文章目录前言-浅谈AIGCAIGC-引领人工智能走向春天春天里盛开的AI绘画AI绘画之StableDiffusion2.0登场人人都有机会成为前沿的技术探索者基于AmazonSageMaker进行StableDiffusion模型部署认识AmazonSageMaker借助AmazonSageMaker进行环境搭建和模型推理1.创建jupyternotebook运行环境2.一键运行所有代码关键代码分析如下1.环境准备，代码模型下载2.在Notebook中配置并使用模型3.部署模型至Sagemaker推理终端节点在AmazonCloud9创建前后端Web应用1.创建云服务实例，并进行web环境安装
文章目录前言-浅谈AIGCAIGC-引领人工智能走向春天春天里盛开的AI绘画AI绘画之StableDiffusion2.0登场人人都有机会成为前沿的技术探索者基于AmazonSageMaker进行StableDiffusion模型部署认识AmazonSageMaker借助AmazonSageMaker进行环境搭建和模型推理1.创建jupyternotebook运行环境2.一键运行所有代码关键代码分析如下1.环境准备，代码模型下载2.在Notebook中配置并使用模型3.部署模型至Sagemaker推理终端节点在AmazonCloud9创建前后端Web应用1.创建云服务实例，并进行web环境安装
AI绘画平台地址https://ai.feilianyun.cn/梵高星空关键字：VanGogh’spaintings，Starryskyinaforeigngalaxy,octanerender,ultrarealistic8KHD--ar9:16参考图：盔甲骑士关键字：kneelingcatknight,portrait,finelydetailedarmor,intricatedesign,silver,silk,cinematiclighting,4k,unrealengineCGI,artstationbyMakotoShinkaiandBeksinski,pixiv.参考图：风景画
AI绘画平台地址https://ai.feilianyun.cn/梵高星空关键字：VanGogh’spaintings，Starryskyinaforeigngalaxy,octanerender,ultrarealistic8KHD--ar9:16参考图：盔甲骑士关键字：kneelingcatknight,portrait,finelydetailedarmor,intricatedesign,silver,silk,cinematiclighting,4k,unrealengineCGI,artstationbyMakotoShinkaiandBeksinski,pixiv.参考图：风景画
尝试本地部署StableDiffusion的时候遇到了很多的麻烦，自己训练AI也非常的麻烦，可以尝试使用Webui使用别人上传的模型第一步进入网站https://github.com/camenduru/stable-diffusion-webui-colab向下拉到readme第一个stable_diffusion_webui_colab，点击左边OpeninColab的图标跳转到GoogleColab的网站，这一步需要谷歌账号注册，方法可以参见我的上一篇文章http://t.csdn.cn/BV9Ya点击上方任务栏中的“代码执行程序”点击更改运行时类型选择GPU保存之后，点击“代码执行程序
尝试本地部署StableDiffusion的时候遇到了很多的麻烦，自己训练AI也非常的麻烦，可以尝试使用Webui使用别人上传的模型第一步进入网站https://github.com/camenduru/stable-diffusion-webui-colab向下拉到readme第一个stable_diffusion_webui_colab，点击左边OpeninColab的图标跳转到GoogleColab的网站，这一步需要谷歌账号注册，方法可以参见我的上一篇文章http://t.csdn.cn/BV9Ya点击上方任务栏中的“代码执行程序”点击更改运行时类型选择GPU保存之后，点击“代码执行程序
2022图像翻译/扩散模型：UNIT-DDPM:UNpairedImageTranslationwithDenoisingDiffusionProbabilisticModels.UNIT-DDPM:无配对图像翻译与去噪扩散概率模型0.摘要1.概述2.相关工作2.1.Image-to-Image翻译2.1.1成对图像间翻译2.1.2未配对的图像间翻译2.2.扩散概率模型去噪3.方法3.1.模型训练3.2.图像翻译推理4.评估4.1.基线4.2.数据集4.3.通过UNIT-DDPM的图像到图像翻译4.4.结果4.5.消融实验4.6.局限5.结论参考文献0.摘要我们提出了一种新的无配对图像间翻译方
2022图像翻译/扩散模型：UNIT-DDPM:UNpairedImageTranslationwithDenoisingDiffusionProbabilisticModels.UNIT-DDPM:无配对图像翻译与去噪扩散概率模型0.摘要1.概述2.相关工作2.1.Image-to-Image翻译2.1.1成对图像间翻译2.1.2未配对的图像间翻译2.2.扩散概率模型去噪3.方法3.1.模型训练3.2.图像翻译推理4.评估4.1.基线4.2.数据集4.3.通过UNIT-DDPM的图像到图像翻译4.4.结果4.5.消融实验4.6.局限5.结论参考文献0.摘要我们提出了一种新的无配对图像间翻译方
文章目录一、前言二、功能介绍2.1功能一2.2功能二2.3其他有趣的功能三、总结一、前言用Midjourney花一个小时做的项目logo图：解释一下logo的含义：一只坐在地上的马赛克风格的熊。坐在地面上是因为ground有地面的含义，然后分割后的图片可以认为是一种马赛克风格，而且马赛克谐音mask，之所以用熊作为logo主体，是因为项目主要示例的图片是熊。Grounded-SAM把SAM和BLIP、StableDiffusion集成在一起，将图片「分割」、「检测」和「生成」三种能力合一，成为最强Zero-Shot视觉应用。二、功能介绍项目体验的地址为：https://github.com/I
背景为了在本地愉快流畅地体验stablediffsion，且不希望直接在windows中安装过多复杂的环境，顺便体验容器的部署和发布的便利，决定选择stablediffusion的docker版（AbdBarho版）。网上已经有很多stablediffusion的部署文章，有很多甚至是零基础或者一键安装的，但自己尝试之后才发现还是有很多坑，真正操作起来并没有那么容易。这些坑的来源主要是两个方面：一个是网络下载问题，另一个是docker中的GPU运行问题。写这篇文章的主要目的并非详细介绍环境构建的步骤，而是记录部署过程中踩过的坑，以及相关的解决方案。如果你已经尝试了docker版部署并遇到了问题
