Stable Diffusion / DreamStudio

Instalacja Automatic1111 WebUI na Windows: upewnij się że masz GPU NVIDIA z 8+ GB VRAM (sprawdź w Task Manager → Performance → GPU). Instalujesz Python 3.10 i Git ze stron oficjalnych. Klonujesz repozytorium: git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git. Wchodzisz do folderu i uruchamiasz webui-user.bat (Windows) lub webui.sh (Linux/Mac). Przy pierwszym uruchomieniu automatycznie pobiera model SD 1.5 (~4 GB). Po kilku minutach otwiera się http://127.0.0.1:7860 w przeglądarce. Dodawanie modeli: pobierasz .safetensors pliki z CivitAI lub HuggingFace i kopiujesz do folderu models/Stable-diffusion. Instalacja rozszerzeń: w zakładce Extensions → Available szukasz ControlNet, wgrywasz modele ControlNet osobno. Czas instalacji: 20-60 minut zależnie od szybkości łącza (pobierasz 5-20 GB danych).

Struktura promptu SD: [temat], [styl artystyczny], [oświetlenie], [jakość]. Przykład: portrait of young woman, oil painting style by John Singer Sargent, soft studio lighting, highly detailed, 8k resolution. Pozytywny prompt: opisujesz co chcesz. Negatywny prompt (Negative Prompt): opisujesz co chcesz wyeliminować — najważniejszy: blurry, low quality, watermark, ugly, deformed, bad anatomy, extra limbs. Wagi słów: słowo:1.2 daje wyższy priorytet, (słowo) też zwiększa wagę, [słowo] zmniejsza. Przykład: (masterpiece:1.3), photorealistic, (perfect hands:0.8). CFG Scale: kontroluje jak ściśle AI trzyma się promptu — 7-12 dla realistycznych obrazów, 15+ dla bardziej artystycznych. Steps: 20-30 kroków dla szybkich testów, 40-50 dla finalnych obrazów. Sampler: DPM++ 2M Karras lub Euler a są dobrymi domyślnymi. Seed: ten sam seed + ten sam prompt = ten sam obraz (przydatne do iteracji).

Stable Diffusion XL (SDXL) to znacząca iteracja modelu Stable Diffusion z kilkoma kluczowymi różnicami. Rozdzielczość: SDXL generuje natywnie w 1024x1024 px (vs 512x512 SD 1.5) — znacznie więcej szczegółów bez upscalingu. Jakość: SDXL daje znacznie lepsze twarze, ręce i złożone kompozycje — SD 1.5 jest słynne z problemów z anatomią. Architektura: SDXL ma model bazowy (base model) i refiner — dwustopniowy proces daje lepszą jakość detali. Szybkość: SDXL jest wolniejszy i wymaga więcej VRAM (min. 8 GB, zalecane 12 GB). SD 1.5: szybszy, mniejsze wymagania (4 GB VRAM), ogromny ekosystem modeli i LoRA na CivitAI. Kiedy używać SD 1.5: starsze GPU (GTX 1080, RTX 2060), potrzebujesz specyficznego LoRA który nie jest dostępny w SDXL. Kiedy używać SDXL: masz RTX 3060 12 GB lub lepszy, zależy Ci na jakości twarzy i detali. Stable Diffusion 3 (najnowszy, 2024): jeszcze lepsza jakość ale wymaga 16+ GB VRAM.

CivitAI (civitai.com) to największa społeczność modeli Stable Diffusion — tysiące darmowych checkpoint modeli, LoRA, embeddings i VAE. Jak szukać: filtrujesz po typie (Checkpoint dla pełnych modeli, LoRA dla fine-tuningów, Embedding dla konceptów), bazie modelu (SD 1.5, SDXL, SD 3), zawartości (SFW/NSFW filtr) i popularności. Każdy model ma galerię przykładowych obrazów i listę promptów które dały te wyniki — to najlepsza baza przykładów. Pobieranie: klikasz Download i pobierasz plik .safetensors. Checkpoint modele (5-10 GB) kopiujesz do models/Stable-diffusion w Automatic1111. LoRA pliki (10-200 MB) do models/Lora. Używanie LoRA w prompcie: <lora:NazwaPliku:0.8> gdzie 0.8 to siła modelu (0.5-1.0). Bezpieczeństwo: skanuj pobrane modele na modelscanner.huggingface.co przed uruchomieniem — złośliwe modele mogą zawierać embedded kod.

Trzy podejścia do generowania obrazów z różnymi kompromisami. Stable Diffusion wygrywa: zerowym kosztem na własnym GPU, pełną kontrolą (parametry, ControlNet, LoRA), brakiem cenzury i możliwością fine-tuningu na własnych danych. Najlepszy dla zaawansowanych użytkowników, developerów i badaczy. Midjourney wygrywa: jakością artystyczną out-of-the-box (najpiękniejsze generatywne obrazy bez prompt engineeringu), spójnością stylu i aktywną społecznością. $10/mc za ~200 obrazów wysokiej jakości. Najlepszy dla artystów i twórców którzy chcą pięknych obrazów bez technicznego zaangażowania. DALL-E 3 wygrywa: wiernością do promptu (najdokładniej interpretuje złożone opisy), generowaniem czytelnego tekstu na obrazach, bezpieczeństwem (licencjonowane dane treningowe, brak problemów prawnych). Najlepszy dla content marketerów i profesjonalistów potrzebujących tekstu w obrazie. Wybór: kontrola i darmowość → SD. Artystyczna jakość → Midjourney. Tekst i precyzja promptu → DALL-E 3.