Formation en génération d'images par l'IA

Leçon 1 • Types de modèles génératifs de base

Présente les GAN, les VAE et les modèles de diffusion à un niveau conceptuel. Aide les apprenants à associer les types de modèles aux cas d'usage appropriés.

Leçon 2 • Paysage éthique et juridique

Présente les préoccupations spécifiques aux images générées par IA en matière de droit d'auteur, de consentement et de biais. Établit une pratique responsable comme base professionnelle.

Leçon 3 • Histoire de l'IA générative visuelle

Retrace l'évolution, du premier art neuronal aux modèles de diffusion modernes. Fournit le contexte pour comprendre les capacités et les limites actuelles.

Leçon 4 • Comment les modèles apprennent les motifs visuels

Explique les données d'entraînement, les fonctions de perte et l'apprentissage itératif en termes simples. Relie le comportement du modèle aux données sur lesquelles il a été entraîné.

Leçon 1 • Téléchargement et gestion des modèles

Couvre les dépôts de modèles, les formats de fichiers et l'organisation du stockage local. Prévient les erreurs courantes causées par des fichiers de modèles incompatibles ou corrompus.

Leçon 2 • Choix d'une plateforme de génération

Compare les interfaces web, les applications de bureau et les pipelines basés sur du code. Guide les apprenants vers la plateforme qui correspond à leur flux de travail.

Leçon 3 • Exécution de votre première génération

Exécute une génération texte-à-image de base avec les paramètres par défaut. Confirme le bon fonctionnement de l'environnement et introduit la boucle de rétroaction de la génération.

Leçon 4 • Configuration matérielle et cloud requise

Décrit les besoins en GPU, RAM et stockage pour les configurations locales et les alternatives cloud. Permet des décisions éclairées concernant l'investissement dans l'infrastructure.

Leçon 1 • Raffinement itératif des invites

Établit un flux de travail systématique de test et de révision pour l'amélioration des invites. Développe des compétences de diagnostic pour identifier pourquoi les sorties s'écartent de l'intention.

Leçon 2 • Invites positives et négatives

Enseigne comment spécifier les éléments souhaités et exclure explicitement ceux non souhaités. Réduit les artefacts et le contenu hors cible dans les sorties.

Leçon 3 • Pondération des invites et syntaxe

Introduit la pondération des tokens, la syntaxe d'attention et l'ordre des mots-clés. Offre un contrôle précis sur les éléments qui dominent la composition.

Leçon 4 • Anatomie d'une invite efficace

Décompose le sujet, le style, le médium, l'éclairage et l'ambiance en tant que composants de l'invite. Montre comment chaque élément oriente la sortie du modèle.

Leçon 1 • Résolution et rapport hauteur/largeur

Couvre les limites de résolution natives, les effets du rapport hauteur/largeur et les stratégies de tuilage. Prévient les artefacts de distorsion courants dus à des paramètres de résolution incorrects.

Leçon 2 • Génération par lots et variation

Utilise la taille de lot et la variation de seed pour explorer efficacement l'espace de sortie. Prend en charge l'exploration rapide de concepts et les flux de travail de sélection.

Leçon 3 • Préréglages et profils de paramètres

Organise les combinaisons de paramètres fréquemment utilisées dans des préréglages réutilisables. Accélère les flux de travail de production et assure la cohérence entre les sessions.

Leçon 4 • Étapes, échelle CFG et seed

Explique comment les étapes d'inférence, le guidage sans classifieur et les seeds interagissent. Fournit un modèle mental pour des sorties reproductibles et variées.

Leçon 1 • Flux de travail d'inpainting

Couvre la création de masques, les modes de remplissage et l'alignement des invites pour l'inpainting. Permet des modifications ciblées sans régénérer l'image entière.

Leçon 2 • Fondamentaux de l'image-à-image

Introduit la force de débruitage et comment les images d'entrée guident la génération. Établit la différence conceptuelle entre les flux de travail txt2img et img2img.

Leçon 3 • Outpainting et extension de la toile

Étend les limites de l'image à l'aide de l'outpainting pour agrandir les scènes ou les compositions. Enseigne les stratégies de chevauchement et d'invite pour une fusion homogène des bords.

Leçon 4 • Transfert de style via Img2Img

Applique de nouveaux styles artistiques aux images existantes tout en préservant la structure. Relie les paramètres img2img à la transformation stylistique contrôlée.

Leçon 1 • Combinaison de plusieurs ControlNets

Empile les entrées de conditionnement pour contrôler simultanément la pose, la profondeur et les bords. Enseigne l'équilibrage des poids pour éviter les signaux de contrôle contradictoires.

Leçon 2 • Conditionnement de profondeur et de carte de normales

Extrait des cartes de profondeur et de normales pour préserver les relations spatiales 3D. Maintient la géométrie de la scène lors du restylage ou de la transformation d'images.

Leçon 3 • Conditionnement des bords et des lignes

Utilise les préprocesseurs Canny, MLSD et lineart pour guider la composition à partir des bords. Permet un contrôle précis de la mise en page à partir d'esquisses ou d'images existantes.

Leçon 4 • Aperçu de l'architecture ControlNet

Explique comment ControlNet se fixe à un modèle de base pour injecter un guidage spatial. Fournit la base conceptuelle pour tous les flux de travail de conditionnement.

Leçon 1 • Embeddings Textual Inversion

Entraîne un nouveau token pour représenter un concept à l'aide d'un petit ensemble d'images. Produit des embeddings légers et portables pour l'injection de style ou de sujet.

Leçon 2 • Entraînement et application LoRA

Entraîne des couches d'adaptation de bas rang pour capturer efficacement des styles ou des personnages. Les LoRA sont le format d'ajustement fin le plus pratique pour la plupart des flux de travail.

Leçon 3 • Préparation et légendage des ensembles de données

Couvre la curation d'images, la standardisation de la résolution et les outils de légendage automatique. Les ensembles de données de haute qualité sont le principal moteur de la réussite de l'entraînement.

Leçon 4 • Entraînement complet du modèle Dreambooth

Exécute l'ajustement fin complet de Dreambooth pour une incorporation profonde du sujet ou du style. Couvre la perte de préservation préalable pour maintenir la capacité générale du modèle.

Leçon 1 • Conception d'un pipeline reproductible

Cartographie l'ensemble du processus de génération, du brief à l'actif final, en utilisant des étapes structurées. Réduit les reprises en standardisant les décisions à chaque étape du pipeline.

Leçon 2 • Intégration du post-traitement

Intègre les sorties IA avec des outils d'édition raster pour la finition et la correction finales. Comble le fossé entre la génération et les actifs prêts à être livrés.

Leçon 3 • Critères d'évaluation de la qualité

Définit des métriques de qualité objectives et subjectives pour les images générées par IA. Permet une évaluation cohérente entre les membres de l'équipe et les projets.

Leçon 4 • Contrôle de version et gestion des actifs

Organise les invites, les seeds, les modèles et les sorties pour la traçabilité et la réutilisation. Empêche la perte de configurations réussies et prend en charge la collaboration en équipe.