Difüzyon Modelleri: Görüntü Üretimi Eğitimi

Eğitim Hakkında

Bu eğitim, difüzyon modellerinin matematiksel temellerini, mimarisini ve kurumsal kullanım için özelleştirilmesini öğrenmek isteyen teknik ekipler için tasarlanmış ileri düzey bir programdır. Katılımcılar PyTorch ve Diffusers ile LoRA ince ayarı, ControlNet ile kontrollü üretim, değerlendirme ve hızlandırmayı uygulayarak markaya özgü bir üretim hattı kurar.

Neden Bu Eğitim?

Teoriden Koda. İleri ve ters difüzyon süreçlerini, gürültü tahminini ve akış eşlemeyi sıfırdan kodlayarak gerçekten anlayın.

Tam Kontrollü Üretim. LoRA, ControlNet ve IP-Adapter ile kompozisyon, stil ve kimliği kontrol ederek istenen sonucu tutarlı üretin.

Üretime Hazır. Hızlandırma, nicemleme, değerlendirme, güvenlik filtresi ve lisans denetimiyle kurumsal ölçekte servis edin.

“Gürültüden anlam üreten modeli gerçekten anladığınızda onu yalnızca kullanmaz, kurumunuzun ihtiyacına göre yeniden şekillendirirsiniz.”

Ön Koşullar

Python ve PyTorch — PyTorch ile model tanımlama, eğitim döngüsü yazma ve tensör işlemlerinde deneyim.
Derin Öğrenme — CNN, dikkat mekanizması, Transformer ve otokodlayıcı kavramlarına hakimiyet.
Matematik Temeli — Olasılık dağılımları, Gauss gürültüsü, türev ve temel lineer cebir bilgisi.
GPU Ortamı — En az 16 GB bellekli GPU'ya sahip bilgisayar veya bulut not defteri erişimi.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiÜretken modellerin gelişimini kavramak, ileri ve ters difüzyonu matematiksel olarak anlamak, basit bir difüzyon modelini sıfırdan eğitmek ve örnekleyicileri kıyaslamak.

Modül 1

Üretken Görüntü Modellerinin Evrimi

Olabilirlik tabanlı ve örtük üretken model yaklaşımları
VAE ve GAN: güçlü yanlar ve mod çöküşü sorunu
Otoregresif görüntü modelleri ve difüzyonun yükselişi
Güncel model aileleri: Stable Diffusion, FLUX, Imagen
Açık ağırlıklı ve kapalı modellerde lisans farkları
Demo: Aynı istemle farklı nesil modellerin kıyası

Modül 2

DDPM: Gürültü Giderici Difüzyon Modelleri

İleri süreç: Markov zinciriyle kademeli gürültü ekleme
Gürültü çizelgeleri: doğrusal, kosinüs ve etkisi
Ters süreç ve gürültü tahmini (epsilon) hedefi
Basitleştirilmiş kayıp fonksiyonu ve eğitim döngüsü
v-tahmini ve x0-tahmini parametrelendirmeleri
Laboratuvar: PyTorch ile sıfırdan küçük DDPM eğitimi

Modül 3

Skor Tabanlı Bakış ve Örnekleyiciler

Skor eşleme ve stokastik diferansiyel denklem bakışı
DDIM ile deterministik ve hızlı örnekleme
Euler, DPM-Solver++ ve UniPC örnekleyicileri
Adım sayısı, kalite ve hız ödünleşimi
Tohum, stokastiklik ve tekrarlanabilir üretim
Laboratuvar: Örnekleyicilerin görsel ve süre kıyası

Modül 4

Akış Eşleme ve Koşullu Üretim

Akış eşleme (flow matching) ve düzeltilmiş akış
Sınıf koşullu üretim ve sınıflandırıcı rehberliği
Sınıflandırıcısız rehberlik (CFG) ve ölçek etkisi
Aşırı doygunluk ve rehberlik ölçeği ayarı
Laboratuvar: Koşullu modelde CFG ölçeği deneyleri
Günün değerlendirmesi ve latent difüzyon gününe köprü

Günün hedefiLatent difüzyonun VAE, metin kodlayıcı ve gürültü giderici bileşenlerini kavramak, U-Net ve DiT mimarilerini incelemek ve Diffusers ile metinden görüntü hatları kurmak.

Modül 1

Latent Difüzyon ve VAE

Piksel uzayından latent uzaya geçişin hesaplama avantajı
VAE kodlayıcı-kod çözücü ve sıkıştırma oranı
Latent kanal sayısının ayrıntı kalitesine etkisi
Stable Diffusion XL ve SD 3.5 mimari farkları
Latent uzayda aritmetik ve görselleştirme
Laboratuvar: VAE ile kodlama ve yeniden yapılandırma

Modül 2

Metin Kodlayıcılar ve Dikkat Mekanizması

CLIP ve T5 metin kodlayıcılarının rolü
Çapraz dikkat (cross-attention) ile metin koşullama
İstem ağırlıklandırma ve token sınırları
Negatif istemin CFG içindeki matematiksel karşılığı
Dikkat haritalarıyla istem-görüntü ilişkisi analizi
Laboratuvar: Çapraz dikkat haritalarının çıkarılması

