tag StableDiffusion

Bu sayfada StableDiffusion etiketi ile işaretlenmiş 6 yapay zeka kavramını bulabilirsiniz.

Stable Diffusion, 2022 yılında CompVis araştırma grubu ve Stability AI iş birliğiyle yayımlanan, metinden görüntü üreten açık ağırlıklı bir latent difüzyon modelidir. Robin Rombach ve ekibinin "High-Resolution Image Synthesis with Latent Diffusion Models" (2022) makalesine dayanan model, difüzyon sürecini piksel uzayı yerine sıkıştırılmış bir latent uzayda yürütür; bu yaklaşım hesaplama maliyetini önemli ölçüde azaltır ve tüketici sınıfı ekran kartlarında çalışmayı mümkün kılar. Midjourney ve DALL-E'den temel farkı, ağırlıklarının kamuya açık olması; yani modelin kişisel bilgisayara indirilerek ücretsiz, sansürsüz ve tamamen özelleştirilebilir biçimde çalıştırılabilmesidir. Mimari dört ana bileşen üzerine kuruludur. VAE (Varyasyonel Otokodlayıcı), 512×512 piksel görüntüyü 64×64 latent temsile sıkıştırır; üretim sonunda latent yeniden piksel uzayına dönüştürülür. U-Net, zaman adımı ve metin koşuluna göre latent üzerindeki gürültüyü iteratif biçimde tahmin edip çıkarır. CLIP metin kodlayıcı, kullanıcı promptunu anlamsal vektöre çevirerek U-Net'in cross-attention katmanlarını yönlendirir. Gürültü zamanlayıcı (DDIM, DPM-Solver gibi algoritmalar) ise ileri ve ters difüzyon süreçlerini düzenler; DDIM ile 1.000 adımlık stokastik süreç 20-50 deterministik adıma indirilebilir. Model, yayımından bu yana büyük evrim geçirdi: SD 1.x (512×512), SD 2.x (768×768, OpenCLIP), SDXL (1024×1024, çift U-Net), SD 3.0 (MM-DiT mimarisi, T5 metin kodlayıcı) ve 2024'te Black Forest Labs tarafından yayımlanan FLUX.1. Topluluk tarafından geliştirilen Automatic1111 ve ComfyUI arayüzleri, ControlNet (poz ve kompozisyon kontrolü), LoRA (hafif ince ayar) ve DreamBooth (kişisel stil öğretme) eklentileriyle birlikte dünyanın en büyük açık kaynaklı görüntü üretim ekosistemine dönüştü. CivitAI platformu 100.000'den fazla topluluk modelini barındırır. Kullanım alanları; konsept sanat, e-ticaret ürün görseli, mimari görselleştirme, avatar tasarımı ve video üretim pipeline'larına entegrasyonu kapsar. Açık ağırlık yapısı deepfake üretim risklerini de beraberinde getirdiğinden AB Yapay Zeka Yasası (AI Act), modeli genel amaçlı yapay zeka kapsamında değerlendirmekte ve içerik etiketleme gereksinimleri tartışılmaktadır.

code_blocks

ControlNet (ControlNet)

ControlNet, Lvmin Zhang ve Maneesh Agrawala tarafından 2023 yılında yayımlanan "Adding Conditional Control to Text-to-Image Diffusion Models" makalesiyle tanıtılan bir sinir ağı mimarisidir. Stable Diffusion gibi önceden eğitilmiş diffüzyon modellerine, metin koşullamasına ek olarak yapısal görsel koşullar eklemeyi mümkün kılar; böylece üretilen görüntü üzerinde yalnızca metinle ifade edilemeyen kenar, şekil, poz ve derinlik bilgilerini doğrudan kullanıcı kontrolüne sunar. Mimari olarak ControlNet, mevcut UNet tabanlı diffüzyon modelinin kodlayıcı katmanlarını "kilitleyerek" kopyalar. Orijinal ağırlıklar donuk tutulur ve eğitim yalnızca kopyalanan yan daldaki ek katmanlarda gerçekleşir. Bu yaklaşım iki önemli avantaj sağlar: (1) Mevcut model bilgisi korunur — büyük ölçekli yeniden eğitim gerekmez; (2) Koşullama mekanizması ayrı tutulduğundan yeni kontrol türleri (farklı kenar dedektörleri, iskelet formatları vb.) modüler biçimde eklenebilir. ControlNet'in desteklediği başlıca koşullama türleri şunlardır: Canny kenar tespiti (nesne sınırlarını tel kafes olarak aktarma), HED ve MLSD çizgi dedektörleri, OpenPose insan iskelet pozu (vücut anahtar noktaları), Midas derinlik haritası (ön plan/arka plan mesafesi), normal harita (yüzey yönelimi), segmentasyon haritası (SemanticSegmentation) ve scribble (serbest çizim). Kullanıcı bu koşullardan bir veya birkaçını birleştirebilir. Teknik uygulama açısından ControlNet, diffüzyon modelinin her adımında gürültü tahminini iki farklı girdiyle besler: metin gömmeleri ve koşul görüntüsü. Yan ağın çıktıları "sıfır evrişim" (zero convolution) katmanları aracılığıyla ana ağa eklenir; eğitim başında bu katmanlar sıfır ağırlıkla başlar, böylece model eğitim öncesinde orijinal çıktıyı bozmaz. Pratik kullanımda ControlNet, AUTOMATIC1111 ve ComfyUI gibi Stable Diffusion arayüzleriyle entegre çalışır. Karakter tutarlılığı, mimari görselleştirme, animasyon kare-kare çalışma ve kolaj-fotoğraf dönüşümü gibi profesyonel üretim senaryolarında yaygın kullanım bulur. Diffusers kütüphanesi üzerinden Python ile de kolayca erişilebilir.

