> 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-ru/generaciya-izobrazhenii/invokeai.md).

# InvokeAI

InvokeAI — это профессиональный набор инструментов для Stable Diffusion с продвинутым редактором на основе узлов, полной поддержкой SDXL/SD1.5/SD2.x, ControlNet, IP-Adapter, управлением LoRA и отшлифованным веб-интерфейсом. Он разработан для художников и творческих профессионалов, которым нужен точный контроль над процессом генерации изображений. Высопроизводительные GPU CLORE.AI с большим объёмом видеопамяти позволяют запускать SDXL в полном разрешении с несколькими ControlNet одновременно.

{% hint style="success" %}
Все примеры можно запустить на GPU-серверах, арендованных через [CLORE.AI Marketplace](https://clore.ai/marketplace).
{% endhint %}

## Требования к серверу

| Параметр           | Минимум              | Рекомендуется            |
| ------------------ | -------------------- | ------------------------ |
| ОЗУ                | 12 ГБ                | 32 ГБ+                   |
| Видеопамять (VRAM) | 6 ГБ                 | 12 ГБ+                   |
| Диск               | 40 ГБ                | 200 ГБ+                  |
| GPU                | NVIDIA GTX 1060 6GB+ | RTX 3090, RTX 4090, A100 |

{% hint style="info" %}
Для SDXL (1024×1024) без компромиссов рекомендуется 12 ГБ VRAM. Для SD1.5 (512×512 или 768×768) достаточно 6 ГБ VRAM. Большее количество VRAM = выше разрешение, быстрее генерация и большее количество одновременно используемых ControlNet.
{% endhint %}

## Быстрое развертывание на CLORE.AI

**Docker-образ:** `ghcr.io/invoke-ai/invokeai:latest`

**Порты:** `22/tcp`, `9090/http`

**Переменные окружения:**

| Переменная      | Пример      | Описание                                  |
| --------------- | ----------- | ----------------------------------------- |
| `INVOKEAI_ROOT` | `/invokeai` | Корневая директория для моделей и выводов |

## Пошаговая настройка

### 1. Арендуйте GPU-сервер на CLORE.AI

Перейдите на [CLORE.AI Marketplace](https://clore.ai/marketplace) и найдите:

* **Бюджетная творческая работа**: RTX 3080/3090 (10–24 ГБ VRAM)
* **Профессиональный SDXL**: RTX 4090 (24 ГБ VRAM)
* **Максимальное качество**: A100 80GB — запуск нескольких моделей одновременно

### 2. Подключитесь по SSH к вашему серверу

```bash
ssh -p <PORT> root@<SERVER_IP>
```

### 3. Создайте структуру директорий InvokeAI

```bash
mkdir -p /root/invokeai
```

### 4. Скачайте Docker-образ InvokeAI

```bash
docker pull ghcr.io/invoke-ai/invokeai:latest
```

### 5. Запустите InvokeAI

**Базовый запуск:**

```bash
docker run -d \
  --name invokeai \
  --gpus all \
  -p 9090:9090 \
  -v /root/invokeai:/invokeai \
  -e INVOKEAI_ROOT=/invokeai \
  ghcr.io/invoke-ai/invokeai:latest \
  invokeai-web --host 0.0.0.0 --port 9090
```

**С указанием пользовательского корня и увеличенных ресурсов:**

```bash
docker run -d \
  --name invokeai \
  --gpus all \
  --shm-size 8g \
  -p 9090:9090 \
  -v /root/invokeai:/invokeai \
  -v /root/models:/root/models \
  -e INVOKEAI_ROOT=/invokeai \
  ghcr.io/invoke-ai/invokeai:latest \
  invokeai-web --host 0.0.0.0 --port 9090
```

**С указанием конкретного GPU (на сервере с несколькими GPU):**

```bash
docker run -d \
  --name invokeai \
  --gpus '"device=0"' \
  -p 9090:9090 \
  -v /root/invokeai:/invokeai \
  -e INVOKEAI_ROOT=/invokeai \
  -e CUDA_VISIBLE_DEVICES=0 \
  ghcr.io/invoke-ai/invokeai:latest \
  invokeai-web --host 0.0.0.0 --port 9090
```

### 6. Дождитесь инициализации

```bash
docker logs -f invokeai
```

Ищите в логах: `Uvicorn running on http://0.0.0.0:9090`

### 7. Доступ через HTTP-прокси CLORE.AI

Откройте панель управления CLORE.AI и найдите `http_pub` URL для порта 9090:

```
https://<order-id>-9090.clore.ai/
```

Это откроет полный веб-интерфейс InvokeAI в вашем браузере.

