İnternette İstediğiniz Gibi Çevrimiçi Para Kazanma!

Apple, kararlı difüzyon yapay zeka görüntüleyicisinin Apple Silicon’da kullanılmasına olanak tanıyan bir dizi optimizasyon yayınladı.

Gönderiyi okuyorsunuz: Apple, kararlı difüzyonlu AI görüntüleyicinin Apple Silicon’da kullanılmasına olanak tanıyan bir dizi optimizasyon yayınladı.

Kararlı Yayılma (SD), saniyeler içinde herhangi bir giriş işaretinden fotogerçekçi görüntüler üreten, açık kaynaklı, gizli bir yapay zeka metinden görüntüye yayılma modelidir. Örneğin, SD’de “altın rengi bir takım elbise giymiş bir cyborg portresini” anlatan bir reklam, tamamen aynı görselle sonuçlanacaktır. SD, Ağustos 2022’deki tanıtımından bu yana birçok içerik oluşturucu, geliştirici ve meraklı tarafından benimsendi. Yaygın olarak benimsenmesinin bir sonucu olarak, araştırma topluluğu artık yalnızca bir metin mesajından yeni görsel materyal üretmek için SD’ye daha fazla güvenen araçlar ve uzantılar geliştirmekle her zamankinden daha fazla ilgileniyor. Şu anda bazı yerleşik teknikler, Hugging Face yayıncıları gibi açık kaynak girişimlerini kullanarak SD’yi İngilizce dışındaki dillere çevirerek özelleştirmektedir.

Son araştırmalar, SD’yi yalnızca metin istemlerinden görüntüler oluşturmaktan daha fazlası için kullanmaya odaklanıyor. Bu ek görevler, görüntü düzenleme, iç ve dış boyama, süper çözünürlük, stil aktarımı ve hatta renk paletleri oluşturmaya kadar uzanır. SD uygulamalarının yaygınlaşmasıyla birlikte, geliştiricilerin bu teknolojiden tam anlamıyla yararlanarak her yerdeki kullanıcıların kolayca erişebileceği uygulamalar üretmeleri her zamankinden daha önemli hale geldi. Herhangi bir uygulamada SD ile ilgili akla gelen ana düşünce, modelin nerede yürütüldüğüdür. Bir uygulamada SD’nin cihaz üzerinde dağıtımı, sunucu tabanlı bir stratejiye göre önemli ölçüde tercih edilir. Bunun temel nedeni, cihaz içi uygulamanın, kullanıcı tarafından sağlanan tüm verileri cihazın kendisinde girdi olarak tutarak daha fazla gizlilik sağlamasıdır. İlk indirmenin ardından müşteriler modeli İnternet bağlantısı olmadan kullanabilirler. Ayrıca, yerel dağıtım, geliştiricilerin sunucuyla ilgili masrafları azaltmasına olanak tanıdığından, bu daha uygun maliyetli bir yaklaşımdır.

Bununla birlikte, bir modeli bir cihaza dağıtmanın en büyük endişesi, SD’nin zaman alıcı olabilmesi ve birden fazla yineleme gerektirmesi ve bunun da daha yüksek hesaplama gereksinimlerine yol açmasıdır. Sonuç olarak modelin bir cihazda yeterince hızlı sonuç üretebilmesini sağlamak zorunlu hale geliyor. Bu, optimizasyon gerektiren, 1,275 milyarın üzerinde parametreye sahip 4 ayrı sinir ağından oluşan karmaşık bir boru hattının çalıştırılmasını gerektirir. Bu sorun bildirimi üzerinde çalışmak için Apple yakın zamanda Stable Diffusion AI görüntüleyicinin, Apple’ın makine öğrenimi modelleri için kendi çerçevesi olan Core ML’yi kullanarak Apple Silicon üzerinde çalışmasına izin veren değişiklikler yayınladı. Bu iyileştirmeler, programcıların SD’yi Apple Neural Engine donanımı üzerinde önceki Mac tabanlı tekniklerin neredeyse iki katı verimlilikle çalıştırmasına olanak tanıyacak.

Mevcut sürüm, PyTorch SD modellerini yayıcılar ve coremltools kullanarak Core ML’ye dönüştürmek için bir Python betiği ve model dağıtımı için bir Swift paketi içerir. Ek eksiksiz kıyaslama ve uygulama talimatları Core ML Stable Diffusion Github deposunda mevcuttur.

Daha önce SD, modelin Windows veya Linux PC’de yerel olarak çalıştığı üst düzey Nvidia GPU’larda fotoğrafları daha hızlı işliyordu. Öte yandan SD’yi Apple Silicon Mac’te geleneksel yöntemle çalıştırmak çok daha yavaştı. Ancak Apple’ın en son Core ML SD geliştirmesi, M1 bulut sunucusundaki derleme süresini önemli ölçüde iyileştiriyor ve neredeyse yarı yarıya azaltıyor. Şu an itibariyle, geliştiricilerin Mac’te Core ML ile SD’yi yerel olarak yapılandırması oldukça kolaydır çünkü bu yalnızca bir miktar komut satırı bilgisi gerektirir. Ancak Hugging Face, SD’yi sadece eğlence için keşfetmek isteyenler için bile bunu kolaylaştırmak amacıyla eksiksiz bir eğitim yazmıştır.

Apple, geliştiricilerin bu teknolojiyi, performanstan ödün vermeden, ekonomik açıdan uygun ve gizliliği koruyan bir şekilde uygulamalarına entegre etmelerini kolaylaştırarak, cihazlarında görüntü sentezinin tüm potansiyelini ortaya çıkarmayı umuyor. Ayrıca, daha fazla mahremiyet korunacaktır. Yapay zeka oluşturma modelinin yerel olarak bir Mac’te veya iPhone’lar ve iPad’ler gibi başka herhangi bir Apple cihazında çalıştırılmasıyla ek bulut bilişim giderleri de azaltılabilir.