«But one day, tiny flames will dance across the darkness. Like embers, linked by lords past.»
«Но однажды крошечные огоньки затанцуют во тьме, словно искры, связанные повелителями прошлого.»
Dark Souls 3
концепция |
Ингушские башни — это важные архитектурные памятники и свидетельства истории региона. Они отражают уникальные строительные традиции народа.
В моём проекте эти башни стали главным визуальным элементом и превращаются в серии изображений в свидетелей исчезнувшего мира. В отличие от обычной фотографии, где архитектура фиксируется как часть реального пейзажа, здесь башни помещены в слегка изменённую среду с туманом, пустотой и разбросанными руинами, что создаёт атмосферу мрачного фэнтези.
Мой интерес к такой визуальной атмосфере возник ещё в детстве. Я часто играла в Dark Souls, а каждая летняя семейная поездка в горы включала прогулки по скалам и старым каменным башням. Тогда, когда я смотрела на эти башни мне всегда хотелось объединить ощущение их величия и одиночества с мистической атмосферой любимой игры.
В проекте я хотела оставить горы и долины узнаваемыми, но слегка подстроить пространство под мрачную атмосферу игры, где мир кажется заброшенным и пустым.
Туман, свет и небо усиливают ощущение изоляции, а сами башни начинают восприниматься не как часть живого мира, а как его последние следы и больше как устойчивые формы в пространстве без жизни и времени.
В результате серия изображений создаёт цельный образ мира, в котором почти ничего не осталось, кроме архитектуры, пережившей исчезновение всего остального. Башни становятся «последними хранителями» истории, словно застывшими в пространстве, где прошлое ещё ощущается, но утратило связь с настоящим.
исходные изображения |
Для обучения нейросети я собрала из личного архива датасет из 22 фотографий башенных комплексов и природы горной Ингушетии.
Все изображения я привела к квадратному формату 1:1 и уменьшила их размер до 512×512 px.
процесс обучения |
Сначала я проверила, есть ли доступная видеокарта NVIDIA и насколько она загружена. После этого установила все нужные библиотеки для работы с генеративными моделями и настройки LoRA.
Дальше я скачала последнюю версию библиотеки diffusers с GitHub, чтобы работать со Stable Diffusion и использовать возможности DreamBooth.
После этого я подключила хранилище и подготовила функции для отображения изображений. Затем загрузила свой датасет и внимательно просмотрела все картинки, чтобы убедиться, что они подходят для обучения.
Затем подгружается предобученная модель BLIP и процессор для подготовки изображений. С их помощью создаются текстовые описания для каждого изображения из датасета.
Для всех файлов автоматически формируются подписи, и результат сохраняется в metadata.json, создавая пары «изображение — описание», которые нужны для обучения модели.
После этого я освобождаю память, удаляю временные модели и настраиваю кодировку UTF-8 для корректной работы с текстом. Затем инициализирую библиотеку Accelerate, чтобы обучение шло быстрее и стабильнее.
Далее выполняется авторизация на Hugging Face для доступа к моделям и возможности сохранения результатов.
В этом блоке я задаю параметры обучения: базовую модель, путь к датасету, размер изображений, количество шагов, learning rate и настройки LoRA.
Сам блок обучения запускается через Accelerate и показывает прогресс в реальном времени, что позволяет отслеживать результат на каждом шаге.
После завершения я получаю готовую модель и создаю ссылку, по которой её можно открыть или использовать.
В финале модель оформляется и публикуется на Hugging Face, чтобы её можно было использовать снова или делиться с другими.
итоговые изображения |
На первом этапе я использовала базовый промпт, чтобы оценить работу модели.
[1] prompt = “Old mountain town”
