В основе проекта — обучение генеративной нейросети Stable Diffusion XL распознавать и воспроизводить уникальный стиль моего иллюстративного персонажа. Датасет состоит из 20 изображений одного и того же нарисованного вручную персонажа в различных ситуациях: с очками, телефоном, зонтиком, цветком, волшебной палочкой, в задумчивости и т. д. Все изображения выполнены в едином стиле: плоская 2D иллюстрация, лаконичные линии, простой фон, характерная пластика позы.

Цель: научить нейросеть генерировать этого персонажа в новых ситуациях, которых не было в обучающей выборке — сохраняя узнаваемость стиля, пропорции и характер.

Концепция проекта — серия сгенерированных изображений, показывающих персонажа в разных моментах обычного дня (утро, работа, прогулка, вечер). Это позволяет оценить, насколько хорошо модель усвоила визуальный язык иллюстраций.

Техника обучения: DreamBooth с адаптером LoRA поверх базовой модели stabilityai/stable-diffusion-xl-base-1.0. DreamBooth позволяет «вшить» конкретный объект/стиль в модель с помощью всего нескольких десятков примеров, а LoRA делает этот процесс эффективным по памяти и времени.

1. Загрузка датасета и установка библиотек

Проверка GPU. Для обучения используется GPU P100 (16 ГБ памяти) на платформе Kaggle.

Потом устанавливаем необходимые библиотеки.

diffusers — основная библиотека HuggingFace для работы с диффузионными моделями bitsandbytes — квантизация весов до 8-бит (экономия GPU-памяти) transformers — работа с языковыми и vision-моделями accelerate — ускорение обучения, поддержка mixed precision peft — Parameter-Efficient Fine-Tuning, включает поддержку LoRA

2. Генерация подписей (BLIP)

3. Обучение (DreamBooth + LoRA)

• Базовая модель: stabilityai/stable-diffusion-xl-base-1.0
• Адаптер: LoRA (rank 4, применяется к attention-слоям UNet)
• 1000 шагов обучения на GPU P100 (~4.5 часа)
• Использованы все техники экономии памяти: gradient checkpointing, fp16, 8-bit Adam
• Ноутбук запускался через Save Version на Kaggle — фоновое выполнение без привязки к браузеру
• Результат: файл pytorch_lora_weights.safetensors (~22 МБ) сохранён в /kaggle/working/

4. Инференс и генерация серии

• Загрузка базовой SDXL + LoRA-адаптер из /kaggle/working/
• 8 промптов, описывающих один день персонажа
• По 30 шагов диффузии на каждое изображение
• Итоговый коллаж сохранён в /kaggle/working/Nataly_NeuroCharacter/lumi_series_final.png

5. Загрузка на huggingfacehub

Параметры генерации: num_inference_steps=30 (баланс между качеством и скоростью) guidance_scale=7.5 — степень следования текстовому промпту (стандартное значение для детальных промптов)

Структура промпта: Каждый промпт построен по схеме: [стилевой префикс] + [токен персонажа] + [описание действия/ситуации] + [контекст фона] Пример: «flat 2D illustration, LUMI character, sitting and reading a book, cozy, simple background»

Стилевой префикс «flat 2D illustration» помогает базовой модели оставаться в нужном визуальном режиме, а токен «LUMI character» активирует обученный LoRA-адаптер.

prompt = «flat 2D illustration, LUMI character, holding a cup of coffee, morning, simple background»

promt = «flat 2D illustration, LUMI character, sitting at a desk with a laptop, working, simple background»

prompt = «flat 2D illustration, LUMI character, walking in a park, holding an umbrella, outdoors, simple background»

prompt = «flat 2D illustration, LUMI character, sitting and reading a book, cozy, simple background»

prompt = «flat 2D illustration, LUMI character, holding shopping bags, happy, simple background»

prompt = «flat 2D illustration, LUMI character, waving hello, smiling, simple background»