arrow_forward blur_on

Diffusion Model (Yayılım Modeli (Diffusion Modeli))

Diffusion modeli, veriye kademeli olarak gürültü ekleyen (ileri süreç) ve ardından bu gürültüden orijinal veriyi adım adım yeniden oluşturmayı öğrenen (ters süreç) bir üretici yapay zeka mimarisidir. Stable Diffusion, DALL-E 3, Midjourney ve Imagen gibi günümüzün en güçlü görüntü üretim sistemleri difüzyon modeline dayanmaktadır. İleri süreçte (forward process) modele verilen temiz görüntüye T adım boyunca Gaussian gürültü eklenir; sonunda görüntü tamamen gürültüye dönüşür. Bu süreç deterministik ve önceden tanımlanmıştır — öğrenme gerektirmez. Ters süreçte (reverse process) model, tamamen gürültülü bir görüntüden başlayarak her adımda biraz daha temizleyerek orijinale yakın bir görüntü üretir. Model bu ters süreci veriden öğrenir. Eğitim sırasında model, belirli bir gürültü seviyesindeki görüntüden hangi gürültünün çıkarılması gerektiğini tahmin etmeyi öğrenir. Kayıp fonksiyonu, tahmin edilen gürültü ile gerçek gürültü arasındaki ortalama kare hatası (MSE) üzerine kuruludur. Çıkarım sırasında tamamen rastgele gürültüden başlanır ve model bu tahmin sürecini T adım boyunca tekrarlayarak yeni, gerçekçi bir görüntü üretir. Metin koşullandırması (text conditioning) ise CLIP gibi bir metin kodlayıcısından gelen vektörün dikkat mekanizmasına (cross-attention) enjekte edilmesiyle gerçekleştirilir. 2020'de Ho ve arkadaşlarının DDPM (Denoising Diffusion Probabilistic Models) çalışması difüzyon modellerini öne çıkardı. Song ve arkadaşlarının DDIM'i (Denoising Diffusion Implicit Models) çıkarım adımlarını yüzlerden onlara indirerek hızlı sentezi mümkün kıldı. Rombach ve arkadaşlarının 2022'de yayımladığı Latent Diffusion Model (LDM) ise pikseller yerine VAE kodlayıcısından üretilen gizli temsil uzayında (latent space) difüzyon işlemini yürüttü; bellek ve hesaplama maliyetini önemli ölçüde düşürdü. Stable Diffusion bu yaklaşımı temel almaktadır. Difüzyon modelleri yalnızca görüntüyle sınırlı değildir: ses (AudioLDM, MusicGen), video (Sora, Gen-2), 3B molekül yapıları ve protein tasarımı (AlphaFold 3) gibi alanlarda da kullanılmaktadır. GAN'lara kıyasla eğitim kararlılığı daha yüksektir ve mod çökmesine daha az eğilimlidir; ancak çıkarım adımlarının tekrarlı uygulanması GAN'lara göre daha yavaş kalır.

arrow_forward wallpaper

Diffusion Models (Difüzyon Modelleri)

