Обучение генеративной нейросети под стиль художника И. К. Айвазовского
ОПИСАНИЕ ПРОЕКТА
Проект посвящён обучению нейросети на базе моделей типа Stable Diffusion с LoRA-тюнингом, чтобы генерировать изображения в живописной манере Ивана Айвазовского. Главная цель — добиться такой стилизации, чтобы сгенерированные работы были максимально близки по атмосфере, цветовой гамме и композиционным решениям к оригинальным полотнам художника, при этом тематика могла быть современной или произвольной.
Для обучения собирается датасет реальных картин Айвазовского с разнообразными сюжетами: морские пейзажи, штормы, корабли, закаты, скалы, береговая линия. Затем нейросеть «дообучается» на небольшом наборе этих работ, чтобы научиться воспроизводить ключевые художественные черты — мягкость цвета, воздушную перспективу, фактуру мазков, игру света на воде
ИСХОДНЫЕ ИЗОБРАЖЕНИЯ ДЛЯ ОБУЧЕНИЯ
РЕЗУЛЬТИРУЮЩАЯ СЕРИЯ ИЗОБРАЖЕНИЙ
КОММЕНТАРИЙ
В итоговой серии отчётливо видны стилистические особенности, на которых фокусировалась нейросеть: — Переливы неба и облаков, мягкая граница между водой и небом — Светотеневые нюансы, лёгкие рефлексы, передача глубины пространства через тонкое градуирование цвета — Традиционное построение композиции — горизонт делит сцену, есть широкий простор, сочетание романтики и драматизма — Живописная детализация на второстепенных объектах — чаёвни, ракушки, старинные часы, кисти художника
Многие изображения выполнены с эффектом размытости, имитирующим старинную живопись, некоторый флёр добились путём генерации большего числа шагов. Вариации серии показывают широкие возможности генератора: от реалистичных копий — до художественно стилизованных абстракций.
Главное достижение — нейросеть успешно научилась воспроизводить ключевые черты стиля художника на любых объектах: будь то море, чайный сервиз, приборы или пляж
НОУТБУК С КОДОМ ДЛЯ ОБУЧЕНИЕ
Работа велась в Google Colab с помощью диффузионного пайплайна diffusers
Основная структура ноутбука: 1. Подготовка данных 2. Сбор исходных изображений (файлы .jpg) 3. Генерация текстовых описаний (промптов) для каждого фрагмента, автоматическая разметка датасета 4. Код обучения 5. Генерация итоговой серии
Пояснения к этапам — Датасет размечен — каждое исходное изображение снабжено текстовым описанием. — Научная тюнинг-модель эффективно учится художественным приёмам по небольшому объёму примеров — Качество итоговых картинок отслеживалось в ходе генерации
ИТОГ
Проект подтвердил возможность обучения нейросети генерации изображений в стиле великого художника И. К. Айвазовского. Визуальный анализ показал отличную стилизацию и корректную передачу цветовой гаммы, композиционных решений и атмосферы оригинальных картин. Код процесса — полностью рабочий, легко адаптируемый для других художественных стилей или кастомных датасетов
