OmniGen হলো ঝিউয়ুয়ান (BAAI) দ্বারা প্রকাশিত একটি সম্পূর্ণ নতুন ডিফিউশন মডেল আর্কিটেকচার, যা একীভূত ইমেজ জেনারেশনে মনোযোগী। এটি ইমেজ জেনারেশনের জটিল প্রক্রিয়া সরল করে, একটি ফ্রেমওয়ার্কের মাধ্যমে নানা কাজ পরিচালনা করে, যেমন টেক্সট থেকে ইমেজ তৈরি, ইমেজ এডিটিং এবং ভিজুয়াল কন্ডিশনভিত্তিক জেনারেশন ইত্যাদি। এছাড়া OmniGen একীভূত শেখার কাঠামোর মাধ্যমে নলেজ ট্রান্সফার অর্জন করে, ফলে বিভিন্ন কাজ ও ক্ষেত্রের চাহিদার সঙ্গে খাপ খাইয়ে নিতে পারে। এই মডেল কেবল অত্যন্ত সরল ও সহজবোধ্য নয়, বরং ইমেজ জেনারেশন ক্ষেত্রে শক্তিশালী নমনীয়তাও দেখায়।

সফটওয়্যারের বৈশিষ্ট্য:
একীভূততা: OmniGen একসঙ্গে নানা ধরনের ইমেজ জেনারেশন কাজ পরিচালনা করতে পারে, যার মধ্যে টেক্সট থেকে ইমেজ, থিম-চালিত জেনারেশন, ইমেজ এডিটিং এবং ভিজুয়াল কন্ডিশনভিত্তিক জেনারেশন অন্তর্ভুক্ত। এর উদ্ভাবনী দিক হলো কম্পিউটার ভিশনের ঐতিহ্যবাহী কাজকে ইমেজ জেনারেশন কাজে রূপান্তর করতে পারে, ফলে একীভূত ইমেজ জেনারেশন অভিজ্ঞতা দেয়।
সরলতা: OmniGen অন্য মডেলের প্রচলিত জটিল অপারেশন প্রক্রিয়া পরিহার করে, ControlNet, IP-Adapter ইত্যাদি প্লাগইন সমর্থনের প্রয়োজন নেই, কাজ পরিচালনা আরও সরাসরি। ব্যবহারকারীরা সংক্ষিপ্ত নির্দেশনার মাধ্যমে জটিল কাজ সম্পন্ন করতে পারেন, অপারেশনের বাধা অনেক কমে যায়।
নলেজ ট্রান্সফার: একীভূত ফরম্যাটে শেখার মাধ্যমে OmniGen বিভিন্ন কাজের মধ্যে জ্ঞান স্থানান্তর করতে পারে, বিশেষত অদেখা কাজ বা ক্ষেত্রের জন্য উপযোগী। এই প্রক্রিয়ায় OmniGen "চেইন অব থট" পদ্ধতির প্রয়োগ অন্বেষণ করেছে, ফলে ইমেজ জেনারেশনে আরও নমনীয় যুক্তি ও কনটেক্সট শেখার ক্ষমতা পায়।
সফটওয়্যারের ফিচার:
টেক্সট থেকে ইমেজ: টেক্সট বর্ণনার মাধ্যমে সংশ্লিষ্ট ইমেজ তৈরি করে।
ইমেজ এডিটিং: ব্যবহারকারীর চাহিদা অনুযায়ী ছবির আংশিক বা সম্পূর্ণ এডিটিং করা।
ক্যারেক্টার কনসিস্টেন্সি জেনারেশন: একাধিক ছবিতে চরিত্রের চেহারা একই রকম রাখা।
ভিজুয়াল কন্ডিশনভিত্তিক জেনারেশন: ভিজুয়াল কন্ডিশন (যেমন পোজ বা এজ তথ্য) অনুযায়ী নির্দিষ্ট চাহিদা পূরণকারী ইমেজ তৈরি করা।
কনফিগারেশনের প্রয়োজনীয়তা:
কম্পিউটার নিম্নলিখিত কনফিগারেশন পূরণ করার পরামর্শ দেওয়া হয়:
অপারেটিং সিস্টেম: Windows 10/11 64 বিট
গ্রাফিক্স কার্ড: 8G VRAM থাকলেও চলবে তবে জেনারেশনের গতি ধীর, 8G VRAM এর বেশি NVIDIA গ্রাফিক্স কার্ডের পরামর্শ দেওয়া হয়,
CUDA >= 11.8
পুরো প্যাক আনজিপ করলে প্রায় 24.5G, যথেষ্ট হার্ড ডিস্ক স্পেস রাখতে হবে
কম্পিউটারে CUDA ইনস্টল না থাকলে ইনস্টলেশন টিউটোরিয়াল দেখতে পারেন:
গ্রাফিক্স কার্ডের ব্র্যান্ড, মডেল ও VRAM কীভাবে দেখবেন:
টাস্ক ম্যানেজার খুলুন
"পারফরম্যান্স" এ ক্লিক করুন
"GPU" এ ক্লিক করুন
উপরের ডান কোণে গ্রাফিক্স কার্ডের মডেল দেখা যায়, নিচে VRAM এর আকার দেখা যায়

