README.md

ပုံရိပ်ဖန်တီးခြင်း အက်ပလီကေးရှင်းများ တည်ဆောက်ခြင်း

LLM များသည် စာသားဖန်တီးခြင်းထက် ပိုမိုကျယ်ပြန့်သော အရာများကို လုပ်ဆောင်နိုင်သည်။ စာသားဖော်ပြချက်များမှ ပုံရိပ်များကို ဖန်တီးနိုင်ခြင်းလည်း ဖြစ်နိုင်သည်။ ပုံရိပ်များကို မော်ဒယ်တစ်ခုအဖြစ် အသုံးပြုခြင်းသည် MedTech၊ အင်ဂျင်နီယာ၊ ခရီးသွားလုပ်ငန်း၊ ဂိမ်းဖန်တီးခြင်းနှင့် အခြားနယ်ပယ်များတွင် အလွန်အသုံးဝင်နိုင်သည်။ ဤအခန်းတွင် ကျွန်ုပ်တို့သည် လူကြိုက်အများဆုံး ပုံရိပ်ဖန်တီးမှု မော်ဒယ်နှစ်ခုဖြစ်သော DALL-E နှင့် Midjourney ကို လေ့လာကြမည်ဖြစ်သည်။

နိဒါန်း

ဤသင်ခန်းစာတွင် ကျွန်ုပ်တို့ လေ့လာမည့်အကြောင်းအရာများမှာ -

• ပုံရိပ်ဖန်တီးခြင်းနှင့် ၎င်း၏ အသုံးဝင်မှု။
• DALL-E နှင့် Midjourney ဆိုတာဘာလဲ၊ ၎င်းတို့ ဘယ်လိုအလုပ်လုပ်သလဲ။
• ပုံရိပ်ဖန်တီးမှု အက်ပလီကေးရှင်း တည်ဆောက်နည်း။

သင်ယူရမည့် ရည်မှန်းချက်များ

ဤသင်ခန်းစာပြီးဆုံးပြီးနောက် -

• ပုံရိပ်ဖန်တီးမှု အက်ပလီကေးရှင်း တည်ဆောက်နိုင်မည်။
• မိမိ၏ အက်ပလီကေးရှင်းအတွက် meta prompt များဖြင့် နယ်နိမိတ် သတ်မှတ်နိုင်မည်။
• DALL-E နှင့် Midjourney နှစ်ခုလုံးကို အသုံးပြုနိုင်မည်။

ပုံရိပ်ဖန်တီးမှု အက်ပလီကေးရှင်း တည်ဆောက်ရခြင်း၏ အကြောင်းရင်း

ပုံရိပ်ဖန်တီးမှု အက်ပလီကေးရှင်းများသည် Generative AI ၏ စွမ်းဆောင်ရည်များကို စူးစမ်းလေ့လာရန် အလွန်ကောင်းမွန်သော နည်းလမ်းတစ်ခုဖြစ်သည်။ ဥပမာ -

• ပုံရိပ်တည်းဖြတ်ခြင်းနှင့် ပေါင်းစပ်ခြင်း။ ပုံရိပ်တည်းဖြတ်ခြင်း၊ ပုံရိပ်ပေါင်းစပ်ခြင်း စသည့် အသုံးပြုမှုများအတွက် ပုံရိပ်များကို ဖန်တီးနိုင်သည်။

• စက်မှုလုပ်ငန်းအမျိုးမျိုးတွင် အသုံးပြုနိုင်ခြင်း။ Medtech၊ ခရီးသွားလုပ်ငန်း၊ ဂိမ်းဖန်တီးခြင်းနှင့် အခြားစက်မှုလုပ်ငန်းများအတွက် ပုံရိပ်များ ဖန်တီးရာတွင် အသုံးပြုနိုင်သည်။

အခြေအနေ - Edu4All

ဤသင်ခန်းစာတွင် ကျွန်ုပ်တို့၏ စတားတပ်ဖြစ်သော Edu4All နှင့် ဆက်လက်လုပ်ဆောင်မည်ဖြစ်သည်။ ကျောင်းသားများသည် မိမိတို့၏ သင်ခန်းစာအတွက် ပုံရိပ်များ ဖန်တီးမည်ဖြစ်ပြီး၊ မည်သည့်ပုံရိပ်များ ဖြစ်မည်ဆိုသည်မှာ ကျောင်းသားများ၏ ဖန်တီးမှုအပေါ် မူတည်သည်။ ဥပမာ - မိမိတို့၏ ဇာတ်လမ်းအတွက် ပုံပြင်ပုံစံများ၊ ဇာတ်ကောင်အသစ်များ ဖန်တီးခြင်း သို့မဟုတ် မိမိစိတ်ကူးများကို မြင်ကွင်းဖော်ဆောင်ခြင်း စသဖြင့် ဖြစ်နိုင်သည်။

