EasyFluff
세부 정보
파일 다운로드
이 버전에 대해
모델 설명
2024년 3월 29일 업데이트: Fluffusion R3를 기반으로 한 더 실험적인 개인 병합 모델이 공개되었습니다. 이 병합 모델은 이 모델 시리즈의 이전 버전들과 다릅니다. 따라서 이전과 같은 명명 체계로 명명되지 않습니다. v-예측 모델이므로 YAML 또는 샘플링 노드를 기억하세요. Fluffusion은 CLIP skip 2로 학습되었으므로 선택한 UI에서 이를 설정해야 합니다.
아래 정보는 오래된 정보입니다. 이외에는 없습니다.
결과가 과도하게 채도되거나 매끄럽고 디테일이 부족하거나 아예 결과가 나오지 않나요? 다음 내용을 읽어주세요!
이 모델은 terminal-SNR v-예측 모델이며, 모델과 함께 구성 파일과 CFG Rescale WebUI 확장 프로그램이 필요합니다. 자세한 정보와 ComfyUI에 해당하는 설정은 아래에 있습니다.
이 모델을 실행하는 방법
- 이 모델은 terminal-SNR v-예측 모델이며, v-예측 모드로 모델을 로드하려면 보조 구성 파일이 필요합니다. 파일 드롭다운에서 다운로드하여 모델과 같은 폴더에 저장하세요.
- 또한 https://github.com/Seshelle/CFG_Rescale_webui가 필요합니다. 이 확장 프로그램은 확장 탭에서 이 저장소 링크를 URL 설치 섹션에 복사하여 설치할 수 있습니다. 확장 프로그램 제작자는 CFG Rescale 값을 0.7로 추천합니다. 설치 후 CFG Rescale 슬라이더는 생성 파라미터 아래, 스크립트 섹션 위에 나타납니다. CFG Rescale 없이 추론을 실행하면 다음 연구 논문에서 설명한 결과가 나올 수 있습니다.
- ComfyUI를 사용 중이라면 https://github.com/comfyanonymous/ComfyUI_experiments에서 sampler_rescalecfg.py 노드를 사용해야 합니다.
이 모델에 프롬프트를 주는 방법
- V7부터 자연어 프롬프트가 이 모델에 큰 영향을 미칩니다. 모든 것을 이해할 수는 없지만, 원하는 방향으로 이끌어줄 수 있습니다. 더 이상 효과를 끌어내지 못할 때는 e621 태그를 사용해 프롬프트를 세밀하게 조정할 수 있습니다. (태그만 사용해도 괜찮습니다.)
- 원하는 내용을 간단히 자연어로 시작한 후, e621 태그를 추가해 구체적인 개념을 보완하세요. 이 모델은 v-예측 모델이므로 프롬프트 해석이 좀 더 직역적일 수 있습니다.
- SD 1.5에서 사용하던 많은 플레이버 단어와 아티스트 이름이 다시 작동합니다.
- PolyFur는 MiniGPT-4 캡션으로 학습되었으므로, 프롬프트를 꽤 화려하게 구성하고 문장 단위로 사용해 보세요. (미리보기 이미지의 생성 정보를 확인하세요.)
- 정해진 캐릭터가 정확히 나오지 않는다면, 해당 토큰의 강도를 높이고 외형을 묘사하는 암시적 태그를 몇 개 추가해 보세요. FluffyRock 데이터셋에 이미지가 적거나 인기가 낮은 캐릭터는 LORA 없이 잘 나오지 않는다는 점을 유의하세요.
- 특히 close-up 같은 카메라 각도 키워드에 너무 강한 가중치를 주지 마세요.
- 576에서 1088까지의 해상도는 FluffyRock의 학습 범위이므로 적절히 작동합니다.
모델 정보 및 생성 과정
이제 V8.1이 제공됩니다. 앞으로 일정 기간 동안 마지막 주요 버전입니다. 현재 Feffy의 퀄리티 태그 LORA는 내장되지 않았으므로 별도의 LORA로 사용하는 것을 추천합니다. V4-V6까지 @Feffy의 퀄리티 태그 LORA는 이 모델의 FluffyRock 부분에 내장되어 있었습니다. 긍정/부정 프롬프트에 masterpiece, best quality, worst quality, low quality, normal quality를 추가하세요.
이 모델은 "Train Difference" 혼합 방식(자세한 내용: https://github.com/hako-mikan/sd-webui-supermerger/blob/main/calcmode_en.md#traindifference)으로, FluffyRock와 PolyFur를 다양한 기반 모델에 결합하여 e621 태그 외의 개념에 대한 텍스트 인코더의 프롬프트 범위와 이해력을 확장한 것입니다. 이 방법은 전통적인 병합이나 블록 병합과 다르며, 이전에 사용했던 "Add Difference"와 혼동하지 마세요. 현재 기반 모델은 다양한 비율로 6개의 비퍼리 모델을 혼합한 것으로, 대부분도 프롬프트 능력 범위를 넓힌 병합 모델들입니다. V6부터 CLIP 튜닝과 블록 병합이 더 복잡해졌습니다.