Como criar uma imagem de IA generativa com o Amazon Sagemaker

O mundo da inteligência artificial (IA) testemunhou avanços notáveis ​​nos últimos anos, e a IA geradora de imagens surgiu como um dos campos mais cativantes e em rápida evolução. Essa tecnologia de ponta nos capacita a criar imagens impressionantes e realistas a partir de meras descrições de texto, abrindo um reino de possibilidades criativas ilimitadas.

Modelos de IA geradores de imagem alavancam algoritmos de aprendizado profundo e vastas quantidades de dados de treinamento para aprender e entender os padrões e relacionamentos intrincados entre texto e representações visuais. Ao fornecer um prompt textual simples, esses modelos podem sintetizar imagens inteiramente novas que se alinham notavelmente com a descrição fornecida, capturando detalhes, estilos e composições intrincados.

O que é o Amazon Sagemaker?

O Amazon SageMaker , um serviço de machine learning totalmente gerenciado da AWS, simplifica o fluxo de trabalho de machine learning de ponta a ponta, permitindo construção, treinamento e implantação de modelos rápidos e eficientes. Ele abstrai tarefas complexas de infraestrutura, permitindo que desenvolvedores e cientistas de dados se concentrem em seus objetivos principais e acelerem o tempo de lançamento no mercado.

O SageMaker oferece uma ampla gama de algoritmos integrados, modelos pré-treinados e suporte para modelos personalizados, garantindo flexibilidade e acesso aos últimos avanços, incluindo modelos de IA generativos de imagem. Sua interface amigável, o SageMaker Studio, fornece um ambiente de desenvolvimento integrado para codificação, teste e implantação perfeitos, aprimorando a colaboração e simplificando o processo de desenvolvimento.

A integração perfeita com serviços da AWS como Amazon S3, EC2 e SageMaker Ground Truth permite que os usuários utilizem o ecossistema da AWS para uma experiência de aprendizado de máquina suave por completo. Recursos avançados como ajuste automático de modelo, treinamento distribuído e implantação integrada, juntamente com ferramentas robustas de monitoramento e registro, otimizam o desempenho e a escalabilidade do modelo. O SageMaker ajuda as organizações a agilizar seus projetos de aprendizado de máquina, reduzir a sobrecarga operacional e fornecer soluções de IA inovadoras.

Introdução ao Amazon Sagemaker

Iniciar o Amazon SageMaker Studio a partir do console é um processo simples que permite que você acesse um ambiente de desenvolvimento totalmente integrado para machine learning. Siga estas etapas para começar:

1. Abra o console do Amazon SageMaker
2. No painel de navegação esquerdo, localize e selecione a opção "Estúdio".
3. Na landing page do Studio, você verá uma lista de domínios e perfis de usuário disponíveis. Selecione o domínio e o perfil de usuário apropriados que você deseja usar para iniciar o Studio.
4. Após selecionar o domínio e o perfil do usuário, clique no botão "Abrir Estúdio".
5. Para finalizar o lançamento, escolha "Iniciar Estúdio Pessoal".

Seguindo essas etapas, você poderá acessar rapidamente o Amazon SageMaker Studio e começar a aproveitar seus poderosos recursos para seus projetos de aprendizado de máquina.

Escolha um JumpStart

O modelo Stable Diffusion 2 nos permite criar imagens a partir de uma simples linha de texto, tornando-o ideal para gerar conteúdo como postagens em mídias sociais, materiais promocionais, capas de álbuns e outras artes criativas.

Para usar este modelo, no JumpStart, procure por "Stable Diffusion 2" e selecione-o.

Em seguida, na seção "Implantar modelo", clique para expandir a "Configuração de implantação".

Para a instância de hospedagem do SageMaker, escolha o tipo de instância desejado. Para este exemplo, estamos usando ml.g5.2xlarge .

No campo "Nome do endpoint", digite demo-stabilityai-stable-diffusion-v2 .

Clique no botão "Implantar" para iniciar o processo de implantação.

Observe que a implantação de modelos maiores pode levar algum tempo. Nesse caso, pode levar até 25 minutos. Assim que a implantação for concluída, o status do endpoint será atualizado para "Em serviço".

Selecione "Abrir Notebook" para acessar um notebook Jupyter com código Python.

Aqui está o código para a caixa notificada como 2.

import boto3
import matplotlib.pyplot as plt
import numpy as np
import json

E aqui está a caixa 3.

endpoint_name = 'jumpstart-dft-demo-stabilityai-stable-diffusion-v2'
def query-endpoint(text):
	client = boto3.client('runtime.sagemaker')
    
    encoded_text = json.dumps(text).encode("utf-8")
    response = client.invoke_endpoint(EndpointName=endpoint_name, ContentType='application/x-text', Body=encoded-text, Accept='application/json')
    
    return response
    
def parse-response(query_response):
	response_dict = json.loads(query_response['Body'].read())
    return response_dict['generated_image'], response-dict['prompt']
    
def display-image(img,prmpt):
	plt.figure(figsize=(12,12))
    plt.imshow(np.array(img))
    plt.axis('off')
    plt.title(prmpt)
    plt.show()

Agora, para iniciar o processo, execute as duas primeiras caixas.

Na terceira caixa, digite o prompt e execute o bloco.

Agora você precisa esperar um minuto ou meio para ver o resultado.

Se quiser, há muitas opções avançadas para brincar. E a melhor parte é que ele gera uma imagem totalmente nova toda vez.

Lembre-se de excluir seu endpoint após o uso. Como estamos usando a instância ml.g5.2xlarge, ela incorre em cobranças mais altas, em torno de US$ 1 por hora no momento da escrita.

Encerrando

Ao aproveitar os recursos do Amazon SageMaker , você pode desbloquear o potencial ilimitado da IA ​​geradora de imagens, alimentando sua criatividade e revolucionando a maneira como você aborda a criação de conteúdo visual. Seja você um artista buscando novas avenidas para expressão, um profissional de marketing que precisa de visuais atraentes ou um designer de produtos explorando a prototipagem virtual, essa tecnologia oferece uma riqueza de oportunidades.