Text-To-Pokémon

اہم خصوصیات اور اوصاف

یہ ماڈل BLIP کیپشن والی Pokémon تصاویر کا استعمال کرتے ہوئے Stable Diffusion پر fine-tune کیا گیا ہے اور ٹیکسٹ کی تفصیل سے Pokémon طرز کی تصاویر بنا سکتا ہے۔ کردار بنانے کے لیے prompt engineering کی ضرورت نہیں ہے۔

استعمال اور ان پٹ پیرامیٹرز

• prompt (string): ان پٹ پرامپٹ، مثلاً Yoda۔
• num_outputs (integer): آؤٹ پٹ تصاویر کی تعداد؛ 1 سے 4 تک، طے شدہ 1۔
• num_inference_steps (integer): denoising مراحل کی تعداد؛ 1 سے 50 تک، طے شدہ 25۔
• guidance_scale (number): classifier-free guidance کا اسکیل؛ 1 سے 20 تک، طے شدہ 7.5۔
• seed (integer): بے ترتیب سیڈ؛ اسے بے ترتیب بنانے کے لیے خالی چھوڑ دیں۔

انضمام کے طریقے

1. Node.js / Python API: Replicate کلائنٹ لائبریری انسٹال کریں، REPLICATE_API_TOKEN ماحول کا متغیر سیٹ کریں، اور version hash ff6cc781634191dd3c49097a615d2fc01b0a8aae31c448e55039a04dcbf36bba کے ذریعے ماڈل چلائیں تاکہ تصویر کے URLs حاصل کیے جا سکیں یا تصاویر ڈسک پر لکھی جا سکیں۔
2. HTTP API: curl استعمال کرتے ہوئے https://api.replicate.com/v1/predictions پر POST درخواست بھیجیں۔
3. Cog: Cog انسٹال کریں اور cog predict r8.im/lambdal/text-to-pokemon@sha256:... استعمال کرکے ماڈل ڈاؤن لوڈ کر کے مقامی طور پر چلائیں۔
4. Docker: docker run کمانڈ سے مقامی GPU ماحول میں ماڈل چلائیں اور API کو کال کریں۔

ہدف صارفین اور بنیادی فوائد

یہ AI آرٹ کے شوقین افراد، گیم ڈویلپرز اور Pokémon کے مداحوں کے لیے ہے۔ بنیادی فوائد میں Pokémon طرز کے لیے خصوصی fine-tuning، موضوع سے ہم آہنگ جنریشن نتائج، اور اوپن سورس مقامی تعیناتی کی حمایت شامل ہیں۔

قیمت اور لاگت

یہ Replicate پر چلتا ہے اور اس کی لاگت تقریباً $0.047 فی رن ہے (تقریباً $1 میں 21 رنز)۔ یہ Nvidia T4 GPU ہارڈویئر پر چلتا ہے اور پیش گوئیاں عموماً 4 منٹ میں مکمل ہو جاتی ہیں۔ ماڈل open source ہے اور مقامی ہارڈویئر پر مفت چلایا جا سکتا ہے۔

عام استعمال

Yoda درج کرکے Pokémon طرز کی Yoda ماسٹر تصویر بنائیں؛ Girl with a pearl earring، Donald Trump وغیرہ درج کرکے مزاحیہ Pokémon طرز کے کردار بنائیں۔

ماڈل کا پس منظر

Justin Pinkney نے Lambda Labs میں Lambda GPU Cloud پر 2xA6000 GPUs استعمال کرتے ہوئے اسے تقریباً 15,000 مراحل میں تربیت دی۔ اس میں تقریباً 6 گھنٹے لگے اور لاگت تقریباً $10 تھی۔ ڈیٹا سیٹس اور weights کو Hugging Face پر open source کیا گیا ہے۔