InstantID

Générez des images avec n'importe quelle identité faciale à partir d'une photo de référence

Générez des images avec n'importe quelle identité faciale en utilisant une seule photo de référence.

Tous les exemples peuvent être exécutés sur des serveurs GPU loués via CLORE.AI Marketplace.

Location sur CLORE.AI

1. Visitez CLORE.AI Marketplace

2. Filtrer par type de GPU, VRAM et prix

3. Choisir À la demande (tarif fixe) ou Spot (prix d'enchère)

4. Configurez votre commande :

   • Sélectionnez l'image Docker

   • Définissez les ports (TCP pour SSH, HTTP pour les interfaces web)

   • Ajoutez des variables d'environnement si nécessaire

   • Entrez la commande de démarrage

5. Sélectionnez le paiement : CLORE, BTC, ou USDT/USDC

6. Créez la commande et attendez le déploiement

Accédez à votre serveur

• Trouvez les détails de connexion dans Mes commandes

• Interfaces Web : utilisez l'URL du port HTTP

• SSH : ssh -p <port> root@<adresse-proxy>

Qu'est-ce qu'InstantID ?

InstantID préserve l'identité faciale :

• Utilisez n'importe quel visage de référence

• Zero-shot - pas d'entraînement nécessaire

• Fonctionne avec n'importe quel style/commande

• Meilleur que l'entraînement LoRA

Exigences

Mode	VRAM	Recommandé
Basique	12Go	RTX 4080
Haute qualité	16Go	RTX 4090
Avec pose	16 Go+	RTX 4090

Déploiement rapide

Image Docker :

pytorch/pytorch:2.5.1-cuda12.4-cudnn9-devel

Ports :

22/tcp
7860/http

Commande :

pip install diffusers transformers accelerate opencv-python insightface onnxruntime-gpu && \
huggingface-cli download InstantX/InstantID --local-dir ./checkpoints && \
python instantid_app.py

Accéder à votre service

Après le déploiement, trouvez votre http_pub URL dans Mes commandes:

1. Aller à la Mes commandes page

2. Cliquez sur votre commande

3. Trouvez l' http_pub URL (par ex., abc123.clorecloud.net)

Utilisez https://VOTRE_HTTP_PUB_URL au lieu de localhost dans les exemples ci-dessous.

Installation

pip install diffusers transformers accelerate
pip install opencv-python insightface onnxruntime-gpu
pip install huggingface_hub

# Télécharger les modèles
huggingface-cli download InstantX/InstantID --local-dir ./checkpoints

Utilisation de base

import torch
import cv2
import numpy as np
from PIL import Image
from diffusers import StableDiffusionXLPipeline, DDIMScheduler
from insightface.app import FaceAnalysis

# Initialiser l'analyseur de visage
app = FaceAnalysis(name='antelopev2', root='./', providers=['CUDAExecutionProvider'])
app.prepare(ctx_id=0, det_size=(640, 640))

# Charger le pipeline
pipe = StableDiffusionXLPipeline.from_pretrained(
    "stabilityai/stable-diffusion-xl-base-1.0",
    torch_dtype=torch.float16
).to("cuda")

# Charger les composants InstantID
from diffusers import ControlNetModel

controlnet = ControlNetModel.from_pretrained(
    "./checkpoints/ControlNetModel",
    torch_dtype=torch.float16
)

# Charger IP-Adapter pour le visage
pipe.load_ip_adapter(
    "./checkpoints",
    subfolder="",
    weight_name="ip-adapter.bin"
)

# Traiter le visage de référence
face_image = cv2.imread("reference_face.jpg")
faces = app.get(face_image)
face_emb = faces[0].normed_embedding

# Générer avec l'identité faciale
image = pipe(
    prompt="portrait d'une personne en astronaute, fond spatial",
    negative_prompt="laid, flou, basse qualité",
    ip_adapter_image_embeds=[torch.tensor(face_emb).unsqueeze(0)],
    num_inference_steps=30,
    guidance_scale=7.5
).images[0]

image.save("output.png")

