🚀 Protogen x5.3（照片写实风格）官方发布版

Protogen x5.3是一款图像生成模型，由darkstorm2150研发。该模型基于Stable Diffusion进行微调，在人物及环境的图像生成上表现出色，能生成高分辨率、细节丰富的写实图像。

🚀 快速开始

模型下载与安装

要运行此模型，需下载 model.ckpt 文件，并将其安装到 stable-diffusion-webui\models\Stable-diffusion 目录中。

在线体验

我们支持 Gradio Web UI，你可以点击以下按钮在线体验：

✨ 主要特性

• 精细的图像生成：该模型在768px到1024px的分辨率下，对人物和周围环境的采样效果更佳，能够生成细节丰富、高度逼真的图像。
• 可定制性强：可以通过调整负向提示词和使用特定的模板，更好地控制生成图像的风格和内容。
• 支持多种格式：提供 .ckpt 和 .safetensors 两种格式的模型文件供用户选择。

📦 安装指南

要运行此模型，需下载模型文件并将其安装到指定目录：

1. 下载 model.ckpt 文件。
2. 将下载的文件安装到 stable-diffusion-webui\models\Stable-diffusion 目录中。

💻 使用示例

基础用法

from diffusers import StableDiffusionPipeline, DPMSolverMultistepScheduler
import torch

prompt = (
"modelshoot style, (extremely detailed CG unity 8k wallpaper), full shot body photo of the most beautiful artwork in the world, "
"english medieval witch, black silk vale, pale skin, black silk robe, black cat, necromancy magic, medieval era, "
"photorealistic painting by Ed Blinkey, Atey Ghailan, Studio Ghibli, by Jeremy Mann, Greg Manchess, Antonio Moro, trending on ArtStation, "
"trending on CGSociety, Intricate, High Detail, Sharp focus, dramatic, photorealistic painting art by midjourney and greg rutkowski"
)

model_id = "darkstorm2150/Protogen_v5.3_Official_Release"
pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16)
pipe.scheduler = DPMSolverMultistepScheduler.from_config(pipe.scheduler.config)
pipe = pipe.to("cuda")

image = pipe(prompt, num_inference_steps=25).images[0]

image.save("./result.jpg")

📚 详细文档

模型控制

• 负向提示词：建议在负向提示词中添加 nude、naked 等词汇，因为该模型生成的图像可能包含一些敏感内容。
• 写实风格模板：可以使用以下模板来生成更写实的图像：

modelshoot style, (extremely detailed 8k wallpaper),a medium shot photo of a (what you want here), Intricate, High Detail, dramatic

模型下载

• CKPT格式：
  • 下载 ProtoGen x5.3.ckpt (4.27GB)
  • 下载 ProtoGen x5.3-pruned-fp16.ckpt (1.89GB)
• Safetensors格式：
  • 下载 ProtoGen x5.3.safetensors (4.27GB)
  • 下载 ProtoGen x5.3-pruned-fp16.safetensors (1.89GB)

检查点合并数据参考

🔧 技术细节

粒度自适应学习

粒度自适应学习是一种机器学习技术，它专注于在细粒度层面上调整学习过程，而不是对模型进行全局调整。这种方法使模型能够适应数据中的特定模式或特征，而不是基于一般趋势做出假设。

粒度自适应学习可以通过主动学习等技术实现，主动学习允许模型选择它想要学习的数据；也可以通过强化学习实现，在强化学习中，模型会收到关于其性能的反馈，并根据该反馈进行调整。此外，还可以通过在线学习等技术实现，在线学习使模型在接收更多数据时自行调整。

粒度自适应学习通常用于数据高度多样化或非平稳的情况，以及模型需要快速适应变化模式的场景。这在机器人技术、金融市场和自然语言处理等动态环境中经常出现。

📄 许可证

通过下载此模型，即表示你同意以下许可证的条款：

• CreativeML Open RAIL - M
• Dreamlike License
• Seek Art Mega License