Edu4All ၏ ကျောင်းသားများသည် အောက်ပါအတိုင်း အတန်းတွင် အမွတ်တရ အဆောက်အအုံများအပေါ် အလုပ်လုပ်နေပါက ဖန်တီးနိုင်သည် -

အောက်ပါ prompt ဖြင့် -

"Dog next to Eiffel Tower in early morning sunlight"

DALL-E နှင့် Midjourney ဆိုတာဘာလဲ?

DALL-E နှင့် Midjourney သည် လူကြိုက်အများဆုံး ပုံရိပ်ဖန်တီးမှု မော်ဒယ်နှစ်ခုဖြစ်ပြီး၊ prompt များကို အသုံးပြု၍ ပုံရိပ်များ ဖန်တီးပေးသည်။

DALL-E

DALL-E သည် စာသားဖော်ပြချက်များမှ ပုံရိပ်များ ဖန်တီးပေးသော Generative AI မော်ဒယ်တစ်ခုဖြစ်သည်။

DALL-E သည် CLIP နှင့် diffused attention မော်ဒယ်နှစ်ခု ပေါင်းစပ်ထားခြင်းဖြစ်သည်။

• CLIP သည် ပုံရိပ်နှင့် စာသားမှ ဒေတာကို နံပါတ်အဖြစ် ကိုယ်စားပြုထားသော embedding များ ဖန်တီးပေးသော မော်ဒယ်ဖြစ်သည်။

• Diffused attention သည် embedding များမှ ပုံရိပ်များ ဖန်တီးပေးသော မော်ဒယ်ဖြစ်သည်။ DALL-E သည် ပုံရိပ်နှင့် စာသားများပါဝင်သည့် ဒေတာစုစည်းမှုတစ်ခုဖြင့် လေ့ကျင့်ထားပြီး စာသားဖော်ပြချက်များမှ ပုံရိပ်များ ဖန်တီးနိုင်သည်။ ဥပမာ - ခေါင်းစည်းတပ်ထားသော ကြောင်ပုံရိပ်၊ မိုဟော့ခ်ဆံပင်ရှိသော ခွေးပုံရိပ် စသဖြင့် ဖန်တီးနိုင်သည်။

Midjourney

Midjourney သည် DALL-E နှင့် ဆင်တူပုံစံဖြင့် စာသား prompt များမှ ပုံရိပ်များ ဖန်တီးပေးသည်။ “ခေါင်းစည်းတပ်ထားသော ကြောင်” သို့မဟုတ် “မိုဟော့ခ်ဆံပင်ရှိသော ခွေး” ကဲ့သို့သော prompt များဖြင့် ပုံရိပ်များ ဖန်တီးနိုင်သည်။

ပုံရိပ်အရင်းအမြစ် Wikipedia၊ Midjourney ဖြင့် ဖန်တီးထားသည်

DALL-E နှင့် Midjourney မော်ဒယ်များ ဘယ်လိုအလုပ်လုပ်သလဲ

ပထမဦးစွာ DALL-E ကို ကြည့်မယ်။ DALL-E သည် transformer အခြေခံထားသော Generative AI မော်ဒယ်ဖြစ်ပြီး autoregressive transformer ကို အသုံးပြုသည်။

autoregressive transformer သည် စာသားဖော်ပြချက်မှ ပုံရိပ်ကို တစ်ပစ်ဆွဲချင်း ဖန်တီးပေးသည်။ ပထမဦးဆုံး ပစ်ဆွဲတစ်ခု ဖန်တီးပြီးနောက်၊ ထိုပစ်ဆွဲကို အသုံးပြု၍ နောက်တစ်ပစ်ဆွဲကို ဖန်တီးသည်။ ဤလုပ်ငန်းစဉ်ကို နယူးရယ်ကွန်ယက်အလွှာများဖြတ်သန်းပြီး ပုံရိပ် ပြည့်စုံသည်အထိ ဆက်လက်လုပ်ဆောင်သည်။

ဤလုပ်ငန်းစဉ်ဖြင့် DALL-E သည် ဖန်တီးသော ပုံရိပ်အတွင်းရှိ အင်္ဂါရပ်များ၊ ပစ္စည်းများ၊ လက္ခဏာများကို ထိန်းချုပ်နိုင်သည်။ သို့သော် DALL-E 2 နှင့် 3 တွင် ပိုမိုထိန်းချုပ်မှုရှိသည်။