Utilisation du pipeline Diffusers

from diffusers import StableDiffusionXLInstantIDPipeline, DDIMScheduler
from insightface.app import FaceAnalysis
import torch
import cv2

# Charger l'analyseur de visage
app = FaceAnalysis(name='antelopev2', providers=['CUDAExecutionProvider'])
app.prepare(ctx_id=0)

# Charger le pipeline
pipe = StableDiffusionXLInstantIDPipeline.from_pretrained(
    "stabilityai/stable-diffusion-xl-base-1.0",
    controlnet="./checkpoints/ControlNetModel",
    torch_dtype=torch.float16
).to("cuda")

pipe.load_ip_adapter_instantid("./checkpoints/ip-adapter.bin")

# Obtenir l'embedding du visage
face_image = cv2.imread("face.jpg")
face_info = app.get(face_image)[0]

face_emb = face_info.normed_embedding
face_kps = face_info.kps

# Générer
image = pipe(
    prompt="peinture de portrait aquarelle, artistique",
    face_emb=face_emb,
    face_kps=face_kps,
    num_inference_steps=30
).images[0]

image.save("portrait.png")

Exemples de styles

Photo professionnelle (headshot)

prompt = "photo professionnelle d'entreprise, éclairage studio, fond gris, tenue professionnelle"
negative = "dessin animé, anime, illustration, flou"

Portrait artistique

prompt = "portrait à l'huile dans le style de Rembrandt, éclairage dramatique, qualité musée"
negative = "photo, réaliste, moderne"

Personnage fantastique

prompt = "personnage elfe fantastique, oreilles pointues, forêt magique en arrière-plan, éclairage éthéré"
negative = "oreilles humaines, vêtements modernes, réaliste"

Style anime

prompt = "portrait de personnage anime, style Studio Ghibli, détaillé, beau"
negative = "réaliste, photo, rendu 3D"

Avec contrôle de la pose

from diffusers.utils import load_image

# Charger la référence de pose
pose_image = load_image("pose_reference.jpg")

# Générer avec visage ET pose
image = pipe(
    prompt="personne en pose d'action, dynamique, haute qualité",
    face_emb=face_emb,
    face_kps=face_kps,
    image=pose_image,  # Référence de pose
    controlnet_conditioning_scale=0.8,
    num_inference_steps=30
).images[0]

Interface Gradio

import gradio as gr
import torch
import cv2
import numpy as np
from diffusers import StableDiffusionXLInstantIDPipeline
from insightface.app import FaceAnalysis

app = FaceAnalysis(name='antelopev2', providers=['CUDAExecutionProvider'])
app.prepare(ctx_id=0)

pipe = StableDiffusionXLInstantIDPipeline.from_pretrained(
    "stabilityai/stable-diffusion-xl-base-1.0",
    controlnet="./checkpoints/ControlNetModel",
    torch_dtype=torch.float16
).to("cuda")

pipe.load_ip_adapter_instantid("./checkpoints/ip-adapter.bin")

def generate(face_image, prompt, negative_prompt, strength, steps):
    # Convertir au format cv2
    face_cv = cv2.cvtColor(np.array(face_image), cv2.COLOR_RGB2BGR)

    # Obtenir les informations du visage
    faces = app.get(face_cv)
    if len(faces) == 0:
        return None, "Aucun visage détecté !"

    face_info = faces[0]
    face_emb = face_info.normed_embedding
    face_kps = face_info.kps

    # Générer
    image = pipe(
        prompt=prompt,
        negative_prompt=negative_prompt,
        face_emb=face_emb,
        face_kps=face_kps,
        ip_adapter_scale=strength,
        num_inference_steps=steps
    ).images[0]

    return image, "Succès !"

