> 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 prompts pour Stable Diffusion avec 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 [la place de marché CLORE.AI](https://clore.ai/marketplace).
{% endhint %}

## Louer sur CLORE.AI

1. Visitez [la place de marché CLORE.AI](https://clore.ai/marketplace)
2. Filtrez par type de GPU, VRAM et prix
3. Choisissez **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@<proxy-address>`

## Qu'est-ce qu'IP-Adapter ?

IP-Adapter permet l'invitation par image :

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

## Types d'adaptateurs

| Adaptateur           | Cas d’utilisation             | VRAM  |
| -------------------- | ----------------------------- | ----- |
| IP-Adapter           | Invitation générale par image | 8 Go  |
| IP-Adapter-Plus      | Qualité supérieure            | 10GB  |
| IP-Adapter-Face      | Centré sur le visage          | 10GB  |
| IP-Adapter-Full-Face | Détails complets du visage    | 12 Go |

## Déploiement rapide

**Image Docker :**

```
pytorch/pytorch:2.11.0-cuda12.8-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. Accédez à **Mes commandes** la page
2. Cliquez sur votre commande
3. Trouvez le `http_pub` URL (par ex., `abc123.clorecloud.net`)

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

## Installation

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

## Invitation d'image de base

```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., 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 urbaine moderne",
    ip_adapter_image=style_image,
    num_inference_steps=30,
    guidance_scale=7.5
).images[0]

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

## Adaptateur de visage

Pour une génération centrée 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="peinture de portrait, huile sur toile, qualité musée",
    ip_adapter_image=face_image,
    num_inference_steps=30
).images[0]

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

## Combinaison de 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 force de l'adaptateur
pipe.set_ip_adapter_scale(0.6)  # 0.0 to 1.0

# Échelle faible = plus d'influence de l'invite textuelle

# Échelle élevée = 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="high quality"),
        gr.Textbox(label="Invite négative", value="ugly, blurry"),
        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="Image générée"),
    title="Invitation d'image IP-Adapter"
)

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

## Transfert de style par 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 de {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’usage

### Style de photographie de produit

```python

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

image = pipe(
    prompt="des 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 marque

```python

# 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 | \~5 s  |
| SDXL + IP-Adapter      | RTX 3090 | \~12s  |
| SDXL + IP-Adapter      | RTX 4090 | \~8 s  |
| SDXL + IP-Adapter-Plus | RTX 4090 | \~10 s |

## Dépannage

### Le style n'est pas appliqué

* Augmentez ip\_adapter\_scale
* Utilisez une image de référence plus claire
* Assurez-vous que l'adaptateur est chargé correctement

### Trop d'influence de la référence

* Diminuez ip\_adapter\_scale
* Invite textuelle plus spécifique
* Augmentez guidance\_scale

### Problèmes de mémoire

* Activez le déchargement vers le CPU
* Utilisez SD 1.5 au lieu de SDXL
* Résolution plus faible

## Estimation des coûts

Tarifs typiques du marché CLORE.AI (en 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 40 Go | \~$0.17       | \~$4.00          | \~$0.70             |
| A100 80 Go | \~$0.25       | \~$6.00          | \~$1.00             |

*Les prix varient selon le fournisseur et la demande. Vérifiez* [*la place de marché CLORE.AI*](https://clore.ai/marketplace) *les tarifs actuels.*

**Économisez de l'argent :**

* Utilisez le **Spot** marché pour les travaux interrompables — environ un tiers des serveurs ont un prix spot inférieur au tarif à la demande (médiane \~13 % de remise), les autres s'alignent dessus
* Payez avec **CLORE** jetons
* Comparez les prix entre différents fournisseurs

## Étapes suivantes

* [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
* Extension IP-Adapter pour Stable Diffusion WebUI


---

# 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, and the optional `goal` query parameter:

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

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

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.