Forum Replies Created
-
Posts
-
Olá Fernando!
Isso pode ocorrer em algumas versões mais recentes, portanto para uma maior compatibilidade eu sugiro você se basear no Colab da aula: https://colab.research.google.com/drive/1CEu9aKbtM0jDZMUN2282fMwV4c-fEn5O?usp=sharing
ali tem algumas pequenas mudanças, para tornar compatível com as versões mais recentes das bibliotecas, então recomendamos fazer uma cópia desse notebook e fazer as suas alterações a partir dele. Com isso é para dar certo, mas caso ocorra algum outro erro e que te impeça de realizar o treinamento então nos passe aqui mais informações sobre ele para tentarmos ajudar.
Olá!
Na verdade essas pastas não são criadas com o comando fornecido no print. Essas pastas você cria manualmente, e depois na hora de ler você especifica no comando qual é o diretório exato dentro do seu Drive. Ou seja, você pode ou renomear as pastas e deixar exatamente igual foi feito em aula; ou pode mudar o comando, para colocar o caminho/diretório correspondente a como está em seu Drive. Caso esteja na dúvida, sugerimos deixar o mesmo nome e na mesma localização, assim pode-se usar o mesmo comando.
Olá, tudo bem?
Você pode encontrar o link para baixar todos os recursos do curso acessando a aula “Recursos para download” dentro da seção Introdução, lá contém o link pro Google Drive onde estará disponível para download todos os arquivos usados durante o curso (link aqui).
Já o código fonte do Google Colab pode ser acessado clicando na aba Materiais na primeira aula de cada seção.
Boa tarde! Para controlar a pose usando esse modelo terá que usar o modelo ControlNet OpenPose adaptado para modelos XL, esse aqui.
A linha de código para baixar esse modelo se encontra já no .ipynb, basta tirar o comentário dela e executar. O link é esse abaixo:
https://huggingface.co/lllyasviel/sd_control_collection/resolve/main/thibaud_xl_openpose_256lora.safetensors
Ou seja, ao invés do outro (usado junto com os modelos SD 1.5 para realismo) agora carregará no lugar esse outro modelo controlnet, já que está a usar um modelo SDXL.
Quanto à roupa, verifique o nível de descrição que você forneceu no prompt, veja se é possível ser mais específico ainda e tente enfatizar um pouco (adicionando um pouco de peso à palavra-chave usada). Se mesmo sendo bastante específica no prompt ainda não conseguir manter a mesma roupa, então pode usar a técnica IP Adapter (vista na seção “Edição de imagens”) e assim manter constante a roupa entre as diferentes gerações. E para arrumar as mãos também pode usar a técnica de Inpainting, presente nessa mesma seção (caso já tenha tentado e mesmo assim sem sucesso, me avise pois podemos sugerir ainda alguma alternativa).
Olá! Você tentou dar Ctrl+C e Ctrl+V e mesmo assim o arquivo não foi colado?
Aparece alguma mensagem para você ou o arquivo simplesmente não é copiado? O que você pode fazer é tentar arrastar e soltar o arquivo também.Caso não tenha dado para fazer pelo Pycharm, você pode fazer por fora dele, basta abrir pelo navegador de pastas do Windows (File Explorer) o diretório que você criou pelo projeto. O caminho para essa pasta do projeto pode ser visualizado lá bem em cima na barra da janela PyCharm, ou no painel lateral, ali ao lado onde aparece o nome do projeto (no exemplo do curso, repare que ali o diretório mostrado é C:\Reconhecimento facial)
Enfim, basta copiar e colar lá no diretório que aparece para você, ou simplesmente clicar e arrastar.
Caso mesmo assim não consiga, por gentileza mande print de sua tela.Olá Aline!
O SageMaker Studio Lab é gratuito e não tem uma versão paga atualmente, mas se deseja mais tempo de uso diário então você pode utilizar o Amazon AWS (ou qualquer outra solução de sua preferência) caso deseje configurar em outro servidor cloud -> https://aws.amazon.com/pt/
Aqui tem uma explicação de como configurar. Pode usar o mesmo arquivo .ipynb que disponibilizamos no curso, assim fica mais fácil pois são os mesmos passos.
