Watercolor flowers
Идея проекта
Цель проекта — обучить легкий адаптер LoRA на основе модели Stable Diffusion XL для переноса визуального стиля акварельных флористических орнаментов.
Задача состояла не в копировании конкретных изображений, а в том, чтобы нейросеть научилась воспроизводить характер акварельной техники.
Исходные изображения для обучения
Для обучения была собрана подборка из 53 изображений акварельных флористических паттернов размером 512×512.
В датасете представлены композиции с белым или светлым фоном, крупными и мелкими цветами, листьями и веточками, все в характерной акварельной технике.
Все изображения были получены из открытых источников с лицензиями Public Domain.
Итоговая серия изображений
Обучение модели
Модель обучалась с помощью LoRA-адаптера, подключенного к Stable Diffusion XL Base 1.0. Обучение проходило в среде Kaggle GPU T4×2. Обеченная модель Модель опубликована по адресу: https://huggingface.co/sshxl/watercolor-flowers-sdxl-lora
Результаты
После обучения адаптер был загружен на Hugging Face
Модель успешно воспроизводит стиль акварельных цветочных узоров: • мягкие переходы цвета • прозрачность слоев • естественные неровности мазков • визуальная фактура бумаги
Использованные промты
В процессе работы использовался ChatGPT GPT-5 для написания промптов на английском.
1. vibrant watercolor floral pattern with large blue and violet blossoms, natural loose brushstrokes, soft gradients, white paper background, seamless repeat, artistic textile design 2. romantic watercolor bouquet repeat, powder pink and peach blossoms, airy foliage, off-white textured paper, high repeatability, elegant wallpaper design 3. colorful spring watercolor garden pattern, red, orange, purple and yellow flowers, light green leaves, airy white background, natural composition, high-quality print design 4. pastel botanical watercolor pattern, slender leaves and small blossoms, minimal off-white background, calm composition, soft washes, fabric print aesthetic 5. garden roses and peonies watercolor repeat, creamy background, refined brushwork, crisp contours, decorative motif, seamless layout
Анализ результатов
Модель корректно перенесла ключевые особенности акварельной живописи: • мягкие края и постепенные цветовые переходы • естественную неоднородность мазков • светлую композицию без цифровых артефактов • аккуратный повторяющийся ритм элементов. Некоторые вариации показывают разные типы цветочных мотивов, от насыщенных декоративных до легких пастельных. Таким образом, нейросети удалось передать визуальную эстетику ручной акварели при сохранении структуры орнамента.
Вывод
Эксперимент показал, что использование LoRA-адаптера позволяет эффективно адаптировать крупную диффузионную модель под индивидуальный художественный стиль при минимальных вычислительных затратах.
Результирующая модель демонстрирует консистентный стиль и визуальную выразительность, характерную для ручной акварели.
