提示语=EasyNegative,模型:Gf-style2 (4GB 版本), 提示词相关性(CFG Scale) = 14, Clip 跳过层(Clip Skip) = 2方法(Method) = MultiDiffusion, 分块批处理规模(tile batch size) = 8, 分块高度(tile size height) = 96, 分块宽度(tile size width) = 96, 分块重叠(overlap) = 32全局提示语 = masterpiece, best quality, highres, extremely detailed 8k wallpaper, very clear, 全局负面提示语 = EasyNegative.原图: GitHub - pkuliyi2015/multidiffusion-upscaler-for-automatic1111: Tiled Diffusion and VAE optimize, licensed under CC BY-NC-SA 4.0 未完待续 |
CopyRight 2018-2019 实验室设备网 版权所有 |