Animagine XL

Cómo usar:

Descargue Animagine XL aquí, el modelo está en formato .safetensors.

Debe usar etiquetas de estilo Danbooru como indicaciones en lugar de lenguaje natural, de lo contrario, obtendrá un resultado realista en lugar de anime.

Puede usar cualquier indicación negativa genérica o usar la siguiente indicación negativa sugerida para guiar al modelo hacia generaciones estéticamente agradables:

lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, normal quality, jpeg artifacts, signature, watermark, username, blurry

Y, lo siguiente también debe anteceder a las indicaciones para obtener resultados estéticamente elevados:

masterpiece, best quality

Use esta hoja de trucos para encontrar la mejor resolución:

• 768 x 1344: Vertical (9:16)
• 915 x 1144: Retrato (4:5)
• 1024 x 1024: Cuadrado (1:1)
• 1182 x 886: Foto (4:3)
• 1254 x 836: Paisaje (3:2)
• 1365 x 768: Pantalla ancha (16:9)
• 1564 x 670: Cinemático (21:9)

Apoyamos también una interfaz web Gradio y Colab con Diffusers para ejecutar Animagine XL:

Ejemplo de código para ejecutar el modelo:

import torch
from torch import autocast
from diffusers import StableDiffusionXLPipeline, EulerAncestralDiscreteScheduler

model = "Linaqruf/animagine-xl"

pipe = StableDiffusionXLPipeline.from_pretrained(
    model,
    torch_dtype=torch.float16,
    use_safetensors=True,
    variant="fp16"
)

pipe.scheduler = EulerAncestralDiscreteScheduler.from_config(pipe.scheduler.config)
pipe.to('cuda')

prompt = "face focus, cute, masterpiece, best quality, 1girl, green hair, sweater, looking at viewer, upper body, beanie, outdoors, night, turtleneck"
negative_prompt = "lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, normal quality, jpeg artifacts, signature, watermark, username, blurry"

image = pipe(
    prompt,
    negative_prompt=negative_prompt,
    width=1024,
    height=1024,
    guidance_scale=12,
    target_size=(1024,1024),
    original_size=(4096,4096),
    num_inference_steps=50
).images[0]

image.save("anime_girl.png")