ControlNet — 12 jinis conditioning ing siji piranti
Ngaupload gambar rujukan, pilih jinis conditioning, nuliskeun peringatan. AI ngajaga struktur rujukan anjeun (garis, pose, kedalaman, jsb) sarta ngahasilkeun isi anyar dina gaya naon waé. Didukung ku ControlNet-Union SDXL ProMax — Apache 2.0, lengkep ramah-pangguna komersial.
Hasil
Cara ControlNet kerja
ControlNet ngamungkinkeun anjeun ngawatesan panghasilan gambar ku struktur gambar rujukan, lain ngan ngagantungkeun kana patarosan teks. Preprocessor maca rujukan anjeun sarta ngabédakeun hiji sinyal conditioning — pinggiran, peta kedalaman, kerangka pose jalma, jsb. Model diffusion dikustomisasi kana sinyal éta, sedengkeun patarosan mutuskeun gaya, warna, cahya, jeung subjek. Hasilna ngajaga komponén anu leres anu anjeun asupkeun tapi katingalina kawas hal anu lengkep anyar.
Alat ieu didukung ku ControlNet-UnionSDXL ProMax (Apache 2.0) — hiji model anu ngarti sadaya 12 jinis conditioning di handap, ku kituna anjeun bisa ngaganti antara aranjeunna ti hiji pemilih tanpa ngamuat jaringan anu béda unggal waktos. Éta lengkep ramah-pamakéan komersial: jaga, jual, atanapi modifikasi naon waé anu anjeun hasilkeun.
The 12 jinis conditioning
Canny
Penemuan pinggiran cerah. Paling saé pikeun ngajaga garis-garis cerah sareng garis-garis bersih.
Jarak
Peta kedalaman 3D. Ngajaga tata letak spasial — naon anu caket sareng naon anu jauh.
Pos
Kerangka awak OpenPose. Ngunci posisi posisi awak jeung suku.
Scribble
Sawetara karyane wis diterbitake ing majalah-majalah seni.
Segmentasi
Peta wewengkon anu dikodekeun ku warna. Tetepkeun unggal wewengkon adegan ka kelas.
Biasa
Peta permukaan-normal. Ngajaga orientasi permukaan 3D lan bump.
Gambar garis
Kauntungan utamana nyaéta gampang digawé, gampang disimpen, lan gampang diunduh.
Lapisan
Kauntungan tina gawé bareng ieu nyaéta bisa ngahasilkeun produk anu langkung saé tibatan anu sanés.
MLSD
Segmen garis lurus. Dijieun pikeun arsitektur, interior, sarta poto produk.
Tiles
Kauntungan tina gawé bareng nyaéta ngaronjatkeun kualitas sarta efisiensi produksi.
Inpaint
Sacara umum, gambar anu dihasilkeun bisa diolah ku cara diukir.
Repaint / outpaint
Ngalegaan kanvas atawa ngagambar deui wewengkon bari ngahormat struktur sakurilingna.
Tiga langkah
- Unggah gambar rujukan — poto, sketsa, screenshot, naon waé anu strukturna anjeun hoyong jaga.
- Pilih jinis conditioning anu cocog sareng naon anu anjeun pikahoyong (pose pikeun gambar, kedalaman pikeun adegan, canny atanapi lineart pikeun garis-garis anu bersih).
- Tulis hiji peringatan nu ngajelaskeun rupa nu anjeun pikahoyong sarta hasilkeun. Naékkeun kakuatan kontrol pikeun nuturkeun rujukan leuwih ketat, turunkeun pikeun kebebasan kreatif anu leuwih.
ControlNet — 12 jinis conditioning ing siji piranti — FAQ
Alat tunggal nu ngabuktikeun sadaya 12 jinis conditioning ti model ControlNet-Union SDXL ProMax — canny, pose, depth, scribble, lineart, anime-lineart, MLSD, HED, soft-edge, normal, segmentation, jeung tile. Pilih hiji jinis conditioning, lebetkeun gambar rujukan, tuliskeun peringatan, sarta SDXL bakal ngahasilkeun gambar anyar nu ngalaksanakeun struktur rujukan anjeun.
img2img ngalukis deui langsung kana input — warna, margi, AND geometri dicampurkeun jeung peringatan. ControlNet ngaleupaskeun warna-warna sarta ngan ngajaga sinyal struktural anu dipilih (garis, kerangka pose, peta kedalaman, jsb). Ieu ngamungkinkeun anjeun pikeun sacara radikal ngaganti isi bari ngajaga komposisi anu kokoh. Kontrol struktural anu jauh langkung kuat tibatan img2img.
