> For the complete documentation index, see [llms.txt](https://docs.clore.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.clore.ai/guides/guides_v2-fr/visage-et-identite/ip-adapter.md).

# IP-Adapter

Utilisez des images comme invites pour la génération Stable Diffusion.

{% hint style="success" %}
Tous les exemples peuvent être exécutés sur des serveurs GPU loués via [CLORE.AI Marketplace](https://clore.ai/marketplace).
{% endhint %}

## Location sur CLORE.AI

1. Visitez [CLORE.AI Marketplace](https://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 que IP-Adapter ?

IP-Adapter permet l'utilisation d'images comme invites :

* Utiliser des images de référence pour guider la génération
* Combiner avec des invites textuelles
* Transfert de style et transfert de contenu
* Fonctionne avec SD 1.5 et SDXL

## Types d'adaptateurs

| Adaptateur           | Cas d'utilisation          | VRAM |
| -------------------- | -------------------------- | ---- |
| IP-Adapter           | Invite d'image générale    | 8 Go |
| IP-Adapter-Plus      | Qualité supérieure         | 10Go |
| IP-Adapter-Face      | Axé sur le visage          | 10Go |
| IP-Adapter-Full-Face | Détails complets du visage | 12Go |

## Déploiement rapide

**Image Docker :**

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

**Ports :**

```
22/tcp
7860/http
```

**Commande :**

```bash
pip install diffusers transformers accelerate && \
python ip_adapter_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

```bash
pip install diffusers transformers accelerate
```

## Invite d'image basique

```python
from diffusers import AutoPipelineForText2Image
from diffusers.utils import load_image
import torch

pipe = AutoPipelineForText2Image.from_pretrained(
    "stabilityai/stable-diffusion-xl-base-1.0",
    torch_dtype=torch.float16
).to("cuda")

# Charger IP-Adapter
pipe.load_ip_adapter(
    "h94/IP-Adapter",
    subfolder="sdxl_models",
    weight_name="ip-adapter_sdxl.bin"
)

# Charger l'image de référence
ip_image = load_image("reference.jpg")

# Générer avec une invite image
image = pipe(
    prompt="un chat dans le même style",
    ip_adapter_image=ip_image,
    num_inference_steps=30
).images[0]

image.save("output.png")
```

## Transfert de style

```python
from diffusers import AutoPipelineForText2Image
from diffusers.utils import load_image
import torch

pipe = AutoPipelineForText2Image.from_pretrained(
    "runwayml/stable-diffusion-v1-5",
    torch_dtype=torch.float16
).to("cuda")

pipe.load_ip_adapter(
    "h94/IP-Adapter",
    subfolder="models",
    weight_name="ip-adapter_sd15.bin"
)

# Référence de style (par ex. une peinture de Van Gogh)
style_image = load_image("van_gogh_starry_night.jpg")

# Générer un nouveau contenu dans ce style
image = pipe(
    prompt="une ligne d'horizon de ville moderne",
    ip_adapter_image=style_image,
    num_inference_steps=30,
    guidance_scale=7.5
).images[0]

image.save("city_van_gogh.png")
```

## Adaptateur visage

Pour la génération axée sur le visage :

```python
from diffusers import AutoPipelineForText2Image
from diffusers.utils import load_image
import torch

pipe = AutoPipelineForText2Image.from_pretrained(
    "stabilityai/stable-diffusion-xl-base-1.0",
    torch_dtype=torch.float16
).to("cuda")

# Charger l'adaptateur spécifique au visage
pipe.load_ip_adapter(
    "h94/IP-Adapter",
    subfolder="sdxl_models",
    weight_name="ip-adapter-plus-face_sdxl_vit-h.bin"
)

# Visage de référence
face_image = load_image("face_reference.jpg")

# Générer un portrait
image = pipe(
    prompt="portrait peint, huile sur toile, qualité musée",
    ip_adapter_image=face_image,
    num_inference_steps=30
).images[0]

image.save("portrait.png")
```

## Combiner plusieurs images

```python
from diffusers import AutoPipelineForText2Image
from diffusers.utils import load_image
import torch

pipe = AutoPipelineForText2Image.from_pretrained(
    "stabilityai/stable-diffusion-xl-base-1.0",
    torch_dtype=torch.float16
).to("cuda")

pipe.load_ip_adapter(
    "h94/IP-Adapter",
    subfolder="sdxl_models",
    weight_name="ip-adapter_sdxl.bin"
)

# Plusieurs images de référence
images = [
    load_image("style1.jpg"),
    load_image("style2.jpg")
]

# Générer en mélangeant les deux
image = pipe(
    prompt="peinture de paysage",
    ip_adapter_image=images,
    num_inference_steps=30
).images[0]
```

## Contrôle de l'échelle

```python

# Définir la puissance de l'adaptateur
pipe.set_ip_adapter_scale(0.6)  # 0.0 à 1.0

# Faible échelle = plus d'influence de l'invite textuelle

# Haute échelle = plus d'influence de l'invite image

# Mise à l'échelle par image avec plusieurs images
pipe.set_ip_adapter_scale([0.7, 0.3])
```

## Avec ControlNet

```python
from diffusers import (
    AutoPipelineForText2Image,
    ControlNetModel
)
from diffusers.utils import load_image
import torch

# Charger ControlNet
controlnet = ControlNetModel.from_pretrained(
    "lllyasviel/control_v11p_sd15_canny",
    torch_dtype=torch.float16
)

pipe = AutoPipelineForText2Image.from_pretrained(
    "runwayml/stable-diffusion-v1-5",
    controlnet=controlnet,
    torch_dtype=torch.float16
).to("cuda")