Difuzyon modelleri (diffusion models), egitim verisini adim adim Gaussien gurultuyle bozan ileri surec ile bu sureci tersine cevirerek gurultuden gercekci ornekler ureten generatif derin ogrenme modellerinin bir sinifidir. Ozellikle goruntu uretiminde son birkac yilda alan degistiricisi (field-changing) bir etki yaratmis; Stable Diffusion, DALL-E 3 ve Midjourney gibi populer sistemlerin temelini olusturmuslardur. Calisma prensibi iki asama icerir. Ileri geciste (forward process) egitim goruntusu, T adimda kademeli olarak Gaussien gurultu eklenerek tam gurultulu bir dagilimdaki rassal vektore donusturulur. Bu islem matematiksel olarak iyi tanimlidir ve kapalı formda hesaplanabilir. Geri geciste (reverse process) ise bir sinir agi her adimda tam olarak ne kadar gurultu eklendigi tahmin ederek sureci geri sarar ve gurultudaki baslangic noktasindan gercekci bir ornek olusturur. Egitim, sinir agini bu gurultu tahmini gorevine optimize eder. 2020 yilinda yayinlanan DDPM (Denoising Diffusion Probabilistic Models) makalesi, modern difuzyon modellerinin temeli olarak kabul edilir. Ho ve ekibi, gurultu tahmin eden bir U-Net mimarisiyle yuksek kaliteli goruntu sentezi gerceklestirdi. Klasik VAE ve GAN yontemleriyle karsilastirildiginda egitim kararliligi cok daha yuksekti: GAN'in mode collapse ve egitim dengesizligi sorunlarindan uzakti. Latent Diffusion Models (LDM) yaklasimi, verimliligi cok artirdi. Piksel uzayi yerine bir VAE encoder tarafindan olusturulan kucuk latent uzayda difuzyon uygulamak, hesaplama maliyetini buyuk olcude dusurdu. Stable Diffusion bu yaklasimi populerlestirdi ve modeli tuketici GPU'larinda calistirilir hale getirdi. Classifier-free guidance teknigi, metin veya diger kosullamayla uretimi yonlendirmeyi mumkun kilar. Yuksek rehber skoru, uretilen gorseli kosullamaya daha yakin ama daha az cesitli kilar; dusuk skor ise tersidir. Bu denge, metin-goruntu modelleri olan DALL-E 3 ve Flux serilerinin de kullandigi temel tekniktir. **Sik Sorulan Sorular** **Difuzyon modelleri neden bu kadar yuksek kaliteli goruntu uretiyor?** Cok adimli uretim sureci, modelin her adimda kucuk hatalar yapmasina olanak tanir ve bu hatalar zamanla duzeltilir. GAN'in tek adimda ciktiyi kesinlestirmesi gereken yaklasimina kiyasla daha kademeli ve kontrollue bir uretim surecidir. **Stable Diffusion ile DALL-E arasindaki teknik fark nedir?** Her ikisi de latent difuzyon yaklasimini kullanir. Temel fark erisilebilirliktedir: Stable Diffusion agirliklar acik kaynakla yayinlanmis (yerel calistirma mumkun), DALL-E ise yalnizca API uzerinden erisebilirdir. **Difuzyon modelleri goruntu disinda da kullanilir mi?** Evet. AudioLDM ve MusicGen gibi sistemler sesi, Sora ve Runway gibi modeller videoyu, ProteinMPNN variasyonlari protein yapisini difuzyon modeliyle uretir. **Adim sayisi ne kadar olmalidır?** DDPM'in ozgun uygulamasi 1000 adim kullanirken DDIM, DPM-Solver ve LCM gibi sampler'lar 4-50 adimda kabul edilebilir kalite uretmeyi mumkun kilar. Flux-schnell 4 adimda calisir.

arrow_forward layers

Latent Diffusion Model (Gizil Uzay Difüzyon Modeli (Latent Diffusion))

