Gradio - Cronologia

Mindmakerbot il 16:26, 17 ago 2024

2024-08-17T16:26:58Z

← Versione meno recente		Versione delle 16:26, 17 ago 2024
Riga 6:		Riga 6:
	\|title=Gradio		\|title=Gradio
	\|title_mode=append		\|title_mode=append
	\|keywords="machine learning", apprendimento automatico, intelligenza artificiale, python, libreria, interfaccia, web, modello, sviluppo, applicazione, strumento"		\|keywords=machine learning, apprendimento automatico, intelligenza artificiale, python, libreria, interfaccia, web, modello, sviluppo, applicazione, strumento"
	\|description="Gradio è una libreria Python che semplifica la creazione di interfacce per modelli di machine learning, rendendoli utilizzabili tramite un'interfaccia web intuitiva."		\|description=Gradio è una libreria Python che semplifica la creazione di interfacce per modelli di machine learning, rendendoli utilizzabili tramite un'interfaccia web intuitiva.

	}}		}}

Mindmakerbot il 13:37, 17 ago 2024

2024-08-17T13:37:15Z

← Versione meno recente		Versione delle 13:37, 17 ago 2024
Riga 2:		Riga 2:

	[[Category:Strumento]]		[[Category:Strumento]]

			{{#seo:
			\|title=Gradio
			\|title_mode=append
			\|keywords="machine learning", apprendimento automatico, intelligenza artificiale, python, libreria, interfaccia, web, modello, sviluppo, applicazione, strumento"
			\|description="Gradio è una libreria Python che semplifica la creazione di interfacce per modelli di machine learning, rendendoli utilizzabili tramite un'interfaccia web intuitiva."

			}}

Alesaccoia il 10:01, 15 mar 2024

2024-03-15T10:01:03Z

← Versione meno recente		Versione delle 10:01, 15 mar 2024
Riga 1:		Riga 1:
	Gradio è una libreria [[Python]] che permette di creare facilmente interfacce per modelli di machine learning, rendendoli accessibili tramite un'interfaccia web.		Gradio è una libreria [[Python]] che permette di creare facilmente interfacce per modelli di machine learning, rendendoli accessibili tramite un'interfaccia web.

	[[Category:~~Concetto~~]]		[[Category:Strumento]]

Michela il 09:56, 15 mar 2024

2024-03-15T09:56:50Z

← Versione meno recente		Versione delle 09:56, 15 mar 2024
Riga 1:		Riga 1:
	Gradio è una libreria [[Python]] che permette di creare facilmente interfacce per modelli di machine learning, rendendoli accessibili tramite un'interfaccia web.		Gradio è una libreria [[Python]] che permette di creare facilmente interfacce per modelli di machine learning, rendendoli accessibili tramite un'interfaccia web.

			[[Category:Concetto]]

Lucia Terenzi: Pagina sostituita con 'Gradio è una libreria Python che permette di creare facilmente interfacce per modelli di machine learning, rendendoli accessibili tramite un'interfaccia web.'

2024-03-08T12:21:24Z

Pagina sostituita con 'Gradio è una libreria Python che permette di creare facilmente interfacce per modelli di machine learning, rendendoli accessibili tramite un'interfaccia web.'

← Versione meno recente		Versione delle 12:21, 8 mar 2024
Riga 1:		Riga 1:
	~~== Overview Parametri Globali ==~~		Gradio è una libreria [[Python]] che permette di creare facilmente interfacce per modelli di machine learning, rendendoli accessibili tramite un'interfaccia web.

