无代码,零基础!掌握Stable Diffusion,创作出惊艳AI插画!(附SD秋叶安装包)

AI 绘画Stable Diffusion 研究(一)sd整合包v4.2 版本安装说明 大家好,我是风雨无阻。:可以不用下载,这里只是提供,按需下载,安装方法参考我的另一篇教程:Stable Diffusion 研究(二)模型ControlNet1.1 使用教程。那么从本期开始,我将持续更新Stable Diffusion 研究系列文章,带您从入门到精通,玩转Stable Diffusion。3、安装完成之后进入解压后的整合包目录:sd-webui-aki-v4, 直接双击 A启动器.exe 运行。启动器运行依赖,以前没使用过启动器的需要安装。后续版本更新,插件的更新,都在启动器内完成。 阅读详情

StableDiffusion是一款开源、免费的应用程序,因为其生态开放且发展迅速,所以不同时期的安装、配置方式可能都会有所变化。如果遇到什么安装上的问题可以评论提出,帮你解答。

在这里插入图片描述

预告:Stable Diffusion安装包已放至文末,需要的可以自提

关于Stable Diffusion

Stable Diffusion(简称SD)是2022年发布的一个深度学习文本到图像生成模型,由慕尼黑大学的CompVis研究团体首先提出,并与初创公司Stability
AI、Runway(不是runwsh哈)合作开发,同时得到了EleutherAI和LAION的支持。

它可以实现的功能有很多,可以根据文本的描述生成指定内容的图片(图生图),也可以用于已有图片内容的转绘(图生图),还可以用作图像的局部重绘、外补扩充、高清修复,甚至是视频的“动画化”生成。

SD的源代码是开源发布在网上的,这意味着任何人都可以免费、不限量地使用它进行AI绘画生成操作。有开发者使用它的源代码制作了易于用户使用的图形化界面(GUI),于是便有了今天我们大多数人手里可以使用的Stable
Diffusion WebUI(SD Web UI)。
在这里插入图片描述

【电脑配置的必要条件】

Stable Diffusion 不要求配置高,但是要求着显卡的性能及显存的大小!

最低配置要求:

在此配置条件下,约1-2分钟一张图,可绘制分辨率512 512像素。

在这里插入图片描述
较为推荐的配置:

在此配置条件下,约10-30秒一张图,可绘制分辨率1024 1024像素。

在这里插入图片描述

不知道自己显卡对应的等同性能是什么水平。可以参考:桌面显卡性能天梯图。
// 桌面显卡性能天梯图
https://www.mydrivers.com/zhuanti/tianti/gpu/

Q&A

Q:Mac能用Stable Diffusion吗?显卡用N卡好还是A卡好?
A:问就是都能用,但目前,Nvidia(英伟达、N卡)显卡是AIGC应用公认的最优解。
Q:我想买一台新电脑来跑图,应该怎么选?
A:非要这么问的话,购置一台N卡台式机是最佳的选择。

安装方式1:整合包安装Stable Diffusion

“整合包”一般指开发者对Automatic1111制作的Stable Diffusion
WebUI进行打包并使其程序化的一种方式。使用整合包,一般可以省去一些自主配置环境依赖、下载必要模型的功夫。首先推荐使用整合包,以下是一些我推荐的整合包:

秋葉aaaki

公认最适合新手使用的整合包之一,支持一键启动,含可调节多种程序参数的启动器,方便更新管理。

在这里插入图片描述

安装方式2:自主安装部署Stable Diffusion

—windows

  • 安装Python 3.10.6(勾选Add to PATH)和git

  • 从搜索栏打开命令提示符,然后键入

git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui

  • 双击webui-user.bat

—Linux

(基于 Debian)

输入以下命令,这会将 webui 安装到您的当前目录:

sudo apt install git python3.10-venv -y
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui && cd
stable-diffusion-webui
python3.10 -m venv venv

安装并运行:

./webui.sh {你的参数}

其他版本

// Red Hat-based
sudo dnf install git python3 -y && git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui && cd stable-diffusion-webui && ./webui.sh

// Arch-based
sudo dnf install git python3 -y && git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui && cd stable-diffusion-webui && ./webui.sh