Latent Diffusion Model (LDM), difüzyon işlemini piksel uzayı yerine sıkıştırılmış bir gizil (latent) uzayda gerçekleştiren verimli bir üretici yapay zeka mimarisidir. Robin Rombach ve arkadaşları tarafından 2022 yılında CVPR'da yayımlanan High-Resolution Image Synthesis with Latent Diffusion Models çalışmasıyla kamuoyuna tanıtılan bu yaklaşım, Stable Diffusion'ın temelini oluşturur ve modern yapay zeka görüntü üretiminin standart mimarisine dönüşmüştür. Geleneksel piksel uzayı difüzyon modellerinde (DDPM gibi) tüm hesaplama görüntünün tam boyutunda (örn. 512×512×3 = 786.432 boyut) yapılır; bu son derece hesaplama yoğundur. LDM'de ise süreç üç aşamaya ayrılır: önce bir Varyasyonel Otoenkoder (VAE) görüntüyü çok daha küçük bir gizil temsile sıkıştırır (örn. 64×64×4 = 16.384 boyut); ardından difüzyon süreci bu küçük uzayda çalışır; son olarak VAE dekoderi gizil çıktıyı tam boyutlu görüntüye dönüştürür. Bu sıkıştırma, hesaplama maliyetini piksel tabanlı difüzyona kıyasla yaklaşık 48 kat azaltır. Metin koşullandırması CLIP veya OpenCLIP metin kodlayıcısından gelen vektörlerin U-Net'in cross-attention katmanlarına enjekte edilmesiyle gerçekleşir. Kullanıcının doğal dil açıklaması, görsel uzayda karşılık bulan vektörlere dönüştürülerek görüntü oluşturma sürecini yönlendirir. Sıkıştırma ve kalite arasındaki denge, VAE'nin yeniden yapılandırma başarısına bağlıdır. LDM mimarisinin pratik etkisi devasa olmuştur: tüketici GPU'larında (4–8 GB VRAM) yüksek kaliteli görüntü üretimini mümkün kılmış, SDXL, SD3 ve FLUX.1 gibi türev modellerin gelişimini hızlandırmış, ControlNet ve LoRA gibi kişiselleştirme araçlarına zemin hazırlamıştır. Metin-görüntü üretiminin ötesinde aynı mimari ses (AudioLDM), video (VideoLDM) ve 3D içerik üretiminde de kullanılmaktadır. Türkiye'de grafik tasarım, reklam ve oyun sektörlerinde LDM tabanlı araçların kullanımı 2024-2025 yıllarında belirgin biçimde artmıştır. Gelecekte latent uzay tekniklerinin 3D sahnelere, moleküler yapılara ve ilaç tasarımına genişletilmesi araştırmacılar tarafından aktif olarak incelenmektedir.

arrow_forward layers_clear

LoRA (Low-Rank Adaptation) (Düşük Dereceli Adaptasyon)

LoRA (Low-Rank Adaptation), milyarlarca parametreli büyük dil modellerini (LLM) veya görsel difüzyon modellerini son derece verimli biçimde ince ayarlayan (fine-tune) bir parametre etkin tekniğidir. Orijinal model ağırlıklarını dondurup yalnızca küçük ek matrisleri eğiterek tam fine-tuning'in bellek ve hesaplama maliyetini dramatik ölçüde düşürür. Teknik özünde düşük rankli matris ayrışımı yatar. Ağırlık güncelleme matrisi ΔW = A × B biçiminde iki küçük matrisin çarpımı olarak temsil edilir; burada A boyutu d×r, B boyutu r×d'dir ve r (rank), d'den çok küçük seçilir (tipik olarak 4-64). Böylece orijinal d×d büyüklüğündeki güncelleme matrisi yerine yalnızca 2×d×r parametre eğitilir; %90-99 parametre tasarrufu sağlanır. Pratik sonuçlar çarpıcıdır: 70 milyar parametreli bir Llama modelini tam fine-tuning yerine LoRA ile özelleştirmek için tek bir tüketici GPU'su (RTX 4090) yeterli olabilir, eğitim süresi saatler yerine dakikalara iner. Adapt edilmiş ağırlıklar yalnızca birkaç MB büyüklüğündeki ayrı dosyalara kaydedilir; farklı görevler için birden fazla adaptör geliştirilip aynı taban modele takılıp çıkarılabilir. QLoRA varyantı bu verimliliği daha da ileri taşır: taban modeli 4-bit NormalFloat ile nicemlenerek belleğe yükler, ardından LoRA adaptörlerini tam hassasiyetle eğitir. 65B parametreli modeli tek 48GB GPU'da fine-tune etmek bu sayede mümkün hale geldi. Görsel üretim alanında LoRA, Stable Diffusion modellerini belirli yüzler, sanat stilleri veya karakter tasarımları için özelleştirmenin standart yöntemi olarak yerleşti. Civitai gibi platformlarda binlerce topluluk LoRA'sı paylaşılmakta; kullanıcılar saniyeler içinde farklı stillerle çıktı üretebilmektedir. Hugging Face PEFT kütüphanesi, LoRA uygulamasını birkaç satır Python koduyla kullanıma sunar. Eğitim tamamlandıktan sonra adaptör ağırlıkları taban modele gömülerek (merge_and_unload) tek bir model dosyası elde edilebilir.

arrow_forward view_in_ar

Stable Diffusion

arrow_forward