### 8. Скачайте вашу первую модель

В UI InvokeAI:

1. Нажмите **Менеджер моделей** (иконка куба в левой боковой панели)
2. Нажмите **Add Model → HuggingFace**
3. Вводите ID модели (например, `stabilityai/stable-diffusion-xl-base-1.0`)
4. Нажмите **Add Model**

Или скачайте напрямую с CivitAI:

1. Перейдите на **Model Manager → Add Model → URL**
2. Вставьте URL для загрузки с CivitAI
3. Установите тип модели (Checkpoint, LoRA и т.д.)

***

## Примеры использования

### Пример 1: Базовая генерация изображения через Web UI

1. Откройте InvokeAI по вашему CLORE.AI http\_pub URL
2. Нажмите **Текст в изображение** в селекторе рабочего процесса
3. Введите промпт: `"величественный дракон, сидящий на кристаллической горе, цифровое искусство, 4k"`
4. Установите негативный промпт: `"размыто, низкое качество, водяной знак"`
5. Установите разрешение на `1024x1024` (SDXL) или `512x512` (SD1.5)
6. Нажмите **Запустить**

### Пример 2: Использование канвы на основе узлов

Редактор рабочих процессов — фирменная функция InvokeAI:

1. Нажмите **Workflows** в верхней навигации
2. Нажмите **Новый Workflow**
3. Добавьте узлы: **Text → Image**, подключите к **Save Image**
4. Добавьте **ControlNet** узел для направленной генерации:
   * Правый клик → Add Node → **ControlNet**
   * Подключите ваше эталонное изображение
   * Выберите процессор: `Canny`, `Depth`, `Pose`, и т.д.
5. Нажмите **Запустить** чтобы запустить полный конвейер

### Пример 3: Использование LoRA

1. Скачайте LoRA с CivitAI (через Model Manager → импорт по URL)
2. В панели генерации найдите **LoRA** раздел
3. Нажмите **+** и выберите вашу LoRA
4. Установите вес (обычно 0.5–1.0)
5. Добавьте триггерное слово в промпт (указано на странице модели CivitAI)

Пример промпта с триггером LoRA:

```
портрет женщины, <lora:detail-tweaker:0.8>, гиперреалистичный, студийное освещение
```

### Пример 4: Использование IP-Adapter для переноса стиля

1. Включите **IP-Adapter** в панели генерации
2. Загрузите эталонное изображение стиля
3. Установите вес (0.5 = тонкое влияние, 1.0 = сильное влияние)
4. Генерируйте с любым промптом — результат будет соответствовать эталонному стилю

### Пример 5: Использование API (без UI)

InvokeAI предоставляет REST API для программного использования:

```python
import requests
import time
import base64

BASE_URL = "http://localhost:9090"  # или ваш CLORE.AI http_pub URL

# Перечислить доступные модели
models = requests.get(f"{BASE_URL}/api/v1/models").json()
print("Available models:", [m["name"] for m in models.get("items", [])])

# Поставить задание в очередь генерации
payload = {
    "batch": {
        "graph": {
            "nodes": {
                "text_encoder": {
                    "type": "compel",
                    "id": "text_encoder",
                    "prompt": "футуристический город на закате, фотореализм",
                },
                "noise": {
                    "type": "noise",
                    "id": "noise",
                    "width": 1024,
                    "height": 1024,
                    "seed": 42,
                },
                "denoise_latents": {
                    "type": "denoise_latents",
                    "id": "denoise_latents",
                    "steps": 30,
                    "cfg_scale": 7.5,
                    "scheduler": "dpmpp_2m",
                },
                "l2i": {
                    "type": "l2i",
                    "id": "l2i",
                },
            },
            "edges": [],
        }
    }
}

# Проще: используйте очередь API
response = requests.post(f"{BASE_URL}/api/v1/queue/default/enqueue_batch", json=payload)
print(response.status_code)
```

***

## Конфигурация

### Файл конфигурации invokeai.yaml

Расположен в `/root/invokeai/invokeai.yaml`:

```yaml
InvokeAI:
  Веб-сервер:
    host: 0.0.0.0
    port: 9090
    allow_origins: []
    
  Функции:
    esrgan: true          # масштабирование ESRGAN
    internet_available: true
    
  Память/Производительность:
    ram: 12.0             # Макс. ОЗУ для кэша моделей (ГБ)
    vram: 0.25            # Доля VRAM для кэша моделей
    lazy_offload: true    # Выгружать модели на CPU, когда не используются
    
  Пути:
    models_path: /invokeai/models
    db_path: /invokeai/databases/invokeai.db
    outdir: /invokeai/outputs
```

### Рекомендуемые настройки по GPU

**RTX 3090 / 4090 (24 ГБ VRAM):**

```yaml
Память/Производительность:
  ram: 24.0
  vram: 0.5   # Оставлять 50% для активной модели
  lazy_offload: false  # Не выгружать — достаточно VRAM
```