Modül 3

U-Net'ten Difüzyon Transformer'larına

U-Net: artık bloklar, zaman gömmesi ve atlama bağlantıları
Difüzyon Transformer (DiT) ve yama tabanlı işleme
MMDiT: SD3 ve FLUX'ta çok modlu Transformer
Ölçeklenme davranışı ve çözünürlük genelleme
Mimari seçiminin kalite ve hıza etkisi
Kod incelemesi: Diffusers içinde U-Net ve DiT sınıfları

Modül 4

Diffusers ile Üretim ve Görüntü Düzenleme

Diffusers hat (pipeline), zamanlayıcı ve bileşen yapısı
Metinden görüntü, görüntüden görüntü ve güç parametresi
Maskeli iç boyama (inpainting) ve dış boyama
SDEdit ve talimatla düzenleme yaklaşımları
Bellek yönetimi: yarı hassasiyet ve CPU boşaltma
Günün değerlendirmesi ve özelleştirme gününe köprü

Günün hedefiDifüzyon modellerini marka stili, ürün ve karakterlere göre ince ayarla özelleştirmek, yapısal ve görsel koşullama ile üretimi kontrol etmek ve ComfyUI iş akışları kurmak.

Modül 1

İnce Ayar İçin Veri Hazırlığı

Stil, nesne ve kişi özelleştirmesi için veri gereksinimi
Görsel seçimi, kırpma, çözünürlük ve çeşitlilik
Otomatik altyazı üretimi ve tetikleyici kelime seçimi
Aşırı öğrenme ve dil kayması (language drift) riski
Veri lisansı, rıza ve marka varlıklarının kullanımı
Uygulama: Ürün görselleri için eğitim veri seti

Modül 2

LoRA, DreamBooth ve Textual Inversion

Textual Inversion ile yeni kavram gömmesi öğrenme
DreamBooth ve öncül koruma (prior preservation) kaybı
LoRA: düşük ranklı adaptasyon ve rank seçimi
Diffusers ve PEFT ile LoRA eğitim betikleri
Birden fazla LoRA birleştirme ve ağırlık ayarı
Laboratuvar: Marka stili için LoRA ince ayarı

Modül 3

ControlNet, IP-Adapter ve Yapısal Kontrol

ControlNet: kenar, derinlik ve poz koşullama
T2I-Adapter ile hafif yapısal kontrol
IP-Adapter ile görsel referansla stil ve kimlik
Bölgesel istem ve kompozisyon kontrol teknikleri
Çoklu koşulların birlikte kullanımı ve çakışmalar
Laboratuvar: Poz ve derinlik kontrollü ürün sahnesi

Modül 4

ComfyUI ile Düğüm Tabanlı İş Akışları

ComfyUI düğüm mimarisi ve iş akışı mantığı
LoRA, ControlNet ve yükseltmeyi tek akışta birleştirme
Toplu üretim ve parametre taramalı iş akışları
İş akışlarının JSON olarak sürümlenmesi
ComfyUI iş akışını API üzerinden tetikleme
Günün özeti ve üretime alma gününe köprü

Günün hedefiModelleri hızlandırıp verimli servis etmek, kaliteyi nicel ve insan odaklı ölçmek, güvenlik ve lisans risklerini yönetmek ve uçtan uca üretim hattı projesini sunmak.

Modül 1

Hızlandırma, Damıtma ve Optimizasyon

Tutarlılık modelleri ve LCM-LoRA ile az adımlı üretim
Çekişmeli difüzyon damıtma: SDXL Turbo yaklaşımı
PyTorch SDPA, torch.compile ve bellek optimizasyonu
Nicemleme (quantization) ve kalite etkisi
TensorRT ve toplu işleme ile verimli çıkarım
Laboratuvar: Gecikme ve maliyet ölçümlü hızlandırma

Modül 2

Kalite Değerlendirmesi ve Deney Yönetimi

FID ve CLIP skoru: ne ölçer, ne ölçmez?
İnsan tercih modelleri ve eşleştirmeli kıyas testleri
Marka uyumu ve istem sadakati için rubrik tasarımı
Tohum ve parametre kayıtlı deney takibi
Tercih verisiyle hizalama: Diffusion-DPO yaklaşımı
Laboratuvar: LoRA sürümlerinin sistematik kıyası

Modül 3

Güvenlik, Filtreleme, Lisans ve Etik

NSFW ve zararlı içerik filtreleri, istem denetimi
Kişi benzerliği, deepfake ve kötüye kullanım önlemleri
Görünmez filigran, SynthID ve C2PA içerik bilgileri
Model lisansları: FLUX, Stable Diffusion ticari koşulları
Eğitim verisi telif tartışmaları ve AB YZ Yasası
Uygulama: Kurumsal görüntü üretimi politika taslağı

