Подробный мануал по созданию своей AI-модели

Настоящие пираты никогда не упускали возможности урвать пару сотен золотых даже в тех авантюрах, где они не имели особого опыта. Сегодня арбитраны и прочие манимейкеры также выжимают выгоду практически из любых digital-новинок. И создание ИИ модели не стало исключением. Потенциал применения таких изображений поистине огромный. Их можно использовать как для фарминга аккаунтов, залива дейтинг и адалт-офферов, а также других вертикалей, так и банального заработка на таких платформах, как Onlyfans. 

Сегодня расскажем, как создать собственную AI модель (LoRA), способную на основе изменений Stable Diffusion генерировать изображения людей с максимально реалистичной внешностью.

Как создать LoRA для Stable Diffusion

Прежде, чем приступить к созданию LoRA, необходимо локально установить на ПК версию Stable Diffusion Automatic1111. Скачать файлы и ознакомиться с пошаговым мануал по установке можно по ссылке на GitHub. Кроме того, на компьютере должен быть установлен Python версии не ниже 3.10 с Add to PATH.

Также нужно заранее собрать 7-10 фото человека, внешности которого планируем обучить ИИ-модель. Снимки не должны содержать лишних элементов и посторонних людей, взгляд человека направлен в камеру, а качество изображения должно быть не ниже среднего (фото из Instagram тоже подходят). Для примера возьмем фото из социальных сетей популярной актрисы фильмов категории 18+.

Кроме снимков и локальной версии Stable Diffusion понадобится Google Drive. Так как часть ПО и скриптов, приведенных ниже не гарантируют отсутствие утечки данных, рекомендуется использовать для этих целей любой покупной фарм-аккаунт Google, который не жалко потерять.

Создание датасета в Colab

Когда необходимый софт установлен, а фото собраны, переходим к созданию датасета с помощью Dataset Maker.

На первом шаге присваиваем имя проекту и запускаем процесс создания репозитория на Google Drive, дав сервису все права доступа к данным на нем.

Затем в автоматически созданную папку (Loras -> Название проекта -> dataset) на Google Drive загружаем исходники фото.

Загрузив фото, нужно вернуться в Dataset Maker на шаг “Tag your images”. В строке  “method” из выпадающего меню выбираем “Photo captions”, а в строке “Blacklist tags” удаляем все символы и запускаем скрипт.

Ждем, пока скрипт сгенерирует варианты изображений.

Также, чтобы облегчить и ускорить работу с LoRA в Stable Defusion, в пункте “Curate your tags” можно задать значение, по которому в будущих генерациях можно будет получать результаты, схожие с приведенными в датасете изображениями.

На этом работа с изображениями заканчена. 

Обучение модели

Настройка процесса обучения проводится во вкладке Lora Trainer.

Для начала обучения достаточно ввести имя проекта, которое использовалось на этапе добавления изображений-исходников, и выбрать тренировочную модель Stable Deffusion.

Также необходимо указать желаемое разрешение будущих изображений и количество итераций процесса обучения и запустить скрипт.

В итоге скрипт должен создать в Google Drive папку “output”, в которой будут находиться несколько вариантов изображений. Каждый последующий вариант имеет свой порядковый номер, и чем это значение больше, тем качественнее будет изображение. Поэтому лучше брать в работу последние 2-3 изображения.

Дальше эти несколько вариантов следует скачать и загрузить в локальную папку на ПК: stable-diffusion-webui\models\Lora и запусить исполняемый файл webui-user.bat.

В открывшемся интерфейсе остается ввести positive-промпт: “photo of a woman, full body, looking at viewer”. Затем во вкладке “Lora” в поисковой строке вводим название проекта и кликаем на него.

В итоге должен получиться промпт такого вида: photo of a woman, full body, looking at viewer <lora:TestSZ-07:1>. При необходимости также можно задать и негативный промпт, в котором указать нежелательные эффекты и характеристики итогового изображения, например “low quality” и т.п. Остается указать высоту и ширину изображения и, если есть такая необходимость, добавить более точные настройки.

Сгенерировав и выбрав несколько подходящих изображений, можно их довести практически до совершенства с помощью Photoshop, но на практике мало кто этим заморачивается, так как хорошо обученная модель генерирует и без того качественные картинки.

Выбор лучшей версии LoRA

Выбрать лучшие варианты изображений можно как вручную, так и воспользовавшись скриптом “X/Y/Z plot” в Stable Diffusion. Во втором случае нужно лишь прописать названия LoRA, которые нужно сравнить, а также задать позитивный промпт, с помощью которого они были получены, после чего запустить генерацию. 

В итоге ИИ соберет коллаж, разместив все изображения рядом, чтобы автор мог их быстро сравнить и выбрать лучший экземпляр.

Способы монетизации контента, созданного на основе AI моделей

Теперь кратко поговорим о том, ради чего в порт PIRATECPA заходят манимейкеры и арбитражники. Конечно же, речь о способах монетизации такого контента.

Вариантов заработка на таком контенте существует огромное множество. Например, арбитражники видят в применении такого подхода бесплатную генерацию огромного количества креативов для залива трафика в вертикалях адалта и дейтинга. На самом деле, опытные юзеры SD создают крео с высокими CTR и CR и для других ниш.

Но чтобы зарабатывать на AI-моделях, не обязательно только лить платный трафик на партнерки. Например, опубликовав в Instagram чуть больше 100 изображений несуществующей привлекательной блондинки, созданных на основе LoRA, создатель Саманты Эверли смог меньше, чем за 40 недель привлечь более 120 тысяч подписчиков. Более того, фото ИИ-девушки недавно украсило обложку Playboy в Мексике.

Такая реалистичность моделей, созданных с помощью искусственного интеллекта открывает возможность публикации контента с целью органического привлечения платежеспособных подписчиков на профили в таких популярных социальных сетях и мессенджерах, как TikTok, X, Instagram, VK, Telegram и др. Такие прокаченные аккаунты в итоге можно продавать за десятки и сотни тысяч долларов. Но лучше монетизировать их самостоятельно с помощью платной подписки на контент или систему донатов (например, можно подключить Patreon или BuyMeACoffee).

Кроме того, такие изображения можно “оживлять” с помощью других нейросетей и создавать короткие видео, которые можно размещать на YouTube, монетизируя контент.

Привлекать можно не только мужскую аудиторию, но и женщин. Например, публиковать изображения и видео с ИИ-моделями мужского пола можно в Pinterest, где более 80% пользователей – это женщины.

Также никто не отменял заработок на платформах фриланса, где с каждым днем количество заказов на экспертную генерацию ИИ контента только увеличивается.

Способы получения выгоды в данном случае ограничены лишь вашей фантазией.

Вывод

Контент созданный с помощью ИИ даже не достигнув пика своего развития, уже пользуется огромной популярностью не только у креаторов, SMM-специалистов, арбитражников и представителей других digital-специальностей. Аудитория также проявляет неподдельный интерес к AI-моделям, даже не всегда осознавая, что такие модели не существуют в реальном мире. И не воспользоваться этим интересом, чтобы заработать на безбедную старость уже сегодня было бы глупо.