Se você irá fazer um uso mais constante da ferramenta, sugiro dar uma olhada no ThinkDiffusion (https://www.thinkdiffusion.com) que é um serviço que costuma possuir um custo benefício bem interessante caso opte por soluções pagas. Com ele dá para implementar a mesma interface mostrada no curso (Automatic1111), podendo adicionar os mesmos módulos e extensões.
Olá Aline!
Qual modelo ControlNet você selecionou para a geração? Verifique dentro da caixa referente ao ControlNet qual é o modelo que aparece ali selecionado no campo de seleção e se foram selecionadas as configurações compatíveis com ele (se possível mandar um print). E verifique o que aparece no campo do modelo ao selecionar a opção OpenPose.
Essa mensagem de erro as vezes está associada a um problema na leitura do arquivo do modelo, é um bug que pode ocorrer quando ele não consegue processar corretamente o formato lido. Como imagino que esteja usando os mesmos modelos da aula então uma explicação para essa mensagem poderia ser um problema durante o download do próprio modelo. Por verificar e resolver, tente executar o comando de download novamente, e então inicie a interface.
A recomendação que resolve é reiniciar o ambiente de execução (pode desconectar da GPU e conectar novamente) e então executar de novo o passo 3 para baixar os mesmos modelos (que ficarão na pasta /tmp) e em seguida abrir a interface normalmente.
Caso o mesmo erro persista, por favor forneça um print da tela do ControlNet e do que aparece para você na saída da célula do arquivo .ipynb (usado para gerar a interface), no bloco onde são baixados os modelos ControlNet.
Olá!
1. O threshold do IoU utilizado pelo modelo de avaliação padrão do Mask R-CNN pode variar dependendo da implementação específica ou da configuração definada. No caso dessa biblioteca e outras implementações é usado por padrão 0.5, como comumente usado também em conjuntos de dados como MS COCO e PASCAL VOC. Para outros casos, recomenda-se consultar a documentação oficial da biblioteca Matterport ou os parâmetros de configuração do modelo para determinar o valor padrão ou como configurá-lo de acordo com suas necessidades específicas.
2. Sim, outras métricas de avaliação como IoU e Dice Coefficient podem ser utilizadas para avaliar modelos treinados com o Mask R-CNN. Para isso, você pode implementar essas métricas manualmente ou utilizar bibliotecas como scikit-learn ou TensorFlow para calcular essas métricas com base nas máscaras previstas e nas máscaras de referência (ground truth).
Para o IoU pode usar o método jaccard_score, que se refere ao Índice Jaccard, nesse caso o mesmo que IoU
https://scikit-learn.org/stable/modules/generated/sklearn.metrics.jaccard_score.html
e para o Dice Coefficient, use o método de implementação do F1 score, que é o mesmo que o algoritmo do Dice.
https://scikit-learn.org/stable/modules/generated/sklearn.metrics.f1_score.html
Para o IoU você pode usar também o Tensorflow por exemplo, através do método MeanIoU https://www.tensorflow.org/api_docs/python/tf/keras/metrics/MeanIoU
Exemplo de código:
from tensorflow.keras.metrics import MeanIoU
iou_resultado = MeanIoU(num_classes = 2)test_img_input = np.expand_dims(img_teste, 0)
test_img_input.shapepredicao = (model.predict(test_img_input)[0,:,:,0] > 0.5).astype(np.uint8)
plt.imshow(predicao)
plt.title(‘Predição’)
iou_resultado.update_state(ground_truth[:,:,0], predicao)
print(‘IoU para a imagem: ‘, iou_resultado.result().numpy())Olá! Essa dúvida você havia postado em outro tópico, mas só para deixar respondido nesse também:
Para fazer isso, basta usar esse comando para fazer o download do modelo
!wget -O ./tessdata/por.traineddata https://github.com/tesseract-ocr/tessdata/blob/main/por.traineddata?raw=true
Então, na sequência usar esse código:
config_tesseract = ‘–tessdata-dir tessdata’
texto = pytesseract.image_to_string(rgb, lang=’por’, config=config_tesseract)