ပထမဆုံး ပုံရိပ်ဖန်တီးမှု အက်ပလီကေးရှင်း တည်ဆောက်ခြင်း

ပုံရိပ်ဖန်တီးမှု အက်ပလီကေးရှင်း တည်ဆောက်ရန် လိုအပ်သော library များမှာ -

• python-dotenv - သင့်ရဲ့ လျှို့ဝှက်ချက်များကို .env ဖိုင်ထဲသိမ်းဆည်းရန် အကြံပြုသည်။
• openai - OpenAI API နှင့် ဆက်သွယ်ရန် အသုံးပြုမည့် library ဖြစ်သည်။
• pillow - Python တွင် ပုံရိပ်များကို ကိုင်တွယ်ရန်။
• requests - HTTP request များ ပြုလုပ်ရန်။

1. .env ဖိုင်ကို အောက်ပါအတိုင်း ဖန်တီးပါ -

   AZURE_OPENAI_ENDPOINT=<your endpoint>
   AZURE_OPENAI_API_KEY=<your key>
   

   Azure Portal တွင် သင့် resource ၏ "Keys and Endpoint" အပိုင်းမှ အချက်အလက်များ ရှာဖွေပါ။

2. အထက်ဖော်ပြထားသော library များကို requirements.txt ဖိုင်တွင် စုစည်းပါ -

   python-dotenv
   openai
   pillow
   requests
   

3. နောက်တစ်ဆင့်မှာ virtual environment ဖန်တီးပြီး library များကို ထည့်သွင်းပါ -

   python3 -m venv venv
   source venv/bin/activate
   pip install -r requirements.txt

   Windows အတွက် virtual environment ဖန်တီးခြင်းနှင့် ဖွင့်ခြင်းအတွက် အောက်ပါ command များကို အသုံးပြုပါ -

   python3 -m venv venv
   venv\Scripts\activate.bat

4. app.py ဆိုသော ဖိုင်တွင် အောက်ပါ code များ ထည့်သွင်းပါ -

   import openai
   import os
   import requests
   from PIL import Image
   import dotenv
   
   # import dotenv
   dotenv.load_dotenv()
   
   # Get endpoint and key from environment variables
   openai.api_base = os.environ['AZURE_OPENAI_ENDPOINT']
   openai.api_key = os.environ['AZURE_OPENAI_API_KEY']
   
   # Assign the API version (DALL-E is currently supported for the 2023-06-01-preview API version only)
   openai.api_version = '2023-06-01-preview'
   openai.api_type = 'azure'
   
   
   try:
       # Create an image by using the image generation API
       generation_response = openai.Image.create(
           prompt='Bunny on horse, holding a lollipop, on a foggy meadow where it grows daffodils',    # Enter your prompt text here
           size='1024x1024',
           n=2,
           temperature=0,
       )
       # Set the directory for the stored image
       image_dir = os.path.join(os.curdir, 'images')
   
       # If the directory doesn't exist, create it
       if not os.path.isdir(image_dir):
           os.mkdir(image_dir)
   
       # Initialize the image path (note the filetype should be png)
       image_path = os.path.join(image_dir, 'generated-image.png')
   
       # Retrieve the generated image
       image_url = generation_response["data"][0]["url"]  # extract image URL from response
       generated_image = requests.get(image_url).content  # download the image
       with open(image_path, "wb") as image_file:
           image_file.write(generated_image)
   
       # Display the image in the default image viewer
       image = Image.open(image_path)
       image.show()
   
   # catch exceptions
   except openai.InvalidRequestError as err:
       print(err)

ဒီ code ကို ရှင်းပြပါမယ် -

• ပထမဦးဆုံး လိုအပ်သော library များကို import လုပ်သည်။ OpenAI library၊ dotenv library၊ requests library နှင့် Pillow library ပါဝင်သည်။

  import openai
  import os
  import requests
  from PIL import Image
  import dotenv

• နောက်တစ်ဆင့် .env ဖိုင်မှ environment variable များကို load လုပ်သည်။

  # import dotenv
  dotenv.load_dotenv()

• ထို့နောက် OpenAI API အတွက် endpoint၊ key၊ version နှင့် type ကို သတ်မှတ်သည်။

  # Get endpoint and key from environment variables
  openai.api_base = os.environ['AZURE_OPENAI_ENDPOINT']
  openai.api_key = os.environ['AZURE_OPENAI_API_KEY']
  
