SAM&Stable-Diffusion集成进化！分割、生成一切！AI绘画新玩法
自SAM「分割一切」模型推出之后，二创潮就开始了，有想法有行动！
飞桨AI Studio开发者会唱歌的炼丹师就创作出SAM进化版，将SAM、Stable Diffusion集成，实现「分割」、「生成」能力二合一，并部署为应用，支持在线使用！
在线免费使用应用
创作者：会唱歌的炼丹师
作者主页：https://aistudio.baidu.com/aistudio/personalcenter/thirdview/338262
应用使用参数解读：
Text：sam分割图像的分割对象，如输入car，就会把图片中的car进行分割。
Prompt：针对分割对象的可控文本生成，输入对应的Prompt
Advanced options：高级选项
Images：生成图像数量
Image Resolution：生成图像分辨率，一般使用为512*512
Control Strength：control model 生成的条件合并到 stable diffsion 模型上的权重，默认为 1
Guess Model：为使用更多样性的结果，生成后得到不那么遵守图像条件的结果
Segmentation Resolution：图像分割分辨率
Steps：推理步长
Guidance Scale：是一种增加对指导生成（在本例中为文本）以及总体样本质量的条件信号的依从性的方法。它也被称为无分类器引导，简单地说，调整它可以更好的使用图像质量更好或更具备多样性。值介于7和8.5之间通常是稳定扩散的好选择。默认情况下使用为7.5。
如果值很大， 图像质量可能更好，但对应的多样性会降低
如果值很小， 图像质量可能更差，但对应的多样性会增加
Seed：随机种子数
eta (DDIM)：DDIM采样方法
Added Prompt：在上述Prompt基础上所额外添加的提示，使生成的图片更好
Negative Prompt：控制sd生成的图片把那些相关提示过滤
使用技术
Segment Anything：提示词分割的大模型
ControlNet Canny ：对分割图进行边缘检测，以此作为图像生成的控制条件
Stable Diffusion ：文本到图像的扩散大模型
通过Segment Anything Model强大的图像分割能力，我们可以很好的得到分割后的像素图。然后由ControlNet with Stable Diffusion将控制图为不同语义的分割图和文本（prompt）作为控制条件来完成Segment to Image任务。这样Segment Anything Model通过ControlNet与Stable Diffusion进行集成。
fork项目运行
fork该项目
启动进入线上开发环境
建议选择V100 32GB开发环境。
飞桨AI Studio每周运行项目即可免费获得56小时V100 32G算力
安装ppdiffusers依赖
1# 安装paddlenlp和ppdiffusers依赖
2!pip install "paddlenlp>=2.5.2" "ppdiffusers>=0.11.1" safetensors --user1# 采用Canny边缘检测图片作为控制条件
2!python gradio_canny2image.py1# 采用ADE20K分割协议的图片作为控制条件
2!python gradio_seg2image_segmenter.py安装ppsegSAM依赖
1# 安装依赖
2!pip install -r requirements.txt --user1# 下载样例图片
2!mkdir ~/examples
3%cd ~/examples
4!wget https://paddleseg.bj.bcebos.com/dygraph/demo/cityscapes_demo.png1# 下载分词表
2%cd ~
3!wget https://bj.bcebos.com/paddleseg/dygraph/bpe_vocab_16e6/bpe_simple_vocab_16e6.txt.gz1# 运行脚本
2!python scripts/text_to_sam_clip.py --model-type vit_hAI技术日日迭代，期待各位开发者精彩创作，也诚邀各位开发者加入AI Studio进行开源创作，详细创作激励体系请点击底部阅读原文。
关注【飞桨PaddlePaddle】公众号
获取更多技术内容~