	~~[[File:Overview global.png\|800px]]~~

	~~Questi sono i parametri globali di Stable Diffusion che esercitano un impatto generale sulle generazioni indipendentemente dal tool utilizzato. Abbiamo, da sinistra verso destra:~~

	*'''Stable Diffusion checkpoint'''
	** ''Cos'è'': La selezione del checkpoint stabilisce quale versione del modello di Stable Diffusion viene impiegata per il processo di refining. Di default viene proposto realisticVisionV51_v51VAE.safetensors [15012c538f], specializzato sulla generazione di immagini realistiche, ma è ~~possibile utilizzare~~ una ~~miriade di variazioni diverse del modello. Ne puoi trovare molti su Civit AI~~ [~~https://civitai.com/]~~
	** ''A cosa corrisponde dell'Architettura'': Consente di selezionare lo stato specifico dei pesi applicati al modello pre-addestrato di Stable Diffusion, risultato di un [~~[fine-tuning~~]] ~~finalizzato all'ottenimento~~ di ~~uno stile in particolare.~~
	** ''Come impatta l'Output'': Cambiare il checkpoint cambierà lo stile e, potenzialmente, la qualità delle immagini generate.

	*'''SD VAE'''
	** ''Cos'è'': la [[VAE]] serve in questo caso a migliorare la qualità dell'immagine generata, per ~~esempio attraverso l'apprendimento~~ di ~~una [[rappresentazione latente]] più efficiente dei dati. In sostanza~~, ~~agisce su come i dati vengono compressi e ricostruiti durante il processo di generazione.~~
	** ''A cosa corrisponde dell'Architettura'':
	~~Nella funzione di caricamento del modello, VAE SD è~~ un ~~argomento che se attivo inizializza il [[ciclo for]] qui sotto:~~

	~~def load_model_from_config(config, ckpt, verbose=False, vae_sd=None):~~
	~~print(f"Loading model from {ckpt}")~~
	~~pl_sd = torch.load(ckpt, map_location="cpu")~~
	~~msg = None~~
	~~if "global_step" in pl_sd:~~
	~~msg = f"This is global step {pl_sd['global_step~~']}. "
	~~if "model_ema.num_updates" in pl_sd["state_dict"]:~~
	~~msg += f"And we got {pl_sd['state_dict']['model_ema.num_updates']} EMA updates."~~
	~~global_step = pl_sd.get("global_step", "?")~~
	~~sd = pl_sd["state_dict"]~~
	~~if vae_sd is not None:~~
	~~for k in sd.keys():~~
	~~if "first_stage" in k:~~
	~~sd[k] = vae_sd[k[len("first_stage_model."):]]~~
	** ''Come impatta l'Output'': L'impatto dell'attivazione del VAE ("automatic") rispetto alla sua disattivazione ("none") varia a seconda del modello utilizzato, ma in generale si traduce in una migliore nitidezza, coerenza e qualità visiva generale.

	*'''[[Clip Skip]]([https://github.com/AUTOMATIC1111/stable-diffusion-webui/discussions/5674])'''
	** ''Cos'è'': Determina a quanti strati prima dell'ultimo viene interrotta l'elaborazione.
	** ''A cosa corrisponde dell'Architettura'': Va a troncare semplicemente il processo generativo.
	** ''Come impatta l'Output'': Più è alto il clip skip più la generazione sembra fermarsi a stadi molto primordiali di elaborazione, risultando in una generazione che pur essendo di qualità normale a livello di risoluzione, risulta completamente scollegata dal prompt. Alzare il clip skip può essere utile quando vogliamo generare un'immagine molto generica, la cui realizzazione non necessita che vengano scomodate molte sottocategorie. Ad esempio, se voglio un'immagine semplice di una mucca, senza necessità di particolari dettagli, probabilmente si potrà ottenere un risultato soddisfacente anche senza sfruttare tutti gli strati della rete.

	* Infine, in basso, troviamo la '''Barra di selezione del [[Tool]]

	~~== Tool ==~~
	* [[txt2img]]
	* img2img

Lucia Terenzi: Creata pagina con "== Overview Parametri Globali == 800px Questi sono i parametri globali di Stable Diffusion che esercitano un impatto generale sulle generazioni indipendentemente dal tool utilizzato. Abbiamo, da sinistra verso destra: *'''Stable Diffusion checkpoint''' ** ''Cos'è'': La selezione del checkpoint stabilisce quale versione del modello di Stable Diffusion viene impiegata per il processo di refining. Di default viene proposto realisticVisionV51..."

