Kako ustvariti generativno sliko umetne inteligence z Amazon Sagemaker

Svet umetne inteligence (AI) je bil v zadnjih letih priča izjemnemu napredku, umetna inteligenca za ustvarjanje slik pa je postala eno najbolj privlačnih in hitro razvijajočih se področij. Ta vrhunska tehnologija nam omogoča ustvarjanje osupljivih, realističnih slik zgolj iz besedilnih opisov, kar odpira kraljestvo neomejenih ustvarjalnih možnosti.

Modeli umetne inteligence, ki ustvarjajo slike, izkoriščajo algoritme globokega učenja in ogromne količine podatkov za usposabljanje za učenje in razumevanje zapletenih vzorcev in odnosov med besedilom in vizualnimi predstavitvami. Z zagotavljanjem preprostega besedilnega poziva lahko ti modeli sintetizirajo popolnoma nove slike, ki se izjemno ujemajo z danim opisom, zajemajo zapletene podrobnosti, sloge in kompozicije.

Kaj je Amazon Sagemaker?

Amazon SageMaker , popolnoma upravljana storitev strojnega učenja podjetja AWS, poenostavlja potek dela strojnega učenja od konca do konca ter omogoča hitro in učinkovito gradnjo modela, usposabljanje in uvajanje. Abstrahira zapletene infrastrukturne naloge, kar razvijalcem in podatkovnim znanstvenikom omogoča, da se osredotočijo na svoje glavne cilje in pospešijo čas do trga.

SageMaker ponuja široko paleto vgrajenih algoritmov, vnaprej usposobljenih modelov in podpore za modele po meri, kar zagotavlja prilagodljivost in dostop do najnovejših napredkov, vključno z modeli AI, ki ustvarjajo slike. Njegov uporabniku prijazen vmesnik, SageMaker Studio, zagotavlja integrirano razvojno okolje za brezhibno kodiranje, testiranje in uvajanje, izboljšanje sodelovanja in racionalizacijo razvojnega procesa.

Brezhibna integracija s storitvami AWS, kot so Amazon S3, EC2 in SageMaker Ground Truth, omogoča uporabnikom, da v celoti izkoristijo ekosistem AWS za nemoteno izkušnjo strojnega učenja. Napredne funkcije, kot so samodejno prilagajanje modela, porazdeljeno usposabljanje in vgrajena uvedba, skupaj z robustnimi orodji za spremljanje in beleženje, optimizirajo zmogljivost in razširljivost modela. SageMaker pomaga organizacijam pospešiti njihove projekte strojnega učenja, zmanjšati operativne stroške in zagotoviti inovativne rešitve AI.

Kako začeti uporabljati Amazon Sagemaker

Zagon Amazon SageMaker Studio s konzole je preprost postopek, ki vam omogoča dostop do popolnoma integriranega razvojnega okolja za strojno učenje. Za začetek sledite tem korakom:

1. Odprite konzolo Amazon SageMaker
2. V levem podoknu za krmarjenje poiščite in izberite možnost »Studio«.
3. Na ciljni strani Studio boste videli seznam razpoložljivih domen in uporabniških profilov. Izberite ustrezno domeno in uporabniški profil, ki ju želite uporabiti za zagon programa Studio.
4. Po izbiri domene in uporabniškega profila kliknite na gumb "Odpri Studio".
5. Za dokončanje zagona izberite "Zaženi osebni Studio."

Če sledite tem korakom, boste lahko hitro dostopali do Amazon SageMaker Studio in začeli izkoriščati njegove zmogljive funkcije za svoje projekte strojnega učenja.

Izberite JumpStart

Model Stable Diffusion 2 nam omogoča ustvarjanje slik iz preproste vrstice besedila, zaradi česar je idealen za ustvarjanje vsebine, kot so objave v družabnih medijih, promocijski materiali, naslovnice albumov in druga ustvarjalna umetniška dela.

Če želite uporabiti ta model, v JumpStartu poiščite »Stabilna difuzija 2« in jo izberite.

Nato v razdelku »Model razmestitve« kliknite, da razširite »Konfiguracijo razmestitve«.

Za primerek gostovanja SageMaker izberite želeno vrsto primerka. Za ta primer uporabljamo ml.g5.2xlarge .

V polje »Ime končne točke« vnesite demo-stabilityai-stable-diffusion-v2 .

Kliknite gumb »Uvedi«, da začnete postopek uvajanja.

Upoštevajte, da lahko uvajanje večjih modelov traja nekaj časa. V tem primeru lahko traja do 25 minut. Ko je uvedba končana, se stanje končne točke posodobi na »V uporabi«.

Izberite »Odpri beležnico« za dostop do zvezka Jupyter s kodo Python.

Tukaj je koda za polje, označeno kot 2.

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

In tukaj je za polje 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()

Zdaj, da začnete postopek, zaženite prvi dve škatli.

V tretje polje vnesite poziv in zaženite blok.

Zdaj morate počakati minuto ali pol, da vidite rezultat.

Če želite, je na voljo veliko naprednih možnosti, s katerimi se lahko igrate. In najboljši del je - vsakič ustvari popolnoma novo sliko.

Po uporabi ne pozabite izbrisati končne točke. Ker uporabljamo primerek ml.g5.2xlarge, so stroški višji, približno 1 USD na uro v času pisanja.

Zaključek

Z izkoriščanjem zmožnosti Amazon SageMaker lahko sprostite brezmejni potencial umetne inteligence za ustvarjanje slik, ki spodbuja vašo ustvarjalnost in revolucionira vaš pristop k ustvarjanju vizualne vsebine. Ne glede na to, ali ste umetnik, ki išče nove poti izražanja, tržnik, ki potrebuje prepričljive vizualne podobe, ali oblikovalec izdelkov, ki raziskuje virtualno izdelavo prototipov, ta tehnologija ponuja obilico priložnosti.