  # add version and type, Azure specific
  openai.api_version = '2023-06-01-preview'
  openai.api_type = 'azure'

• နောက်တစ်ဆင့် ပုံရိပ်ကို ဖန်တီးသည် -

  # Create an image by using the image generation API
  generation_response = openai.Image.create(
      prompt='Bunny on horse, holding a lollipop, on a foggy meadow where it grows daffodils',    # Enter your prompt text here
      size='1024x1024',
      n=2,
      temperature=0,
  )

  အထက်ပါ code သည် ဖန်တီးထားသော ပုံရိပ် URL ပါဝင်သည့် JSON object ဖြင့် ပြန်လည်တုံ့ပြန်သည်။ URL ကို အသုံးပြု၍ ပုံရိပ်ကို ဒေါင်းလုပ်လုပ်ပြီး ဖိုင်အဖြစ် သိမ်းဆည်းနိုင်သည်။

• နောက်ဆုံးတွင် ပုံရိပ်ကို ဖွင့်ပြီး ပုံရိပ်ကြည့်ရှုသူဖြင့် ပြသသည် -

  image = Image.open(image_path)
  image.show()

ပုံရိပ်ဖန်တီးမှု code ကို အသေးစိတ်ကြည့်ရှုခြင်း

ပုံရိပ်ဖန်တီးမှု code ကို အသေးစိတ်ကြည့်မယ် -

generation_response = openai.Image.create(
        prompt='Bunny on horse, holding a lollipop, on a foggy meadow where it grows daffodils',    # Enter your prompt text here
        size='1024x1024',
        n=2,
        temperature=0,
    )

• prompt သည် ပုံရိပ်ဖန်တီးရန် အသုံးပြုသော စာသား prompt ဖြစ်သည်။ ဤနေရာတွင် "Bunny on horse, holding a lollipop, on a foggy meadow where it grows daffodils" ကို အသုံးပြုထားသည်။
• size သည် ဖန်တီးမည့် ပုံရိပ်၏ အရွယ်အစားဖြစ်ပြီး ဤနေရာတွင် 1024x1024 ပစ်ဆွဲဖြစ်သည်။
• n သည် ဖန်တီးမည့် ပုံရိပ်အရေအတွက်ဖြစ်ပြီး ဤနေရာတွင် ၂ ပုံ ဖန်တီးမည်။
• temperature သည် Generative AI မော်ဒယ်၏ ထွက်ရှိမှု random ဖြစ်မှုကို ထိန်းချုပ်သည့် ပါရာမီတာဖြစ်သည်။ 0 မှ 1 အတွင်းတန်ဖိုးရှိပြီး 0 ဆိုသည်မှာ ထွက်ရှိမှု သေချာတိကျမှုရှိခြင်း၊ 1 ဆိုသည်မှာ အလွန် random ဖြစ်ခြင်း ဖြစ်သည်။ ပုံမှန်တန်ဖိုးမှာ 0.7 ဖြစ်သည်။

နောက်ပိုင်းတွင် ပုံရိပ်များနှင့် ပတ်သက်၍ ပိုမိုလုပ်ဆောင်နိုင်သည့် အကြောင်းအရာများကို ဆက်လက်ဖော်ပြမည်။

ပုံရိပ်ဖန်တီးမှု၏ ထပ်ဆောင်းစွမ်းရည်များ

Python တွင် အကြောင်းအရာအနည်းငယ်ဖြင့် ပုံရိပ်ဖန်တီးနိုင်ခဲ့ကြောင်း မြင်တွေ့ခဲ့ပါပြီ။ သို့သော် ပုံရိပ်များနှင့် ပိုမိုလုပ်ဆောင်နိုင်သည့် အရာများ ရှိသည်။

အောက်ပါအရာများကိုလည်း ပြုလုပ်နိုင်သည် -

• တည်းဖြတ်ခြင်းများ ပြုလုပ်ခြင်း။ ရှိပြီးသား ပုံရိပ်တစ်ပုံကို mask နှင့် prompt ဖြင့် ပုံရိပ်တည်းဖြတ်နိုင်သည်။ ဥပမာ - ကျွန်ုပ်တို့၏ ကြက်ကလေးပုံရိပ်တွင် ခေါင်းစည်းတပ်ပေးနိုင်သည်။ ၎င်းကို ပြုလုပ်ရန် ပုံရိပ်၊ mask (ပြောင်းလဲလိုသည့် အပိုင်းကို သတ်မှတ်ထားသော) နှင့် စာသား prompt တစ်ခု ပေးရမည်။

  response = openai.Image.create_edit(
    image=open("base_image.png", "rb"),
    mask=open("mask.png", "rb"),
    prompt="An image of a rabbit with a hat on its head.",
    n=1,
    size="1024x1024"
  )
  image_url = response['data'][0]['url']

