• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad
    • Tiendas afiliadas
      • AliExpress
      • Amazon
      • Banggood
      • GeekBuying
      • Lenovo

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • Python
  • Pandas
  • NumPy
  • Matlab
  • Julia
  • JavaScript
  • Excel

GUI para Stable Diffusion

marzo 1, 2023 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 5 minutos

Analytics Lane según Stable Diffusion

Stable Diffusion en un modelo de aprendizaje automático de código abierto entrenado para generar imágenes a partir de una cadena de texto (prompt). Aunque se puede instalar desde un repositorio de GitHub, puede ser un poco complicado para la mayoría de los usuarios. Afortunadamente para aquellos que quieran una forma más sencilla existe DiffusionBee una GUI para Stable Diffusion con la que se pueden probar estos modelos en ordenadores con macOS y Windows en el futuro.

Instalación de DiffusionBee

La instalación de DiffusionBee es como cualquier otra aplicación en macOS, solamente es necesario descargar el archivo dmg con la versión adecuada para nuestro procesador desde la página de descarga del proyecto. Al terminar la descarga se debe abrir el paquete y copiar el ejecutaba a la carpeta de descargar.

La primera vez que se ejecuta la aplicación se descargan los datos del modelo. Una descarga que, dependiendo de la versión seleccionada, puede llegar a los 8 Gb, por lo que puede tardar un tiempo.

Uso basico de la aplicación

DiffusionBee es una aplicación sencilla en la que existen cuatro pestañas. La primera es Text to Image en la que se deben introducir un prompt con el que se generará una imagen diferente cada vez. Posiblemente la de la aplicación pestaña que se usará en más ocasiones.

La ventana principal de DiffusionBee
La ventana principal de DiffusionBee

La segunda pestaña es Image to Image, en la que se puede cargar una imagen y modificar esta mediante lo que se indique en el prompt. En tercer lugar, se encuentra la pestaña Inpanting, con la que se pude reemplazar partes de una imagen. La siguiente es Outpainting en la que se puede ampliar una imagen con lo que se le indique al modelo en el prompt.

Publicidad


Finalmente, existe una cuarta pestaña en la que se puede ver el historial de imágenes que se han creado con el programa junto a los prompt usados y la semilla. Algo necesario para refinar las imágenes.

Opciones para la generación de imágenes a partir de texto

En la pestaña Text to Image de DiffusionBee existen varios botones. El primer es Prompt ideas que abre un navegador en ArtHub.ai para consultar algunos resultados que se han obtenido con diferentes prompts. Lo que usar como inspiración. A continuación, se puede encontrar Styles, una colección de etiquetas que se puede agregar al prompt para definir el estilo de las imágenes.

Posiblemente el botón más interesante sea Options, con el que se puede configurar las opciones del programa. Las opciones que tenemos son:

  • Num images: el número de imágenes que se generan cada vez, lo mejor es dejarlo en una.
  • Batch size: otra opción para aumentar el número de imágenes que se desean crear.
  • Image height/width: con el que se puede indicar las dimensiones de las imágenes
  • Steps: los pasos en los que se generarán las imágenes. A más pasos la imagen será más detallada, pero también tardará más en generarse. Lo mejor es unas un valor bajo para probar y posteriormente aumentar cuando se tenga algo que nos pueda interesar.
  • Guidance scale: indica la libertad que se le da Stable Diffusion para interpretar la imagen. Un valor más alto significa una interpretación más estricta.
  • Seed: la semilla usada para generar la imagen.
  • Negative prompt: permite activar un segundo prompt en el que se le puede indicar al modelo opciones que no se desea en la imagen.

Primeros resultados

Lo primero que se puede probar es qué imágenes puede generar el modelo con el nombre del blog. Obteniendo como resultado la imagen que se usa para ilustrar la entrada. Además de esto, uno de los resultados que más me llamó la atención ha sido el siguiente.

Analytics Lane según Stable Diffusion
Analytics Lane según Stable Diffusion

Una imagen que puede ser interesante. Otro resultado ha sido una nube de términos, aunque sin mucho sentido.

Publicidad


Nube de términos generada por Stable Diffusion
Nube de términos generada por Stable Diffusion

Posible uso para ilustrar el blog

Un posible uso de las imágenes generadas por DiffusionBee se podría usar para crear las ilustraciones de las entradas del blog. Por ejemplo, para las publicaciones de la semana pasada se podrían haber creado las siguientes ilustraciones como las siguientes.