备注:Python 3.10

 Installing Python 3.10
 
cd stable-diffusion-webui

sudo pacman -S pyenv
pyenv install 3.10.6
pyenv local 3.10.6

python -m venv venv

在这里插入图片描述
在这里插入图片描述

Stable-diffusion-webui本地部署和简要介绍 讲解如何在本地部署Stable-Diffusion-WebUI,以及简要介绍WebUI上提供的主要功能 阅读详情

相关推荐

tree_sitter多语言解析器配置实战指南

本文是一份详细的Tree-sitter多语言解析器配置实战指南。文章从零开始,手把手指导如何搭建Python环境、安装指定版本的tree-sitter库、下载并编译多种语言的语法规则,最终构建一个统一的解析器库。通过实战代码演示了如何初始化解析器、解析代码并遍历语法树,旨在帮助开发者高效处理多语言代码分析任务,并分享了高级技巧与常见问题排坑经验。

weixin_29245767的博客 269

SD安装部署教程(附2024最新安装包)

感兴趣的小伙伴,赠送全套AIGC学习资料,包含AI绘画、AI人工智能等前沿科技教程和软件工具,具体看这里。AIGC技术的未来发展前景广阔,随着人工智能技术的不断发展,AIGC技术也将不断提高。未来,AIGC技术将在游戏和计算领域得到更广泛的应用,使游戏和计算系统具有更高效、更智能、更灵活的特性。同时,AIGC技术也将与人工智能技术紧密结合,在更多的领域得到广泛应用,对程序员来说影响至关重要。未来,AIGC技术将继续得到提高,同时也将与人工智能技术紧密结合,在更多的领域得到广泛应用。

Everly_的博客 4616

11-4 AEB 算法原理及系统组成

本专题旨在探讨如何利用仿真软件开发自动紧急制动系统AEB,主要通过整理开发流程,实现从需求到验证的全流程掌握,为后续开发提供支持;同时,研究了如何在汽车自动驾驶仿真工具中开发自己的算法,并解决了从ISO、E-CNAP、GB/T以及交通法规等提炼出功能需求的问题,以快速实现原型模型的开发。本专题重点讲解了AEB的工作原理、系统/软件架构和需求、算法模型及实现、CCRs/CCRb/CCRm建模与仿真、VRU-AEB-B/P/M建模与仿真,同时还提供了测试用例,期待将AEB算法成功地产品化。

AIgraphX 8558

SD秋叶安装教程

秋葉aaaki。

KayanoWushio的博客 2万+

使用 pip 安装 pygame 遇到的问题

今天尝试学习使用 pygame 时,按照我的习惯一发 pip install 下去,本以为很简单的事情,没想到遇到了不少问题,顺手记录一下。 0x01. 无法找到 “SDL.h” 文件 pygame 是使用 SDL 库写就的游戏框架,自然强依赖于 SDL,我的 python@3 是使用 macOS 的 brew 管理器直接安装的,可能由于不是编译安装的问题,缺少了这个库,继续使用 brew 安...

Mitscherlich的博客 8622

特斯拉 Model 3解析(八)全面拆解特斯拉自动驾驶大脑:AP控制器硬核技术解析

算力极限:双FSD = 144 TOPS,专为AI推理优化。存储架构:LPDDR4 + NAND + NOR,保证高速/可靠启动。通信架构:以太网传视频,CAN传控制,TSN保障实时性。感知输入:多路摄像头 + 高速SerDes,满足全景感知。电源设计:功率模块+被动元件海洋,稳定性优先。功能安全:双芯片冗余 + GPS + 紧急呼叫,容错率极高。🎯 在我看来,特斯拉AP控制器就是一台“车载超算”,它在电源设计、存储架构和功能安全上远超一般新势力方案。

weixin_43199439的博客 1448

# 秋叶大佬的 SD 安装包(Stable Diffusion 附带安装教程)(最新版)

### Stable Diffusion 便携版:开源免费 AI 绘图神器 Stable Diffusion(简称 SD)是一款强大的开源 AI 绘画工具,支持本地电脑部署,免费生成图像,出图效率取决于设备配置。 早期 SD 版本安装需 Python 知识,部署复杂。**B 站大佬秋葉制作的一键安装包**解决了这一问题:无需技术基础,解压即可使用! 找到【sd-webui-aki-v4.2】这个文件夹,双击打开,并找到“A启动器.exe”这个文件,双击打开。

2401_85725028的博客 2135

图解ADAS电源系统架构:看懂这张图,搞懂前装摄像头的供电秘密!

别以为ADAS系统就是“摄像头 + SoC”,其实最难搞的是供电系统,尤其是要满足车规级ASIL-D安全等级时。供电时序、电压稳定性、电源监控、冗余通信链路,一个都不能少。😤一旦电源选型不对,轻则系统卡顿,重则全车失控,不是闹着玩的。

weixin_43199439的博客 677

# [特殊字符]秋叶大佬 Stable Diffusion 最新安装包来袭!附保姆级教程,小白也能轻松玩转 AI 绘画

Stable Diffusion(SD)是一款开源免费的AI绘画工具,凭借其高度可控性和丰富的模型生态,成为追求创作自由与效率的首选。秋叶大佬定制版SD特别适合新手,提供一键安装、集成热门模型与插件、适配多配置设备及全程教程指导,极大降低了使用门槛。SD支持本地运行,无需联网排队,保护隐私的同时提升效率。用户可以通过输入提示词生成图像,适合设计师、自媒体、游戏从业者及普通爱好者使用。安装包内模型均来自开源社区,仅供学习交流。SD的生成速度和质量取决于电脑配置,推荐使用RTX 3060Ti及以上显卡以获得更佳

HJS123456780的博客 1177

model_optimizer将pi05端到端延时进一步优化到68.13ms了

目前在保持灵活性和性能之间找到一个较好的平衡。vit, llm仍然使用onnx->trt_engine的路径,量化可以通过https://github.com/NVIDIA/Model-Optimizer.git支持。同时支持通过cutedsl手写算子进行进一步优化denoise因为步数多,kernel launch多,因此完全通过手写融合算子实现,将所有steps进行一次大的cuda graph capture.

happyAnger6的专栏 61

快速入门必看!RT-DETR手把手训练自己的数据集去跑实验,基于 ultralytics 仓库源码改进,配置虚拟环境,准备数据集、训练、验证、推理测试 ,实现0到1的完整教学过程。

本文介绍了使用Ultralytics框架训练RT-DETR模型的全流程。首先需要创建Python 3.10虚拟环境,安装指定版本的PyTorch和相关依赖包。然后准备数据集,修改配置文件,并详细介绍训练、验证和推理三个核心步骤的代码实现。训练阶段使用RTDETR类加载模型配置,设置训练参数;验证阶段评估模型性能;推理阶段可对图片、视频等进行预测。文中还提供了清华大学镜像源加速下载,以及详细的参数配置说明,帮助用户快速搭建RT-DETR目标检测模型。

Ai缝合怪、助力小伙伴高效发论文 5567

无代码,零基础!掌握Stable Diffusion,创作出惊艳AI插画!(附SD秋叶安装包)_webui 4.10(秋叶整合包)

StableDiffusion是一款开源、免费的应用程序,因为其生态开放且发展迅速,所以不同时期的安装、配置方式可能都会有所变化。如果遇到什么安装上的问题可以评论提出,帮你解答。预告:Stable Diffusion安装包已放至文末,需要的可以自提。

Python栈_基的博客 1180

10天冲刺国自然基金!用这套实战AI提示词指令教程,助你中标率翻倍!亲测DeepSeek和ChatGPT不好用

虽然以上国自然提示词指令经过反复实测,但并不是万能无脑帮你搞定所有,大模型AI的特性是你专业领域能力越强,它的智商表现就会更加强大,通过以上提示词教程的使用,大大提升中标概率是肯定的。还有就是大模型的使用上,不是市面上大家都说好的就一定适用,目前来看,Gemini和Claude的两个模型是非常适合国自然本子的修改的。在使用大模型进行国自然本子撰写修改时,首先是角色的设定,然后是目标和背景的描述,好用的提示词指令都是要经过无数次的实测,比对输出结果后又反复调整,达到最佳的效果状态的提示词指令。

智能AI让学术科研更容易 1248

秋叶大神中文版Stable Diffusion下载安装使用教程

(全套教程文末领取哈)