  အခြေခံပုံရိပ်တွင် ကြက်ကလေးသာ ပါဝင်မည်ဖြစ်ပြီး နောက်ဆုံးပုံရိပ်တွင် ခေါင်းစည်းပါဝင်မည်ဖြစ်သည်။

• မျိုးစုံဖန်တီးခြင်း။ ရှိပြီးသား ပုံရိပ်တစ်ပုံကို ယူပြီး မျိုးစုံပုံများ ဖန်တီးရန် တောင်းဆိုနိုင်သည်။ မျိုးစုံဖန်တီးရန် ပုံရိပ်နှင့် စာသား prompt တစ်ခု ပေးပြီး အောက်ပါ code ကဲ့သို့ အသုံးပြုနိုင်သည် -

  response = openai.Image.create_variation(
    image=open("bunny-lollipop.png", "rb"),
    n=1,
    size="1024x1024"
  )
  image_url = response['data'][0]['url']

  မှတ်ချက် - ဤလုပ်ဆောင်ချက်ကို OpenAI တွင်သာ ထောက်ပံ့သည်။

Temperature

Temperature သည် Generative AI မော်ဒယ်၏ ထွက်ရှိမှု random ဖြစ်မှုကို ထိန်းချုပ်သည့် ပါရာမီတာဖြစ်သည်။ 0 မှ 1 အတွင်းတန်ဖိုးရှိပြီး 0 ဆိုသည်မှာ ထွက်ရှိမှု သေချာတိကျမှုရှိခြင်း၊ 1 ဆိုသည်မှာ အလွန် random ဖြစ်ခြင်း ဖြစ်သည်။ ပုံမှန်တန်ဖိုးမှာ 0.7 ဖြစ်သည်။

Temperature ၏ လုပ်ဆောင်ပုံကို နမူနာဖြင့် ကြည့်မယ်၊ အောက်ပါ prompt ကို နှစ်ကြိမ် လည်ပတ်ကြည့်မယ် -

Prompt : "Bunny on horse, holding a lollipop, on a foggy meadow where it grows daffodils"

ယခု အတူတူ prompt ကို ထပ်မံ လည်ပတ်ကြည့်မယ်၊ ပုံရိပ်တူညီမှု မရှိကြောင်း သေချာရန် -

မြင်တွေ့ရသလို ပုံရိပ်များသည် ဆင်တူသော်လည်း တူညီမှု မရှိကြပါ။ Temperature တန်ဖိုးကို 0.1 သို့ ပြောင်းလဲကြည့်မယ် -

 generation_response = openai.Image.create(
        prompt='Bunny on horse, holding a lollipop, on a foggy meadow where it grows daffodils',    # Enter your prompt text here
        size='1024x1024',
        n=2
    )

Temperature ပြောင်းလဲခြင်း

ထို့ကြောင့် တုံ့ပြန်မှုကို ပိုမို သေချာတိကျစေရန် ကြိုးစားကြည့်မယ်။ ဖန်တီးထားသော ပုံရိပ်နှစ်ပုံကို ကြည့်လျှင် ပထမပုံတွင် ကြက်ကလေးရှိပြီး ဒုတိယပုံတွင် မြင်းရှိသည်။ ထို့ကြောင့် ပုံရိပ်များ ကြီးမားစွာ ကွဲပြားနေသည်။

ထို့ကြောင့် code ကို ပြောင်းလဲပြီး temperature ကို 0 သတ်မှတ်မည် -

generation_response = openai.Image.create(
        prompt='Bunny on horse, holding a lollipop, on a foggy meadow where it grows daffodils',    # Enter your prompt text here
        size='1024x1024',
        n=2,
        temperature=0
    )

ယခု code ကို လည်ပတ်သောအခါ အောက်ပါ ပုံရိပ်နှစ်ပုံ ရရှိမည် -

• ![Temperature 0, v1](./images/v1-temp-generated

အကြောင်းကြားချက်
ဤစာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု Co-op Translator ဖြင့် ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားသော်လည်း အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မှားယွင်းချက်များ ပါဝင်နိုင်ကြောင်း သတိပြုပါရန် မေတ္တာရပ်ခံအပ်ပါသည်။ မူရင်းစာတမ်းကို မူလဘာသာဖြင့်သာ တရားဝင်အချက်အလက်အဖြစ် ယူဆသင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်မှ ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်ချက်ကို အသုံးပြုရာမှ ဖြစ်ပေါ်လာနိုင်သည့် နားလည်မှုမှားယွင်းမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။