chaiNNer
v0.24.1
GUI pemrosesan gambar berbasis node yang bertujuan untuk membuat tugas pemrosesan gambar berantai menjadi mudah dan dapat disesuaikan. Lahir sebagai aplikasi peningkatan AI, chaiNNer telah berkembang menjadi aplikasi pemrosesan gambar terprogram yang sangat fleksibel dan kuat.
ChaiNNer memberi Anda tingkat penyesuaian alur kerja pemrosesan gambar yang jarang dilakukan orang lain. Anda tidak hanya memiliki kendali penuh atas alur pemrosesan, Anda juga dapat melakukan tugas yang sangat rumit hanya dengan menghubungkan beberapa node secara bersamaan.
ChaiNNer juga bersifat lintas platform, artinya Anda dapat menjalankannya di Windows, MacOS, dan Linux.
Untuk bantuan, saran, atau sekedar nongkrong, Anda dapat bergabung dengan server chaiNNer Discord
Ingat: chaiNNer masih dalam proses dan dalam tahap alfa. Meskipun perlahan-lahan semakin sesuai dengan yang kita inginkan, akan memakan waktu cukup lama untuk mendapatkan semua fitur yang ingin kita tambahkan. Jika Anda menguasai TypeScript, React, atau Python, jangan ragu untuk berkontribusi pada proyek ini dan bantu kami mencapai tujuan tersebut.
Unduh rilis terbaru dari halaman rilis Github dan jalankan penginstal yang paling sesuai untuk sistem Anda. Sesederhana itu.
Anda bahkan tidak perlu menginstal Python, karena chaiNNer akan mengunduh build Python terintegrasi yang terisolasi saat startup. Dari sana, Anda dapat menginstal semua dependensi lainnya melalui Dependency Manager.
Jika Anda masih ingin menggunakan instalasi sistem Python Anda, Anda dapat mengaktifkan pengaturan sistem Python. Namun, lebih disarankan untuk menggunakan Python terintegrasi. Jika Anda ingin menggunakan sistem Anda Python, kami sarankan menggunakan Python 3.11, tapi kami mencoba mendukung 3.8, 3.9, dan 3.10 juga.
Jika Anda ingin menguji perubahan dan penyesuaian terbaru, cobalah versi malam kami
Meskipun mungkin tampak menakutkan pada awalnya karena semua opsi yang ada, chaiNNer cukup mudah digunakan. Misalnya, inilah yang perlu Anda lakukan untuk melakukan kelas atas:
Sebelum Anda sampai ke titik ini, Anda harus menginstal salah satu kerangka jaringan saraf dari manajer ketergantungan. Anda dapat mengaksesnya melalui tombol di sudut kanan atas. ChaiNNer menawarkan dukungan untuk PyTorch (dengan arsitektur model tertentu), NCNN, dan ONNX. Untuk pengguna Nvidia, PyTorch akan menjadi cara pilihan untuk meningkatkan skala. Bagi pengguna AMD, NCNN akan menjadi cara pilihan untuk meningkatkan skala.
Semua dependensi Python lainnya diinstal secara otomatis, dan chaiNNer bahkan membawa dukungan Python terintegrasinya sendiri sehingga Anda tidak perlu mengubah konfigurasi Python yang ada.
Kemudian, yang harus Anda lakukan hanyalah drag dan drop (atau klik dua kali) nama node di panel pilihan untuk membawanya ke editor. Kemudian, seret dari satu pegangan simpul ke pegangan simpul lainnya untuk menghubungkan simpul-simpul tersebut. Setiap pegangan diberi kode warna untuk tipe spesifiknya, dan saat menghubungkan hanya akan menampilkan koneksi yang kompatibel. Hal ini membuatnya sangat mudah untuk mengetahui apa yang harus dihubungkan di mana.
Setelah Anda menyiapkan rantai kerja di editor, Anda dapat menekan tombol hijau "jalankan" di bilah atas untuk menjalankan rantai yang telah Anda buat. Anda akan melihat koneksi antar node menjadi dianimasikan, dan mulai tidak dianimasikan saat node tersebut selesai diproses. Anda dapat menghentikan atau menjeda pemrosesan masing-masing dengan tombol "stop" berwarna merah dan "pause" berwarna kuning.
