Dans cet article nous allons explorer 6 outils IA pour générer des images gratuitement.
Les générateurs d’images par IA ont la côte en ce moment.
Et même si cette nouveauté déplait à certains artistes, d’autres en profitent pour gagner des concours grâce à ces assistants nouvelle génération.
C’est le cas de Jason Allen qui a remporté, grâce à l’IA Midjourney, le concours Colorado State Fair en générant cette oeuvre d’art :
C’est image de qualité a été faite automatiquement par une IA.
Ici, je te propose de voir les meilleurs IA que tu que tu peux utiliser dès maintenant pour faire, toi aussi, des oeuvres d’art !
6 IA pour Générer des Images
NightCafé
Tout d’abord, il y a NightCafé, l’IA la plus facile à utiliser.
Aucun compte n’est nécessaire pour générer les 5 premières images.
Il te suffit de lui écrire ce que tu souhaite voir et tu obtiens ton image.
Tu peux essayer NightCafé en cliquant ici.
Stable Diffusion
Voyons maintenant une IA plus technique : Stable Diffusion.
Celle-ci va plaire aux développeurs.
Tu peux la tester directement sur ce lien.
Encore mieux.
HuggingFace
Tu peux intégrer Stable Diffusion, directement dans tes programmes.
Pour ça, tu as seulement besoin de pouvoir utiliser le langage Python.
Tu peux par exemple aller sur Google Colab qui te fourni un environnement Python gratuit.
Tu dois aussi avoir un GPU à porter de main.
Pour activer gratuitement un GPU sur Colab, va dans Exécution > Modifier le type d’exécution > GPU.
Ensuite, installe les librairies suivantes:
!pip install diffusers &> /dev/null
!pip install transformers &> /dev/null
!pip install accelerate &> /dev/null
Et utilise ce code pour générer des images :
from diffusers import StableDiffusionPipeline, EulerDiscreteScheduler
import transformers
import torch
model_id = "stabilityai/stable-diffusion-2"
# Use the Euler scheduler here instead
scheduler = EulerDiscreteScheduler.from_pretrained(model_id, subfolder="scheduler")
pipe = StableDiffusionPipeline.from_pretrained(model_id, scheduler=scheduler, torch_dtype=torch.float16)
pipe = pipe.to("cuda")
prompt = "a pizza rocket flying to Saturn"
image = pipe(prompt).images[0]
image.save("rocket_pizza.png")
Tu peux changer le résultat de l’image en écrivant ce que tu souhaites voir dans la variable prompt
.
Pour voir le résultat, clique sur le menu à gauche, dans la partie dossier et double clique sur rocket_pizza.png
.
Si tu veux créer de nouvelles images, n’oublies pas de changer le nom du fichier dans image.save()
.
Voilà le résultat que j’ai obtenu :
C’est un bon début.
Mais on peut faire mieux !
Keras
On peut aussi utiliser Stable Diffusion directement avec la librairie de Machine Learning Keras.
Là aussi, on aura besoin d’un GPU.
Pour cela, on importe les librairies suivantes :
Au fait, si ton objectif est d'apprendre le Deep Learning - j’ai préparé pour toi le Plan d’action pour Maîtriser les Réseaux de neurones.
7 jours de conseils gratuits d’un ingénieur spécialisé en Intelligence Artificielle pour apprendre à maîtriser les réseaux de neurones à partir de zéro :
- Planifie ton apprentissage
- Structure tes projets
- Développe tes algorithmes d’Intelligence Artificielle
J’ai basé ce programme sur des faits scientifiques, des approches éprouvées par des chercheurs mais également mes propres techniques que j'ai conçues au fil de mes expériences dans le domaine du Deep Learning.
Pour y accéder, clique ici :
À présent, on peut revenir à ce que je mentionnais précédemment.
!pip install --upgrade keras-cv &> /dev/null
import time
import keras_cv
from tensorflow import keras
import matplotlib.pyplot as plt
Puis, on importe le modèle Stable de Diffusion depuis la libraire keras_cv (un module spécifique de Keras pour faire de la Computer Vision):
model = keras_cv.models.StableDiffusion(img_width=512, img_height=512)
On définit une fonction pour afficher notre résultat :
def plot_images(images):
plt.figure(figsize=(20, 20))
for i in range(len(images)):
ax = plt.subplot(1, len(images), i + 1)
plt.imshow(images[i])
plt.axis("off")
Et finalement on peut créer notre image !
images = model.text_to_image(
"Paris in Heaven, fantasy art, "
"light blue color, high quality, highly detailed, elegant, sharp focus, "
"concept art, character concepts, digital painting, mystery, adventure",
batch_size=3,
)
plot_images(images)
Le résultat est bien mieux que le précédent 🏆
N’hésite pas à détailler ta demande, Stable Diffusion la comprendra et l’interprétera d’autant mieux !
Dall-E 2
Ensuite, on a Dall-E 2.
Là, comparé aux IA précédentes, on est un niveau au-dessus.
Avec Dall-E, tu créera des images beaucoup plus fidèle à ta requête.
En plus de ça, la qualité n’a vraiment rien à voir.
Je te laisse juger par toi-même :
Tu peux utiliser Dall-E 2 en te créant un compte sur OpenAI.
Dall-E te permet aussi d’intégrer la génération d’image par IA dans tes programmes, mais pour cela il te faudra récupérer la clé API une fois ton compte créé.
Midjourney
Finalement, voyons l’Intelligence Artificielle la plus populaire de toutes : Midjourney.
Pourquoi la plus populaire ?
Elle est gratuite, facile d’utilisation et, personnellement, c’est avec elle que j’ai eu mes plus beaux résultats.
Pour l’utiliser tu dois simplement suivre ce lien.
Clique sur rejoindre la bêta.
Cela va t’envoyer sur Discord. Pas d’inquiétude, tu n’as pas besoin de compte.
Tu peux utiliser l’IA facilement en tant qu’invité 🔥
Maintenant, à toi de jouer.
Et n’oublies pas de poster le lien vers les oeuvres d’art que tu crées en commentaire !
Je te souhaite une bonne découverte des IA génératrices d’images.
Et si tu veux découvrir d’autre types d’IA destinées au grand public, je t’invite à voir nos articles sur :
À bientôt sur Inside Machine Learning 😉
source :
- Keras – High-performance image generation using Stable Diffusion in KerasCV
Un dernier mot, si tu veux aller plus loin et apprendre le Deep Learning - j’ai préparé pour toi le Plan d’action pour Maîtriser les Réseaux de neurones.
7 jours de conseils gratuits d’un ingénieur spécialisé en Intelligence Artificielle pour apprendre à maîtriser les réseaux de neurones à partir de zéro :
- Planifie ton apprentissage
- Structure tes projets
- Développe tes algorithmes d’Intelligence Artificielle
J’ai basé ce programme sur des faits scientifiques, des approches éprouvées par des chercheurs mais également mes propres techniques que j'ai conçues au fil de mes expériences dans le domaine du Deep Learning.
Pour y accéder, clique ici :