VolgendeVolgende gids
Generatie van beeld-naar-3D-modellen
Visuele AI
Visuele AI-GIDS
Een zaadje bij het genereren van AI-beelden is het getal dat de generator voor willekeurige getallen start, die de initiële ruis produceert.
Luister naar deze gidsAI-verteld · ~3 min
Met hetzelfde zaad, dezelfde prompt, hetzelfde model en dezelfde instellingen zal een diffusiemodel normaal gesproken hetzelfde beeld reproduceren. Met Seeds kun je een resultaat reproduceren, gecontroleerde variaties maken en instellingen eerlijk vergelijken, hoewel exacte overeenkomsten verschillende software, hardware of modellen kunnen doorbreken.
Diffusiemodellen vertrekken van pure willekeurige ruis en verfijnen deze stap voor stap tot een beeld. Dat geluid is niet echt willekeurig. Het komt van een pseudo-willekeurige getallengenerator, die dezelfde reeks getallen produceert wanneer deze vanuit hetzelfde zaad begint. Voor Stable Diffusion 1.5 bij 512 bij 512 pixels vult het zaad een latente tensor van 4 kanalen met 64 bij 64 waarden, en alles wat het model tekent, groeit uit dat patroon. Grote vormen, zoals waar een figuur staat of waar de horizon valt, worden meestal in de eerste stappen bepaald, waardoor het zaad de compositie sterk beïnvloedt. Voor het reproduceren van een afbeelding is meer nodig dan het zaadje. Je hebt ook dezelfde modelgewichten, prompt, negatieve prompt, resolutie, sampler, stappentelling en begeleidingsschaal nodig, plus eventuele extra's zoals LoRA's of ControlNet-ingangen. Als u de resolutie wijzigt, verandert de vorm van de ruistensor, zodat hetzelfde zaadje een niet-gerelateerd beeld oplevert. Veel tools geven elke afbeelding in een batch het volgende startnummer, dus de vierde afbeelding in een batch is vaak het startnummer plus drie. Exacte reproductie kan nog steeds mislukken. De CPU- en GPU-willekeurige generatoren in bibliotheken zoals PyTorch produceren verschillende reeksen uit hetzelfde zaad. Sommige GPU-bewerkingen zijn niet-deterministische, half-precieze wiskunderondes die anders zijn op verschillende hardware, en geheugenbesparende aandachtscode kan kleine waarden veranderen die over vele stappen groeien. Ancestral-samplers voegen bij elke stap nieuwe ruis toe, waardoor de kans groter wordt dat de resultaten uiteenlopen. Een ander model, of een nieuwe versie van hetzelfde model, verandert identieke ruis in een heel ander beeld. Er bestaan geen universeel ‘goede zaden’. Een zaadje dat goed werkt voor één vraag en model heeft nergens anders een speciale kwaliteit. Met variatiefuncties, die samenvloeien in een tweede 'variatiezaad', kunt u afbeeldingen in de buurt verkennen terwijl de algehele lay-out behouden blijft.
Een ontwerper houdt van een compositie die is gegenereerd met zaad 123456, dus houdt ze dat zaad vast en verandert 'rood jasje' in 'blauw jasje' om een nauw verwante scène te krijgen waarin één detail is gewijzigd.
Een team dat twee monsternemers vergelijkt, geeft bij elk van hen dezelfde prompt weer voor dezelfde vijf zaden, dus eventuele verschillen komen eerder van de monsternemer dan van geluk.
Een Midjourney-gebruiker voegt de parameter --seed toe om een prompt opnieuw uit te voeren vanaf hetzelfde startpunt, en ontdekt vervolgens dat de resultaten nog steeds verschillen tussen de modelversies.
Een hobbyist deelt een zaadje en volledige instellingen op een forum, maar een andere gebruiker met een andere GPU en softwareversie krijgt een vergelijkbaar, niet identiek, beeld.
Seeds blijven een basiscontrole voor lokale en open modellen, waarbij gebruikers elke parameter kunnen zien. Gehoste producten variëren: sommige leggen zaden bloot, terwijl andere ze verbergen of wijzigingen aan de serverzijde aanbrengen die exacte reproductie onmogelijk maken. Autoregressieve en hybride beeldmodellen maken ook gebruik van willekeur bij het nemen van steekproeven, zodat het idee van een zaadje overeind blijft, zelfs als de mechanismen verschillen. Betere tools voor het vastleggen van complete generatierecepten, inclusief bibliotheekversies en hardware, zouden het gemakkelijker maken om resultaten te delen en te controleren. Wat Seeds niet kunnen doen, is een identieke output garanderen voor alle modelversies, omdat elke verandering in de gewichten verandert hoe ruis een afbeelding wordt.
Gratis nieuwsbrief
Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.
Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.
Test jezelf
Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.
Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie
Een zaadje bij het genereren van AI-beelden is het getal dat de generator voor willekeurige getallen start, die de initiële ruis produceert. Met hetzelfde zaad, dezelfde prompt, hetzelfde model en dezelfde instellingen zal een diffusiemodel normaal gesproken hetzelfde beeld reproduceren. Met Seeds kun je een resultaat reproduceren, gecontroleerde variaties maken en instellingen eerlijk vergelijken, hoewel exacte overeenkomsten verschillende software, hardware of modellen kunnen doorbreken.
Het zaad initialiseert de generator voor willekeurige getallen die de initiële ruis produceert, en het model verfijnt die ruis in het beeld.
Een andere resolutie heeft een latent van andere grootte nodig, dus de gegenereerde ruis wordt anders ingedeeld en de compositie verandert volledig.
Grote vormen en lay-out worden al vroeg in het ontruisen vastgelegd en groeien direct uit het startgeluid dat het zaad produceert.
Bibliotheken zoals PyTorch gebruiken afzonderlijke implementaties van willekeurige generatoren op elk apparaat, zodat hetzelfde zaad verschillende getallen oplevert.
Veel tools nummeren batchzaden opeenvolgend, dus de afbeeldingen gebruiken 500, 501, 502 en 503.
Blijf leren
Er zijn meer handleidingen voor dit onderwerp geselecteerd
VolgendeVolgende gids
Generatie van beeld-naar-3D-modellen
Visuele AI