Modül 4

Uçtan Uca Görüntü Üretim Hattı Projesi

Proje: Veri, LoRA, kontrol, değerlendirme ve servis
Takım sunumları, kod ve iş akışı incelemesi
Maliyet, kalite ve hız metriklerinin raporlanması
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve not defterlerinin teslimi
İleri okuma: güncel makaleler ve video difüzyonuna geçiş

Eğitim Kazanımları

Difüzyon Teorisi — İleri ve ters süreçleri, gürültü tahminini, skor tabanlı bakışı ve akış eşlemeyi matematiksel olarak açıklayabileceksiniz.
Mimari Hakimiyet — VAE, CLIP ve T5 kodlayıcıları, U-Net ve DiT bileşenlerinin rolünü kod düzeyinde çözümleyebileceksiniz.
Örnekleme Ustalığı — DDIM, DPM-Solver++ gibi örnekleyicileri ve CFG ölçeğini kalite-hız dengesine göre ayarlayabileceksiniz.
Diffusers Hatları — Metinden görüntü, iç boyama ve görüntüden görüntü hatlarını Diffusers ile kurup özelleştirebileceksiniz.
Model Özelleştirme — LoRA ve DreamBooth ile marka stili, ürün ve karakter için özelleştirilmiş modeller eğitebileceksiniz.
Kontrollü Üretim — ControlNet, IP-Adapter ve ComfyUI iş akışlarıyla kompozisyon ve stili hassas biçimde kontrol edebileceksiniz.
Verimli Servis — Damıtma, nicemleme ve derleme teknikleriyle gecikme ve maliyeti ölçülebilir biçimde düşürebileceksiniz.
Güvenli Üretim Hattı — Kalite metrikleri, güvenlik filtreleri ve lisans denetimi içeren uçtan uca bir görüntü üretim hattı kuracaksınız.

Kimler İçin Uygundur?

Makine öğrenmesi ve yapay zeka mühendisleri
bilgisayarlı görü uzmanları
kreatif teknoloji geliştiricileri ile üretken YZ ürünleri geliştiren Ar-Ge ekipleri.

Sıkça Sorulan Sorular

Difüzyon Modelleri: Görüntü Üretimi Eğitimi kimler için uygundur?

Program; makine öğrenmesi ve yapay zeka mühendisleri, bilgisayarlı görü uzmanları, kreatif teknoloji geliştiricileri ile görüntü üreten yapay zeka ürünleri geliştiren Ar-Ge ekipleri için tasarlanmıştır.

Eğitim ne kadar sürer ve nasıl yapılandırılmıştır?

Eğitim 4 tam gün ve 16 modülden oluşur. Sırasıyla difüzyon teorisi, latent difüzyon mimarisi ve Diffusers, özelleştirme ve kontrollü üretim, son olarak hızlandırma, değerlendirme, güvenlik ve uçtan uca proje günleri işlenir.

Katılım için hangi teknik bilgi ve donanım gerekiyor?

Python ve PyTorch ile model eğitme deneyimi, Transformer ve otokodlayıcı gibi derin öğrenme kavramları ile temel olasılık bilgisi beklenir. Laboratuvarlar için en az 16 GB bellekli GPU veya bulut not defteri erişimi gerekir.

Tasarımcılar için Üretken YZ eğitimlerinden farkı nedir?

Tasarım odaklı eğitimler hazır araçların kullanımını öğretir. Bu program ise modellerin matematiksel ve mimari iç yapısını, kodla ince ayar yapmayı, kontrollü üretim hatları kurmayı ve modeli verimli biçimde servis etmeyi kapsayan mühendislik programıdır.

Üretilen modeller ticari olarak kullanılabilir mi, sertifika veriliyor mu?

Ticari kullanım, temel modelin lisansına ve eğitim verisinin haklarına bağlıdır; eğitimde FLUX ve Stable Diffusion lisansları ayrıntılı incelenir. Programı tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

DİFÜZYON MODELLERİ: GÖRÜNTÜ ÜRETİMİ EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Üretken Görüntü Modellerinin Evrimi

DDPM: Gürültü Giderici Difüzyon Modelleri

Skor Tabanlı Bakış ve Örnekleyiciler

Akış Eşleme ve Koşullu Üretim

Latent Difüzyon ve VAE

Metin Kodlayıcılar ve Dikkat Mekanizması

U-Net'ten Difüzyon Transformer'larına

Diffusers ile Üretim ve Görüntü Düzenleme

İnce Ayar İçin Veri Hazırlığı

LoRA, DreamBooth ve Textual Inversion

ControlNet, IP-Adapter ve Yapısal Kontrol

ComfyUI ile Düğüm Tabanlı İş Akışları

Hızlandırma, Damıtma ve Optimizasyon

Kalite Değerlendirmesi ve Deney Yönetimi

Güvenlik, Filtreleme, Lisans ve Etik

Uçtan Uca Görüntü Üretim Hattı Projesi

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Benzer Programlar

Yapay Zeka Güvenliğine Giriş Eğitimi

Yapay Zeka Kurumsal Strateji Yönetimi Eğitimi

Yapay Zeka Küresel Yönetişim Çerçeveleri Eğitimi