ব্যবহারের টিউটোরিয়াল:
① ইন্টিগ্রেটেড প্যাকেজ ডাউনলোড করার পর আনজিপ করুন;
দ্রষ্টব্য: ফোল্ডার পাথ এবং ফাইলের নামের (অডিও, ছবি, ভিডিও ইত্যাদি ফাইলের নামসহ) মধ্যে চীনা অক্ষর থাকা উচিত নয়, নাহলে কিছু সফটওয়্যার তা শনাক্ত করতে না পেরে ত্রুটি দেখাতে পারে

2) "এক ক্লিকে স্টার্ট.exe" ডাবল ক্লিক করুন, কিছুক্ষণ অপেক্ষা করলে ব্রাউজারে স্বয়ংক্রিয়ভাবে অপারেশন ইন্টারফেস খুলে যাবে

③ ছবি আপলোড করুন (না-ও করতে পারেন), প্রম্পট লিখুন (প্রম্পটে আপলোড করা ছবি রেফারেন্স করতে হলে ছবির নামের ফরম্যাট কঠোরভাবে এই ফরম্যাট অনুসরণ করতে হবে <img><|image_i|></img> , নাহলে চিনতে না পেরে ত্রুটি দেখাবে, i কে 1, 2, 3 নম্বর দিয়ে বদলানো যায়), তারপর প্রস্থ-উচ্চতা ইত্যাদি প্যারামিটার সামঞ্জস্য করুন, ডিফল্টও রাখতে পারেন, শেষে সাবমিটে ক্লিক করুন, জেনারেশন ফলাফল ডান দিকে দেখাবে

1. প্রম্পট থেকে ছবি তৈরি
প্রম্পট: A curly-haired man in a red shirt is drinking tea.
অনুবাদ: একটি লাল শার্ট পরা কোঁকড়া চুলের পুরুষ চা পান করছে।

2. একটি রেফারেন্স ছবি দিয়ে ইমেজ তৈরি
প্রম্পট: The woman in <img><|image_1|></img> waves her hand happily in the crowd.
অনুবাদ: <img><|image_1|></img> এ থাকা নারীটি ভিড়ের মধ্যে আনন্দে হাত নাড়ছে।

3. পোজ ভিত্তিক জেনারেশন
প্রম্পট: Generate a new photo using the following picture and text as conditions: <img><|image_1|><img>
A young boy is sitting on a sofa in the library, holding a book. His hair is neatly combed, and a faint smile plays on his lips, with a few freckles scattered across his cheeks. The library is quiet, with rows of shelves filled with books stretching out behind him.
অনুবাদ: নিম্নলিখিত ছবি ও টেক্সট শর্ত ব্যবহার করে নতুন ইমেজ তৈরি করুন: <img><|image_1|></img> একটি ছোট ছেলে লাইব্রেরির সোফায় বসে হাতে একটি বই ধরে আছে। তার চুল পরিপাটিভাবে আঁচড়ানো, ঠোঁটে হালকা হাসি খেলে যাচ্ছে, গালে কয়েকটি ফ্রেকল ছড়িয়ে আছে। লাইব্রেরিটি শান্ত, তার পিছনে সারি সারি বইয়ে ভরা তাক বিছিয়ে আছে।

4. দুটি ছবির ব্যক্তিকে একটি ছবিতে রাখা
প্রম্পট: Two woman are raising fried chicken legs in a bar. A woman is <img><|image_1|></img>. The other woman is <img><|image_2|></img>.
অনুবাদ: দুইজন নারী বারে ভাজা মুরগির পা উঁচু করে ধরেছে। একজন নারী হলো <img><|image_1|></img>। অন্যজন নারী হলো <img><|image_2|></img>।

5. ভিড়ের মধ্যে নির্দিষ্ট ব্যক্তিকে বেছে নিয়ে একটি ছবিতে রাখা
প্রম্পট: A man and a woman are sitting at a classroom desk. The man is the man with yellow hair in <img><|image_1|></img>. The woman is the woman on the left of <img><|image_2|></img>.
অনুবাদ: একজন পুরুষ ও একজন নারী শ্রেণিকক্ষের টেবিলের পাশে বসে আছেন. এই পুরুষটি হলেন <img><|image_1|></img> এ থাকা সোনালি চুলের পুরুষ. এই নারীটি হলেন <img><|image_2|></img> এর বাম দিকের নারী.

6. ছবির বস্তু পরিবর্তন
প্রম্পট: <img><|image_1|><img>
Replace the mug with a clear glass filled with sparkling iced cola.
অনুবাদ: <img><|image_1|><img>
মগের বদলে স্পার্কলিং আইসড কোলায় ভরা স্বচ্ছ কাচের গ্লাস দিন.

ওপেন সোর্স ঠিকানা
[OmniGen অফিসিয়াল ঠিকানা]