Ilustración para "Usar ChatGPT en Python"
Ilustración para “Usar ChatGPT en Python“

Optimización de código Python con LineProfiler

Para la publicación del lunes pasado he usado el siguiente prompt: Optimize code, Python code, speed, Profiler. Lo que ha generado imágenes como la siguiente.

Ilustración para "Optimización de código Python con LineProfiler"
Ilustración para “Optimización de código Python con LineProfiler“

Usar ChatGPT en Python

En la publicación del miércoles he usado como prompt: Chat, text, Python, generate.

Arquitecturas de almacenamiento de datos: Data Lake, Data Warehouse y Data Mart

Finalmente, para la publicación del viernes he probado con: Data Lake, Data Warehouse, Data Mart

Ilustración para "Arquitecturas de almacenamiento de datos: Data Lake, Data Warehouse y Data Mart"
Ilustración para “Arquitecturas de almacenamiento de datos: Data Lake, Data Warehouse y Data Mart”

Una ilustración que se podria entender como un centro de datos.

Publicidad


Conclusiones

En esta entrada se ha evaluado una GUI para Stable Diffusion que puede simplificar el uso de estos modelos en Mac (aunque está anunciada una versión para Windows). Algo que puede ser de gran utilidad para acercar esta tecnología a los usuarios menos técnicos.

En cuanto al uso para ilustrar las publicaciones, por el momento seguiré usando bancos de imágenes. Como se ha comprobado mi habilidad para producir prompts tiene que mejorar bastante.

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Ejecutar SQL Server en una máquina virtual VirtualBox
    Ejecutar SQL Server en una máquina virtual VirtualBox
  • Ventana principal de NSSM
    Cómo configurar un servicio en Windows
  • Cómo trabajar de forma confortable en la oficina o casa
    Cómo trabajar de forma confortable en la oficina o casa
  • Almacenamiento de repositorios Git en la nube con GitHub
    Almacenamiento de repositorios Git en la nube con GitHub
  • Comandos básicos de Git
    Comandos básicos de Git
  • Listado de contraseñas de aplicación creadas
    Resolver problema de credenciales en Bitbucket

Publicado en: Herramientas, Opinión Etiquetado como: Machine learning, Stable Diffusion

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Publicidad




Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Facebook
  • GitHub
  • Instagram
  • Pinterest
  • RSS
  • Twitter
  • Tumblr
  • YouTube

Publicidad

Entradas recientes

El método de Hare-Niemeyer y su implementación en Python

septiembre 29, 2023 Por Daniel Rodríguez

Redimensionar una partición de disco LVM con espacio no asignado en Linux

septiembre 27, 2023 Por Daniel Rodríguez

¿Cómo saber la versión de Pandas o cualquier otra librería en Python?

septiembre 25, 2023 Por Daniel Rodríguez

Publicidad

Es tendencia

  • ¿Cómo eliminar columnas y filas en un dataframe pandas? publicado el marzo 25, 2019 | en Python
  • Seleccionar filas y columnas en Pandas con iloc y loc publicado el junio 21, 2019 | en Python
  • Sistema de ecuaciones Sistemas de ecuaciones lineales con numpy publicado el octubre 29, 2018 | en Python
  • La aplicación Auto Py to Exe Creación de un EXE desde un archivo Python en Windows publicado el mayo 16, 2022 | en Python
  • ¿Cómo cambiar el nombre de las columnas en Pandas? publicado el mayo 6, 2019 | en Python

Publicidad

Lo mejor valorado

4.9 (22)

Seleccionar filas y columnas en Pandas con iloc y loc

4.7 (12)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.6 (15)

Archivos JSON con Python: lectura y escritura

4.5 (10)

Diferencias entre var y let en JavaScript

4.3 (12)

Ordenación de diccionarios en Python mediante clave o valor

Publicidad

Comentarios recientes

  • Daniel Rodríguez en ¿Cómo eliminar columnas y filas en un dataframe pandas?
  • Miguel en ¿Cómo eliminar columnas y filas en un dataframe pandas?
  • alberto en Resolver problema de credenciales en Bitbucket
  • Pablo en Aplicar el método D’Hondt en Excel
  • Agapito en Creación de un EXE desde un archivo Python en Windows

Publicidad

Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2023 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto