메타코드M
빅데이터 , AI 강의 플랫폼 & IT 현직자 모임 플랫폼ㅣ메타코드 커뮤니티 일원이 되시기 바랍니다.
mcode.co.kr
메타코드로부터 제공받은 강의를 바탕으로 후기를 작성합니다.
1강. 오리엔테이션
딥러닝 기초 및 생성 AI 소개
OT에서는 딥러닝의 개념과 기본적 이론을 소개하는 것으로 시작한다. 이미지 분류를 위해 적용되는 Convoltion, Activation Function, Pooling 등을 설명한다. 이에 대해서는 과거에 작성한 '빅데이터 모델링' 중 CNN에서 찾아볼 수 있다.
생성 AI의 종류
익숙한 생성 AI로는 달리, 미드저니, 스테이블 디퓨전이 있다. 본 강의에 따르면 다음과 같은 차이가 있다고 한다.
- DALL-E: 프롬프트 이해력 높음 / 사실적 이미지 / 생성시간 - 10초 / 요금 - 15$에 115회 / 비공개 소스 활용 / 한정된 편집 방법 (인페인팅, 아웃페인팅)
- Stable Diffusion: 초기 프롬프트 작성 어려움 (수정 필요) / 사실적 이미지 / 생성시간 - 약 30초 / 요금 - 15$에 115회 (로컬 컴퓨터로는 무료) / 공개 소스 활용 / 다양한 편집 방법
- Midjourney: 초기 프롬프트 작성 어려움 (수정 필요) / 예술적 이미지 / 생성시간 - 1분 / 요금 - 30$에 무제한 / 비공개 소스 활용 / 한정된 편집 방법 (인페인팅, 아웃페인팅)
편집 방법 중 아웃페인팅은 이미지의 바깥에서부터 이미지를 생성해 채워나가는 방법을 말한다. 언급된 3개의 생성형 AI 모두 각기 다른 장단점을 지니는데 강사님은 스테이블 디퓨전의 자유로운 편집 방법에 주목하여 이것을 선택한 것으로 보인다. 컴퓨터에 설치하여 무료로 이미지를 생성할 수 있다는 점도 크게 작용했을 것이다. 기업에서 비용 절감은 더없이 중요하기 때문이다.
이미지 생성시간을 적어두긴 했으나 독자의 컴퓨터 사양이 천차만별이라 저 수치대로 나오지 않을 수 있다. 필자 또한 GTX1060을 쓰는데 제시된 시간보다 더 소요됐다. 참고로, 강사님이 3070, 3090의 그래픽카드를 보유하고 계신다고 하니 둘 중 하나로 강의가 진행됐을 것이다. 이미지 생성을 위해 3080을 권장한다고 한다.
Stable Diffusion 설치
Stable Diffusion에 사용된 이론을 개괄적으로 알려준다. 입력 이미지에 필터를 넣어 노이즈를 확산시켜가며 학습하고 그 다음, 거꾸로 선명해지는 과정을 거치며 이미지를 학습한다고 한다. 여기서 노이즈가 확산 (Diffusion)되며 흐릿해지는 것에서 Diffusion이라는 이름이 붙었다고 한다.
- 아나콘다 설치.
- 아나콘다 프롬프트에 conda create –n diffusion python=3.10.6 입력. (python 3.10.6 버전을 사용한 diffusion이라는 이름의 가상공간을 만들겠다는 뜻.) (*conda env list: 생성한 가상환경 목록 확인.)
- conda activate diffusion 입력. (diffusion이라는 가상공간 활성화.)
- git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git 입력. (git이 설치되지 않았다면, conda install git pip로 git을 먼저 설치해야 함.)
- cd stable~~ 입력. stable 치고 tab키를 누르면 해당 폴더의 이름이 나오는데 그걸 쓰면 됨. 해당 폴더로 경로를 바꾸고 다시 webui-user.bat 입력 후 실행. 정상적으로 처리된다면, 프롬프트에 로컬 URL 주소가 나옴.
※ xformers 모듈 설치 (생성속도 빨라지는 효과): webui-user.bat 파일 편집. 우클릭 후 [편집]. 'ARGS=' 뒤에 --xformers 입력.
- Sampling Method: 노이즈 제거 방법.
- Sampling Steps: 샘플링 단계. 수가 클수록 선명하고 상세한 이미지 생성.
- Hires.fix: 초해상도 적용. (Denoising Strength: 출력 이미지 변화도 - 높을수록 세밀해지나 프롬프트와 다른 그림이 나올 수 있음.)
- Refiner: 기본 모델과 프롬프트 이해도가 높은 모델 병용 (Switch at: Refiner 모델 적용 비율)
- Batch Count: 반복 시행 수
- Batch Size: 한 번에 추출할 이미지 수
- CFG Scale: 프롬프트 적용도 (높을수록 프롬프트에 가까운 이미지 생성되나 품질 하락 우려.)
- Script: prompt matrix - 단어 사이에 '|'를 넣어 이미지 조합 가능, x/y/z plot - 여러 조합을 적용해 확인 가능.Stable Diffusion Google Colab 설치 및 실행
- 저사양 PC를 사용하고 있다면, Google Colab을 활용하는 것도 고려하자. Colab 무료 사용 시, 제한조치가 있으나 설치버전을 직접 실행하는 것은 가능하다고 한다. (링크)
Stable Diffusion Google Colab 설치 및 실행
저사양 PC를 사용하고 있다면, Google Colab을 활용하는 것도 고려하자. Colab 무료 사용 시, 제한조치가 있으나 설치버전을 직접 실행하는 것은 가능하다고 한다. (링크)
- 상기 링크에서 필요한 모델에 따라 설치버전 클릭.
- 코드를 실행하여 설치가 끝났다면, run_direct.ipynb 파일이 생김. 이 파일을 colab과 연결.
- run_direct.ipynb를 열어 코드 실행. 위와 같은 실행화면이 열림.
이 방법은 7GB 정도의 구글 드라이브 용량을 차지하니 미리 자리를 확보하고 진행해야 한다.