2401_84830464的博客 1706

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

Stable Diffusion 入门实操篇_哩布哩布ai和sd啥区别

AIGC技术的未来发展前景广阔,随着人工智能技术的不断发展,AIGC技术也将不断提高。未来,AIGC技术将在游戏和计算领域得到更广泛的应用,使游戏和计算系统具有更高效、更智能、更灵活的特性。同时,AIGC技术也将与人工智能技术紧密结合,在更多的领域得到广泛应用,对程序员来说影响至关重要。未来,AIGC技术将继续得到提高,同时也将与人工智能技术紧密结合,在更多的领域得到广泛应用。感兴趣的小伙伴,赠送全套AIGC学习资料和安装工具,包含AI绘画、AI人工智能等前沿科技教程,模型插件,具体看下方。

阿道夫的博客 2240

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

零基础学会AI绘画Stable Diffusion

自从去年10月份StableDiffusion开源以来,仅过了半年的时间,如今它已经能够创作出精美细致的二次元插画,媲美真人的赛博Coser,以及具有独特风格的AI动画。无论你只是感兴趣,还是想了解AI绘画的潜力,又或者希望通过它为自媒体创建内容,甚至构建一些工具站点,本篇教程都将帮助你实现这些目标或者给你带来一些思路。0.jpg这一技术的突破引起了许多人对AI绘画领域的关注。目前,AI绘画仍然是一个相对新的技能分支,在网上的教学内容相对有限,主要以视频教程为主。然而,视频教程并不容易回顾和参考。

Android_XG的博客 1027

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

秋叶大佬亲测!Stable Diffusion 最新安装包 + 保姆级教程(附避坑指南)

🔥免费开源AI绘画神器Stable Diffusion超全指南 核心优势:本地无限出图/支持文生图&图生图/适配电商/设计/插画等场景 秋叶优化版:内置爆款模型+预装加速插件+持续更新,比官方版提速50% 安装要点:需NVIDIA显卡/16G内存/按教程配置可避坑黑屏闪退问题 模型资源:推荐Civitai等平台下载不同风格模型(需搭配主模型使用) 新手技巧:用英文关键词描述画面,逐步添加细节优化生成效果 💡附:Win/Mac双版本安装包+视频教程+模型资源合集,解压即用免配置! (限学习交流,商

2401_85116933的博客 849

秋叶大佬亲授!Stable Diffusion 最新安装包 + 保姆级教程(附避坑指南)

🔥 免费开源的 Stable Diffusion 成为设计师新宠!本地无限出图、支持文生图/图生图/模型训练,适配电商设计、插画创作等场景。秋叶优化版集成热门模型和加速插件,安装简易:解压即用,支持Win/Mac系统。推荐配置RTX3060Ti显卡+16GB内存,新手可从基础提示词入门,逐步探索不同模型风格。包含安装包、视频教程及模型资源,助你快速掌握AI绘画技巧。(150字)

2401_85725028的博客 780

超详细!外婆都能看懂的Stable Diffusion入门教程,AI绘画SD零基础入门到精通教程!

如今的AI绘画界有两大最强工具,一个是Midjourney ,一个是StableDiffusion。Midjourney生成图片的质量非常高,可问题就是 Midjourney 的图片怎么精准的控制,或者是不改变某个物体的情况下更换背景等等,实在是太多问题了。不过确实,Midjourney 生成的图片很难精准的控制,随机性很高,需要大量的跑图,不过没关系,在社群小伙伴们的强烈建议下,我在这篇文章中为大家分享 SD 的教程。SD 效果图展示:动漫插画,就说这效果强不强吧…

A1353192296的博客 1326

Stable Diffusion超全入门指南,保姆级教程!从此作图不求人(内附安装包)

2023年AI绘画真的火了!打开各大平台刷到的基本上都是很多朋友想尝尝AI绘画的鲜,但是使用市场上的AI程序也好、软件也好,总是得不到自己想要的图片。今天使用的是全网认可度最高的ai工具:Stable Diffusion,所以给大家梳理了一下使用心得,包括从下载到安装再到使用的过程。先来展示下自己做的作品哟。如果你想学习但是又没有找到合适的方法!不知道怎么安装使用Stable Diffusion?那下边就跟着我进行操作吧,安装包使用的是b站大佬“秋葉aaaki”制作的整合程序。

libaiup的博客 1349
上一篇: Stable Diffusion【真人模型】:极致光影人像摄影MAX大模型
下一篇: 【Stable Diffusion】用AI给老照片上色,岁月不改它模样
不秃头de程序猿
博客等级 码龄5年 4091粉丝 1480原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值