Как создать генеративное изображение с помощью ИИ с помощью Amazon Sagemaker

Мир искусственного интеллекта (ИИ) стал свидетелем замечательных достижений в последние годы, и ИИ, генерирующий изображения, стал одной из самых захватывающих и быстро развивающихся областей. Эта передовая технология позволяет нам создавать потрясающие, реалистичные изображения из простых текстовых описаний, открывая сферу безграничных творческих возможностей.

Модели искусственного интеллекта, генерирующие изображения, используют алгоритмы глубокого обучения и огромные объемы обучающих данных для изучения и понимания сложных закономерностей и взаимосвязей между текстом и визуальными представлениями. Предоставляя простую текстовую подсказку, эти модели могут синтезировать совершенно новые изображения, которые замечательно соответствуют заданному описанию, захватывая сложные детали, стили и композиции.

Что такое Amazon Sagemaker?

Amazon SageMaker , полностью управляемый сервис машинного обучения от AWS, упрощает сквозной рабочий процесс машинного обучения, обеспечивая быстрое и эффективное построение моделей, обучение и развертывание. Он абстрагирует сложные инфраструктурные задачи, позволяя разработчикам и специалистам по данным сосредоточиться на своих основных целях и ускорить время выхода на рынок.

SageMaker предлагает широкий спектр встроенных алгоритмов, предварительно обученных моделей и поддержку пользовательских моделей, обеспечивая гибкость и доступ к последним достижениям, включая модели искусственного интеллекта для генерации изображений. Его удобный интерфейс, SageMaker Studio, предоставляет интегрированную среду разработки для бесшовного кодирования, тестирования и развертывания, улучшая совместную работу и оптимизируя процесс разработки.

Бесшовная интеграция с сервисами AWS, такими как Amazon S3, EC2 и SageMaker Ground Truth, позволяет пользователям использовать экосистему AWS для полноценного машинного обучения. Расширенные функции, такие как автоматическая настройка модели, распределенное обучение и встроенное развертывание, а также надежные инструменты мониторинга и ведения журнала оптимизируют производительность и масштабируемость модели. SageMaker помогает организациям ускорить свои проекты машинного обучения, сократить операционные издержки и предоставлять инновационные решения ИИ.

Начало работы с Amazon Sagemaker

Запуск Amazon SageMaker Studio из консоли — это простой процесс, который позволяет получить доступ к полностью интегрированной среде разработки для машинного обучения. Выполните следующие шаги, чтобы начать:

1. Откройте консоль Amazon SageMaker
2. В левой навигационной панели найдите и выберите опцию «Студия».
3. На целевой странице Studio вы увидите список доступных доменов и профилей пользователей. Выберите соответствующий домен и профиль пользователя, которые вы хотите использовать для запуска Studio.
4. После выбора домена и профиля пользователя нажмите кнопку «Открыть студию».
5. Для завершения запуска выберите «Запустить персональную студию».

Выполнив эти шаги, вы сможете быстро получить доступ к Amazon SageMaker Studio и начать использовать его мощные функции для своих проектов машинного обучения.

Выберите JumpStart

Модель Stable Diffusion 2 позволяет нам создавать изображения из простой строки текста, что делает ее идеальной для создания контента, такого как посты в социальных сетях, рекламные материалы, обложки альбомов и другие творческие произведения искусства.

Чтобы использовать эту модель, в JumpStart найдите «Stable Diffusion 2» и выберите ее.

Затем в разделе «Модель развертывания» щелкните, чтобы развернуть «Конфигурация развертывания».

Для экземпляра хостинга SageMaker выберите желаемый тип экземпляра. Для этого примера мы используем ml.g5.2xlarge .

В поле «Имя конечной точки» введите demo-stabilityai-stable-diffusion-v2 .

Нажмите кнопку «Развернуть», чтобы начать процесс развертывания.

Обратите внимание, что развертывание более крупных моделей может занять некоторое время. В этом случае это может занять до 25 минут. После завершения развертывания статус конечной точки изменится на «В обслуживании».

Выберите «Открыть блокнот», чтобы получить доступ к блокноту Jupyter с кодом Python.

Вот код для ящика, обозначенного как 2.

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

А вот для ящика 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()

Теперь, чтобы начать процесс, запустите первые два поля.

В третьем поле введите подсказку и запустите блок.

Теперь вам нужно подождать минуту или полторы, чтобы увидеть результат.

Если хотите, есть много дополнительных опций, с которыми можно поиграться. И самое лучшее — это то, что каждый раз генерируется совершенно новая картинка.

Не забудьте удалить конечную точку после использования. Поскольку мы используем экземпляр ml.g5.2xlarge, он влечет более высокую плату, около 1 доллара в час на момент написания статьи.

Подведение итогов

Используя возможности Amazon SageMaker , вы можете раскрыть безграничный потенциал искусственного интеллекта, генерирующего изображения, подпитывая вашу креативность и революционизируя ваш подход к созданию визуального контента. Независимо от того, являетесь ли вы художником, ищущим новые пути для самовыражения, маркетологом, которому нужны убедительные визуальные эффекты, или дизайнером продукта, исследующим виртуальное прототипирование, эта технология предлагает множество возможностей.