# Charger IP-Adapter
pipe.load_ip_adapter(
    "h94/IP-Adapter",
    subfolder="models",
    weight_name="ip-adapter_sd15.bin"
)

# Image de style
style_image = load_image("style.jpg")

# Image de contrôle (carte des contours)
control_image = load_image("edges.png")

image = pipe(
    prompt="illustration détaillée",
    image=control_image,
    ip_adapter_image=style_image,
    num_inference_steps=30
).images[0]
```

## Interface Gradio

```python
import gradio as gr
import torch
from diffusers import AutoPipelineForText2Image
from diffusers.utils import load_image

pipe = AutoPipelineForText2Image.from_pretrained(
    "stabilityai/stable-diffusion-xl-base-1.0",
    torch_dtype=torch.float16
).to("cuda")

pipe.load_ip_adapter(
    "h94/IP-Adapter",
    subfolder="sdxl_models",
    weight_name="ip-adapter_sdxl.bin"
)

def generate(reference_image, prompt, negative_prompt, scale, steps):
    pipe.set_ip_adapter_scale(scale)

    image = pipe(
        prompt=prompt,
        negative_prompt=negative_prompt,
        ip_adapter_image=reference_image,
        num_inference_steps=steps
    ).images[0]

    return image

demo = gr.Interface(
    fn=generate,
    inputs=[
        gr.Image(type="pil", label="Image de référence"),
        gr.Textbox(label="Invite", value="haute qualité"),
        gr.Textbox(label="Invite négative", value="laid, flou"),
        gr.Slider(0.0, 1.0, value=0.6, label="Échelle IP-Adapter"),
        gr.Slider(10, 50, value=30, step=1, label="Étapes")
    ],
    outputs=gr.Image(label="Generated Image"),
    title="Invite d'image IP-Adapter"
)

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

## Transfert de style en lot

```python
from diffusers import AutoPipelineForText2Image
from diffusers.utils import load_image
import torch
import os

pipe = AutoPipelineForText2Image.from_pretrained(
    "stabilityai/stable-diffusion-xl-base-1.0",
    torch_dtype=torch.float16
).to("cuda")

pipe.load_ip_adapter(
    "h94/IP-Adapter",
    subfolder="sdxl_models",
    weight_name="ip-adapter_sdxl.bin"
)

# Référence de style
style_image = load_image("art_style.jpg")

# Sujets à générer
subjects = [
    "un paysage de montagne",
    "une ville la nuit",
    "une forêt en automne",
    "un coucher de soleil sur l'océan",
    "un village enneigé"
]

output_dir = "./styled_outputs"
os.makedirs(output_dir, exist_ok=True)

for i, subject in enumerate(subjects):
    print(f"Génération {i+1}/{len(subjects)} : {subject}")

    image = pipe(
        prompt=subject,
        ip_adapter_image=style_image,
        num_inference_steps=30
    ).images[0]

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

## Cas d'utilisation

### Style photographie de produit

```python

# Référence : photo produit professionnelle
style = load_image("product_photo_reference.jpg")

image = pipe(
    prompt="baskets rouges sur fond blanc",
    ip_adapter_image=style,
    num_inference_steps=30
).images[0]
```

### Transfert de style artistique

```python

# Référence : peinture célèbre
style = load_image("monet_painting.jpg")

image = pipe(
    prompt="portrait d'une femme dans un jardin",
    ip_adapter_image=style,
    num_inference_steps=30
).images[0]
```

### Cohérence de la marque

```python

# Référence : image du guide de style de la marque
style = load_image("brand_style.jpg")

prompts = [
    "bannière principale du site web",
    "publication sur les réseaux sociaux",
    "en-tête de newsletter par e-mail"
]

for prompt in prompts:
    image = pipe(prompt=prompt, ip_adapter_image=style).images[0]
```

## Optimisation de la mémoire

```python
pipe.enable_model_cpu_offload()
pipe.enable_vae_slicing()

# Pour une VRAM très limitée
pipe.enable_sequential_cpu_offload()
```

## Performances

| Modèle                 | GPU      | Temps |
| ---------------------- | -------- | ----- |
| SD 1.5 + IP-Adapter    | RTX 3090 | \~5s  |
| SDXL + IP-Adapter      | RTX 3090 | \~12s |
| SDXL + IP-Adapter      | RTX 4090 | \~8s  |
| SDXL + IP-Adapter-Plus | RTX 4090 | \~10s |

## Dépannage

### Style non appliqué

* Augmenter ip\_adapter\_scale
* Utiliser une image de référence plus claire
* Assurer que l'adaptateur est chargé correctement

### Trop d'influence de la référence

* Diminuer ip\_adapter\_scale
* Invite textuelle plus spécifique
* Augmenter guidance\_scale

### Problèmes de mémoire

* Activer le déchargement vers le CPU
* Utiliser SD 1.5 au lieu de SDXL
* Baisser la résolution

## 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*](https://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

* [InstantID](/guides/guides_v2-fr/visage-et-identite/instantid.md) - Identité du visage
* [ControlNet](/guides/guides_v2-fr/traitement-dimages/controlnet-advanced.md) - Contrôle de la structure
* Stable Diffusion WebUI - extension IP-Adapter


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://docs.clore.ai/guides/guides_v2-fr/visage-et-identite/ip-adapter.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.