Jangan lupa, ada banyak tugas non-upscaling yang dapat Anda lakukan dengan chaiNNer juga!
Untuk memilih beberapa node, tahan shift dan seret ke sekeliling semua node yang ingin Anda pilih. Anda juga dapat memilih satu node hanya dengan mengkliknya. Ketika node dipilih, Anda dapat menekan backspace atau delete untuk menghapusnya dari editor.
Untuk melakukan pemrosesan batch pada folder gambar, gunakan node "Muat Gambar". Untuk memproses video, gunakan node "Muat Video". Namun penting untuk dicatat bahwa Anda tidak dapat menggunakan node "Muat Gambar" dan "Muat Video" (atau dua node mana pun yang melakukan iterasi batch) secara bersamaan dalam satu rantai. Namun Anda dapat menggabungkan simpul keluaran (kolektor) dalam rantai, misalnya menggunakan "Simpan Gambar" dengan "Muat Video", dan "Simpan Video" dengan "Muat Gambar".
Anda dapat mengklik kanan di area pandang editor untuk menampilkan daftar node sebaris yang dapat dipilih. Anda juga bisa mendapatkan menu ini dengan menyeret koneksi keluar ke editor daripada membuat koneksi sebenarnya, dan menu ini akan menampilkan node yang kompatibel untuk membuat koneksi secara otomatis.
MacOS versi 10.x dan di bawahnya tidak didukung.
Windows versi 8.1 dan di bawahnya juga tidak didukung.
Apple Silicon Mac seharusnya mendukung hampir semuanya. Meskipun ONNX hanya mendukung Penyedia Eksekusi CPU, dan NCNN terkadang tidak berfungsi dengan baik.
Beberapa pengguna NCNN dengan GPU non-Nvidia mungkin mendapatkan keluaran serba hitam. Saya tidak yakin apa yang harus dilakukan untuk memperbaikinya karena tampaknya driver grafis mogok akibat kehabisan memori. Jika ini terjadi pada Anda, coba atur jumlah ubin secara manual.
Untuk menggunakan node Clipboard, pengguna Linux harus memiliki xclip atau, untuk pengguna wayland, wl-copy diinstal.
Untuk inferensi PyTorch, hanya GPU Nvidia yang didukung secara resmi. Jika Anda tidak memiliki GPU Nvidia, Anda harus menggunakan PyTorch dalam mode CPU. Ini karena PyTorch hanya mendukung CUDA Nvidia. Pengguna MacOS di Apple Silicon Mac juga dapat memanfaatkan mode MPS PyTorch, yang seharusnya bekerja dengan chaiNNer.
Namun, jika Anda memiliki GPU AMD atau Intel yang mendukung NCNN, chaiNNer sekarang mendukung inferensi NCNN. Anda dapat menggunakan file model .bin/.param NCNN yang ada (hanya model SR terkait ESRGAN yang telah diuji), atau gunakan chaiNNer untuk mengonversi model PyTorch atau ONNX ke NCNN.
Untuk NCNN, pastikan memilih GPU mana yang ingin Anda gunakan di pengaturan. Ini mungkin default pada grafik terintegrasi Anda!
Untuk GPU Nvidia, ONNX juga menjadi pilihan untuk digunakan. ONNX akan menggunakan mode CPU pada GPU non-Nvidia, mirip dengan PyTorch.
ChaiNNer saat ini mendukung arsitektur jaringan saraf dalam jumlah terbatas. Lebih banyak arsitektur akan didukung di masa depan.
Mulai v0.21.0, chaiNNer menggunakan paket baru kami yang disebut Spandrel untuk mendukung arsitektur model Pytorch. Untuk daftar apa yang didukung, lihat daftar di sana.
Untuk informasi pemecahan masalah, lihat dokumen pemecahan masalah.
Saya menyediakan chaiNNer versi bawaan di sini di GitHub. Namun, jika Anda ingin membangun chaiNNer sendiri, cukup jalankan npm install (pastikan Anda memiliki setidaknya npm v7 terinstal) untuk menginstal semua dependensi nodejs, dan npm run make untuk membangun aplikasi.
Untuk informasi FAQ, lihat dokumen FAQ.
