Replicate

মূল কার্যকারিতা

methexis-inc/img2prompt স্টাইলসহ একটি আনুমানিক টেক্সট প্রম্পট তৈরি করে, যা Stable Diffusion-এর সঙ্গে ব্যবহার করে ছবি বা পেইন্টিংয়ের মতো দেখতে সংস্করণ তৈরি করা যায়। এটি Stable Diffusion (CLIP ViT-L/14)-এর জন্য অপ্টিমাইজ করা হয়েছে। CLIP Interrogator OpenAI CLIP মডেল ব্যবহার করে একটি নির্দিষ্ট ছবিকে বিভিন্ন শিল্পী, মাধ্যম ও স্টাইলের সঙ্গে তুলনা করে, যাতে বিভিন্ন মডেল ছবির বিষয়বস্তু কীভাবে দেখে তা বোঝা যায়। এটি ফলাফলকে BLIP ক্যাপশনের সঙ্গে মিলিয়ে একটি টেক্সট প্রম্পটও প্রস্তাব করে।

ব্যবহার ও ওয়ার্কফ্লো

1. ইনপুট: আপনার কম্পিউটার থেকে একটি ফাইল আপলোড করুন অথবা ছবির URL দিন।
2. প্রসেসিং: মডেলটি ViT-L/14 ব্যবহার করে ছবিটি বিশ্লেষণ করে।
3. আউটপুট: ছবির বিষয়বস্তু, স্টাইল, শিল্পী ইত্যাদি সম্বলিত একটি টেক্সট প্রম্পট তৈরি হয়, যেমন a cat wearing a suit and tie with green eyes, a stock photo by Hanns Katz, pexels, furry art, stockphoto, creative commons attribution, quantum wavetracing।

চালানোর পদ্ধতি

• API কল: Node.js, Python এবং HTTP API সমর্থিত। REPLICATE_API_TOKEN এনভায়রনমেন্ট ভেরিয়েবল সেট করতে হবে এবং মডেল ভার্সন ID 50adaf2d3ad20a6f911a8a9e3ccf777b263b8596fbd2c8fc26e8888f8a0edbb5 ব্যবহার করতে হবে।
• লোকাল এক্সিকিউশন: Cog বা Docker ব্যবহার করে এটি ডাউনলোড ও স্থানীয়ভাবে চালানো যায়। Nvidia T4 GPU হার্ডওয়্যার প্রয়োজন।

মূল্য ও খরচ

• Replicate-এ এই মডেল চালানোর আনুমানিক খরচ $0.011, অর্থাৎ $1-এ প্রায় 90টি রান; তবে আপনার ইনপুটের ওপর খরচ পরিবর্তিত হতে পারে।
• প্রেডিকশন সাধারণত 49 সেকেন্ডের মধ্যে সম্পন্ন হয়। প্রথম API কল মডেল বুট করবে (কোল্ড বুট), তাই বেশি সময় লাগতে পারে; পরবর্তী প্রতিক্রিয়াগুলো দ্রুত হবে।

প্রযুক্তিগত পটভূমি ও উৎস

এটি @pharmapsychotic-এর CLIP Interrogator নোটবুকের সামান্য পরিবর্তিত সংস্করণ। এটি নিজস্ব License-এর অধীনে ওপেন সোর্স এবং সোর্স কোড GitHub-এর pharmapsychotic/clip-interrogator-এ হোস্ট করা হয়েছে।