Canny / lineart pikeun input garis-karya bersih. Anime-lineart pikeun input garis-gaya anime. Scribble / soft-edge / HED pikeun sketsa kasar jeung doodles. Pose pikeun nyalin posisi awak ti hiji foto. Depth pikeun ngajaga geometri adegan / tata letak 3D. MLSD pikeun ngajaga garis lurus (arsitektur / interior). Normal pikeun ngajaga orientasi permukaan jeung volume. Segmentation pikeun ngajaga wewengkon. Tile pikeun ngaronjatkeun atawa ngaronjatkeun variasi gambar anu aya.
ControlNet-Union SDXL ProMax (xinsir, Apache 2.0) ngawengku sadaya 12 jaringan conditioning kana hiji 2.5 GB bobot. Deployments leuwih lami ngundeur hiji ~2.5 GB bobot terpisah per jenis - switching antara canny jeung pose hartosna a cold-start. The union model loading sakali jeung tetep panas, jadi unggal jenis conditioning sub-detik sanggeus panggilan kahiji.
Ya. ~1,200 tokens per render (1,000 basis SDXL + 20% ControlNet conditioning surcharge). Pamaké anu didaptarkeun meunang 30,000 tokens bébas unggal poé - ngeunaan 25 conditioned renders per poé tanpa biaya. Anonim: 2,500 tokens / poé (~2 renders).
Ya — slider kakuatan kontrol (laos 0.7) nangtukeun sabaraha ketatna hasilna nurutkeun rujukan anjeun. 1.0 = ketat (hasilna katingalina kawas rujukan anjeun anu digambar deui). 0.4 = lempeng (prompt leuwih bebas). Turunkeun pikeun variasi kreatif, naekkeun lamun kajujuran penting.
Pamutahiran standar SDXL - 768 × 1024 potret, 1024 × 768 lanskap, 1024 × 1024 persegi - sadayana damel. Output anu langkung ageung konsumsi langkung VRAM sareng token; H200 ngadukung dugi ka 1024 × 1024 kalayan nyaman.
Gambar rujukan diolah langsung, kondisioner diekstraksi, saterusna berkas rujukan dihapus. Ngan peringatan + render panungtungan anu tetep dina /account/?tab=history. Teu pernah digunakeun pikeun latihan. /privacy/ pikeun kawijakan pinuh.
ControlNet-Union SDXL ProMax dirilis dina Apache 2.0 — lengkep permisif, kalebet panggunaan komersial. Dasar SDXL nyaéta OpenRAIL++. Kaduana ngamungkinkeun panggunaan komersial; gambar anu dihasilkeun ku anjeun milik anjeun pikeun dianggo sacara komersial tanpa royalti.
Model anu sami, kualitas anu sami, sinyal conditioning anu sami. ComfyUI sareng A1111 peryogi GPU lokal kalayan 12+ GB VRAM plus setup. Kami ngajalankeun éta dina infrastruktur dibagikeun kalayan kolam gratis anu saé - henteu diinstal, henteu peryogi GPU.
Panggero kahiji ngunggah beurat Uni (~2.5 GB) kana cache GPU sareng ngaduruk pipa SDXL. Hayang 30-60 detik dina panyungsi anu munggaran saatos dilaksanakeun atanapi diusir LRU. Panggero salajengna dina beban anu khas balik dina 4-7 detik.
Ya — POST multipart ka /v1/image/generate/ kalawan model=sdxl (atawa model=controlnet-union-sdxl-promax), prompt, control_image (file), control_type=<hiji tina: canny, pose, depth, scribble, lineart, anime-lineart, mlsd, hed, soft-edge, normal, segmentation, tile>, pilihan control_strength (0.1-1.5). Bearer auth, 10K tokens bébas/bulan. /api/ boga conto curl.