2024-03-08T12:15:00Z

Creata pagina con "== Overview Parametri Globali == 800px Questi sono i parametri globali di Stable Diffusion che esercitano un impatto generale sulle generazioni indipendentemente dal tool utilizzato. Abbiamo, da sinistra verso destra: *'''Stable Diffusion checkpoint''' ** ''Cos'è'': La selezione del checkpoint stabilisce quale versione del modello di Stable Diffusion viene impiegata per il processo di refining. Di default viene proposto realisticVisionV51..."

Nuova pagina

== Overview Parametri Globali ==

[[File:Overview global.png|800px]]

Questi sono i parametri globali di Stable Diffusion che esercitano un impatto generale sulle generazioni indipendentemente dal tool utilizzato. Abbiamo, da sinistra verso destra:

*'''Stable Diffusion checkpoint'''
** ''Cos'è'': La selezione del checkpoint stabilisce quale versione del modello di Stable Diffusion viene impiegata per il processo di refining. Di default viene proposto realisticVisionV51_v51VAE.safetensors [15012c538f], specializzato sulla generazione di immagini realistiche, ma è possibile utilizzare una miriade di variazioni diverse del modello. Ne puoi trovare molti su Civit AI [https://civitai.com/]
** ''A cosa corrisponde dell'Architettura'': Consente di selezionare lo stato specifico dei pesi applicati al modello pre-addestrato di Stable Diffusion, risultato di un [[fine-tuning]] finalizzato all'ottenimento di uno stile in particolare.
** ''Come impatta l'Output'': Cambiare il checkpoint cambierà lo stile e, potenzialmente, la qualità delle immagini generate.

*'''SD VAE'''
** ''Cos'è'': la [[VAE]] serve in questo caso a migliorare la qualità dell'immagine generata, per esempio attraverso l'apprendimento di una [[rappresentazione latente]] più efficiente dei dati. In sostanza, agisce su come i dati vengono compressi e ricostruiti durante il processo di generazione.
** ''A cosa corrisponde dell'Architettura'':
Nella funzione di caricamento del modello, VAE SD è un argomento che se attivo inizializza il [[ciclo for]] qui sotto:

def load_model_from_config(config, ckpt, verbose=False, vae_sd=None):
print(f"Loading model from {ckpt}")
pl_sd = torch.load(ckpt, map_location="cpu")
msg = None
if "global_step" in pl_sd:
msg = f"This is global step {pl_sd['global_step']}. "
if "model_ema.num_updates" in pl_sd["state_dict"]:
msg += f"And we got {pl_sd['state_dict']['model_ema.num_updates']} EMA updates."
global_step = pl_sd.get("global_step", "?")
sd = pl_sd["state_dict"]
if vae_sd is not None:
for k in sd.keys():
if "first_stage" in k:
sd[k] = vae_sd[k[len("first_stage_model."):]]
** ''Come impatta l'Output'': L'impatto dell'attivazione del VAE ("automatic") rispetto alla sua disattivazione ("none") varia a seconda del modello utilizzato, ma in generale si traduce in una migliore nitidezza, coerenza e qualità visiva generale.

*'''[[Clip Skip]]([https://github.com/AUTOMATIC1111/stable-diffusion-webui/discussions/5674])'''
** ''Cos'è'': Determina a quanti strati prima dell'ultimo viene interrotta l'elaborazione.
** ''A cosa corrisponde dell'Architettura'': Va a troncare semplicemente il processo generativo.
** ''Come impatta l'Output'': Più è alto il clip skip più la generazione sembra fermarsi a stadi molto primordiali di elaborazione, risultando in una generazione che pur essendo di qualità normale a livello di risoluzione, risulta completamente scollegata dal prompt. Alzare il clip skip può essere utile quando vogliamo generare un'immagine molto generica, la cui realizzazione non necessita che vengano scomodate molte sottocategorie. Ad esempio, se voglio un'immagine semplice di una mucca, senza necessità di particolari dettagli, probabilmente si potrà ottenere un risultato soddisfacente anche senza sfruttare tutti gli strati della rete.

* Infine, in basso, troviamo la '''Barra di selezione del [[Tool]]

== Tool ==
* [[txt2img]]
* img2img