demo = gr.Interface(
    fn=generate,
    inputs=[
        gr.Image(type="pil", label="Visage de référence"),
        gr.Textbox(label="Prompt", value="portrait professionnel"),
        gr.Textbox(label="Invite négative", value="laid, flou"),
        gr.Slider(0.1, 1.0, value=0.8, label="Force de l'identité"),
        gr.Slider(10, 50, value=30, step=1, label="Étapes")
    ],
    outputs=[
        gr.Image(label="Image générée"),
        gr.Textbox(label="Statut")
    ],
    title="InstantID - Génération préservant l'identité"
)

demo.launch(server_name="0.0.0.0", server_port=7860)

Remplacement de visage par lot

import os
from pathlib import Path

def batch_generate(face_image_path, prompts, output_dir):
    # Charger le visage
    face_cv = cv2.imread(face_image_path)
    face_info = app.get(face_cv)[0]
    face_emb = face_info.normed_embedding
    face_kps = face_info.kps

    os.makedirs(output_dir, exist_ok=True)

    for i, prompt in enumerate(prompts):
        print(f"Génération {i+1}/{len(prompts)} : {prompt[:50]}...")

        image = pipe(
            prompt=prompt,
            negative_prompt="laid, flou, déformé",
            face_emb=face_emb,
            face_kps=face_kps,
            num_inference_steps=30
        ).images[0]

        image.save(f"{output_dir}/output_{i:03d}.png")

# Utilisation
prompts = [
    "astronaute en combinaison spatiale, fond Terre",
    "chevalier médiéval en armure",
    "scientifique dans un laboratoire",
    "chef dans la cuisine d'un restaurant",
    "athlète sur le terrain de sport"
]

batch_generate("my_face.jpg", prompts, "./outputs")

Contrôle de la force d'identité

# Faible intensité - plus de style, moins d'identité
image_stylized = pipe(
    prompt=prompt,
    face_emb=face_emb,
    ip_adapter_scale=0.4,  # Faible
    num_inference_steps=30
).images[0]

# Haute intensité - plus d'identité, moins de style
image_faithful = pipe(
    prompt=prompt,
    face_emb=face_emb,
    ip_adapter_scale=0.9,  # Élevé
    num_inference_steps=30
).images[0]

Optimisation de la mémoire

# Activer les optimisations
pipe.enable_model_cpu_offload()
pipe.enable_vae_slicing()

# Ou utiliser le déchargement séquentiel pour très peu de VRAM
pipe.enable_sequential_cpu_offload()

Performances

Mode	GPU	Temps par image
Basique	RTX 4090	~8s
Avec pose	RTX 4090	~12s
Basique	RTX 3090	~15s
Basique	A100	~5s

Dépannage

Aucun visage détecté

• Assurez-vous que le visage est clairement visible

• Bonne éclairage sur l'image de référence

• Le visage doit être orienté vers l'avant

Identité non préservée

• Augmenter ip_adapter_scale

• Utilisez une photo de référence plus nette

• Évitez les angles extrêmes

Style non appliqué

• Diminuer ip_adapter_scale

• Invite plus descriptive

• Augmenter guidance_scale

Estimation des coûts

Tarifs typiques du marché CLORE.AI (à partir de 2024) :

GPU	Tarif horaire	Tarif journalier	Session de 4 heures
RTX 3060	~$0.03	~$0.70	~$0.12
RTX 3090	~$0.06	~$1.50	~$0.25
RTX 4090	~$0.10	~$2.30	~$0.40
A100 40GB	~$0.17	~$4.00	~$0.70
A100 80GB	~$0.25	~$6.00	~$1.00

Les prix varient selon le fournisseur et la demande. Vérifiez CLORE.AI Marketplace pour les tarifs actuels.

Économisez de l'argent :

• Utilisez Spot market pour les charges de travail flexibles (souvent 30-50 % moins cher)

• Payer avec CLORE jetons

• Comparer les prix entre différents fournisseurs

Prochaines étapes

• IP-Adapter - Invitation par image

• Stable Diffusion WebUI - extension InstantID

• ControlNet - Contrôle de la pose