Amazon Sagemaker ile Üretken AI Görüntüsü Nasıl Oluşturulur

Yapay zeka (YZ) dünyası son yıllarda kayda değer ilerlemelere tanık oldu ve görüntü üreten YZ en ilgi çekici ve hızla gelişen alanlardan biri olarak ortaya çıktı. Bu son teknoloji, yalnızca metin açıklamalarından çarpıcı, gerçekçi görüntüler oluşturmamızı sağlayarak sınırsız yaratıcı olasılıklar alanı açıyor.

Görüntü üreten AI modelleri, metin ve görsel temsiller arasındaki karmaşık örüntüleri ve ilişkileri öğrenmek ve anlamak için derin öğrenme algoritmalarından ve büyük miktarda eğitim verisinden yararlanır. Bu modeller, basit bir metinsel istem sağlayarak, verilen açıklamayla dikkate değer şekilde uyumlu, tamamen yeni görüntüler sentezleyebilir, karmaşık ayrıntıları, stilleri ve kompozisyonları yakalayabilir.

Amazon Sagemaker Nedir?

AWS'den tamamen yönetilen bir makine öğrenimi hizmeti olan Amazon SageMaker , uçtan uca makine öğrenimi iş akışını basitleştirerek hızlı ve etkili model oluşturma, eğitim ve dağıtıma olanak tanır. Karmaşık altyapı görevlerini soyutlayarak geliştiricilerin ve veri bilimcilerinin temel hedeflerine odaklanmalarını ve pazara sunma süresini hızlandırmalarını sağlar.

SageMaker, görüntü üreten AI modelleri de dahil olmak üzere esneklik ve en son gelişmelere erişim sağlayan geniş bir yerleşik algoritmalar, önceden eğitilmiş modeller ve özel modeller için destek yelpazesi sunar. Kullanıcı dostu arayüzü SageMaker Studio, sorunsuz kodlama, test etme ve dağıtım için entegre bir geliştirme ortamı sunarak iş birliğini artırır ve geliştirme sürecini kolaylaştırır.

Amazon S3, EC2 ve SageMaker Ground Truth gibi AWS hizmetleriyle kusursuz entegrasyon, kullanıcıların AWS ekosistemini tam anlamıyla sorunsuz bir makine öğrenimi deneyimi için kullanmalarına olanak tanır. Otomatik model ayarlama, dağıtılmış eğitim ve yerleşik dağıtım gibi gelişmiş özellikler, sağlam izleme ve günlük kaydı araçlarıyla birlikte model performansını ve ölçeklenebilirliğini optimize eder. SageMaker, kuruluşların makine öğrenimi projelerini hızlandırmalarına, operasyonel genel giderleri azaltmalarına ve yenilikçi AI çözümleri sunmalarına yardımcı olur.

Amazon Sagemaker'a Başlarken

Amazon SageMaker Studio'yu konsoldan başlatmak, makine öğrenimi için tamamen entegre bir geliştirme ortamına erişmenizi sağlayan basit bir işlemdir. Başlamak için şu adımları izleyin:

1. Amazon SageMaker Konsolunu açın
2. Sol gezinme bölmesinde "Stüdyo" seçeneğini bulun ve seçin.
3. Studio açılış sayfasında, kullanılabilir alan adları ve kullanıcı profillerinin bir listesini göreceksiniz. Studio'yu başlatmak için kullanmak istediğiniz uygun alan adını ve kullanıcı profilini seçin.
4. Alan adınızı ve kullanıcı profilinizi seçtikten sonra "Stüdyoyu Aç" butonuna tıklayın.
5. Başlatmayı tamamlamak için "Kişisel Stüdyoyu Başlat" seçeneğini seçin.

Bu adımları izleyerek Amazon SageMaker Studio'ya hızlı bir şekilde erişebilir ve makine öğrenimi projelerinizde güçlü özelliklerinden yararlanmaya başlayabilirsiniz.

Bir JumpStart seçin

Stable Diffusion 2 modeli, basit bir metin satırından görseller oluşturmamıza olanak tanır ve bu sayede sosyal medya gönderileri, promosyon materyalleri, albüm kapakları ve diğer yaratıcı sanat eserleri gibi içerikler üretmek için idealdir.

Bu modeli kullanmak için JumpStart'tan "Stable Diffusion 2" ifadesini arayın ve seçin.

Daha sonra "Modeli Dağıt" bölümünde "Dağıtım Yapılandırması"nı tıklayarak genişletin.

SageMaker barındırma örneği için istediğiniz örnek türünü seçin. Bu örnek için ml.g5.2xlarge kullanıyoruz.

"Bitiş noktası adı" alanına demo-stabilityai-stable-diffusion-v2 yazın.

Dağıtım sürecini başlatmak için "Dağıt" butonuna tıklayın.

Lütfen daha büyük modellerin dağıtımının biraz zaman alabileceğini unutmayın. Bu durumda, 25 dakikaya kadar sürebilir. Dağıtım tamamlandıktan sonra, uç nokta durumu "Hizmet İçinde" olarak güncellenecektir.

Python kodu içeren bir Jupyter not defterine erişmek için "Not Defterini Aç" seçeneğini seçin.

İşte 2 olarak bildirilen kutunun kodu.

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

Ve işte kutu 3 için.

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()

Şimdi işlemi başlatmak için ilk iki kutuyu çalıştırın.

Üçüncü kutucuğa komut istemini girin ve bloğu çalıştırın.

Şimdi sonucu görmek için bir buçuk dakika kadar beklemeniz gerekiyor.

İsterseniz oynayabileceğiniz birçok gelişmiş seçenek var. Ve en iyi yanı - her seferinde yepyeni bir resim üretiyor.

Kullanımdan sonra uç noktanızı silmeyi unutmayın. ml.g5.2xlarge örneğini kullandığımız için, yazma sırasında saat başına yaklaşık 1$ gibi daha yüksek ücretler gerektirir.

Özetleme

Amazon SageMaker'ın yeteneklerinden yararlanarak, görüntü üreten yapay zekanın sınırsız potansiyelini açığa çıkarabilir, yaratıcılığınızı besleyebilir ve görsel içerik oluşturma yaklaşımınızı kökten değiştirebilirsiniz. İster ifade için yeni yollar arayan bir sanatçı, ister ilgi çekici görsellere ihtiyaç duyan bir pazarlamacı veya sanal prototiplemeyi araştıran bir ürün tasarımcısı olun, bu teknoloji çok sayıda fırsat sunar.