**RTX 3080 (10 ГБ VRAM):**

```yaml
Память/Производительность:
  ram: 16.0
  vram: 0.25
  lazy_offload: true
```

**Меньшие GPU (6-8 ГБ VRAM):**

```yaml
Память/Производительность:
  ram: 8.0
  vram: 0.1
  lazy_offload: true
```

***

## Советы по производительности

### 1. Используйте SDXL-Turbo или SDXL-Lightning для быстрой генерации

Вместо SDXL base (25–50 шагов) используйте:

* **SDXL-Turbo**: 1–4 шага, генерация в реальном времени
* **SDXL-Lightning**: 4–8 шагов, качество, близкое к SDXL

Скачивание через Model Manager → HuggingFace:

* `stabilityai/sdxl-turbo`
* `ByteDance/SDXL-Lightning`

### 2. Выберите подходящий планировщик (scheduler)

| Scheduler      | Качество | Скорость | Лучше всего для             |
| -------------- | -------- | -------- | --------------------------- |
| `euler_a`      | Хорошо   | Быстро   | Общее использование         |
| `dpmpp_2m`     | Отлично  | Быстро   | Фотореалистичные результаты |
| `dpmpp_2m_sde` | Отлично  | Средне   | Высокая детализация         |
| `ddim`         | Хорошо   | Быстро   | Инпейтинг                   |
| `lms`          | Хорошо   | Быстро   | Художественные стили        |

### 3. Включите оптимизацию памяти xFormers

InvokeAI включает это автоматически, когда доступно. Проверьте в логах:

```
xFormers is available
```

### 4. Используйте кэширование моделей

Держите наиболее используемые модели в кэше. В invokeai.yaml:

```yaml
ram: 32.0  # Больше = больше кэшированных моделей
```

### 5. Используйте тайлинг для больших разрешений

Для изображений больше, чем позволяет ваша VRAM (например, 2048×2048 на GPU с 12 ГБ):

* Используйте **Tiled VAE** в редакторе рабочего процесса
* Или генерируйте в 1024×1024, затем увеличьте с помощью **ESRGAN**

***

## Устранение неполадок

### Проблема: "CUDA out of memory"

```
RuntimeError: CUDA out of memory
```

**Решения:**

1. Понизить разрешение (1024→768 или 512)
2. Уменьшить размер батча до 1
3. Включить lazy offloading в invokeai.yaml
4. Использовать меньшую модель (SD1.5 вместо SDXL)

### Проблема: Web UI недоступен

```bash
# Проверьте, запущен ли контейнер
docker ps | grep invokeai

# Проверьте логи на предмет ошибок
docker logs invokeai 2>&1 | tail -50

# Проверьте маппинг портов
docker port invokeai
```

Убедитесь, что порт 9090 указан в конфигурации портов вашего заказа CLORE.AI.

### Проблема: скачивание модели внутри контейнера не удаётся

```bash
# Скачайте вручную через exec
docker exec -it invokeai bash
cd /invokeai/models/main
wget "https://civitai.com/api/download/models/XXX" -O mymodel.safetensors
```

### Проблема: медленная генерация (< 1 ит/с)

* Проверьте загрузку GPU: `docker exec -it invokeai nvidia-smi`
* Убедитесь, что xFormers включен в логах
* Попробуйте `euler_a` scheduler (самый быстрый)

### Проблема: чёрные/повреждённые изображения

Обычно проблема с VAE. Попробуйте:

1. Менеджер моделей → Редактировать модель → Поменять VAE на `sdxl-vae-fp16-fix`
2. Или добавить `--fp32-vae` флаг

### Проблема: контейнер не запускается

```bash
docker logs invokeai
# Часто: порт 9090 уже используется
# Решение:
docker stop $(docker ps -q --filter "publish=9090")
docker start invokeai
```

***

## Ссылки

* [GitHub](https://github.com/invoke-ai/InvokeAI)
* [Документация](https://invoke-ai.github.io/InvokeAI/)
* [Docker Hub / GHCR](https://github.com/invoke-ai/InvokeAI/pkgs/container/invokeai)
* [CivitAI (модели)](https://civitai.com)
* [CLORE.AI Marketplace](https://clore.ai/marketplace)

***

## Рекомендации по GPU от Clore.ai

| Сценарий использования  | Рекомендуемый GPU | Примерная стоимость на Clore.ai |
| ----------------------- | ----------------- | ------------------------------- |
| Разработка/Тестирование | RTX 3090 (24GB)   | \~$0.12/gpu/hr                  |
| Продакшн                | RTX 4090 (24GB)   | \~$0.70/gpu/hr                  |
| Крупномасштабно         | A100 80GB         | \~$1.20/gpu/hr                  |

> 💡 Все примеры в этом руководстве можно развернуть на [Clore.ai](https://clore.ai/marketplace) GPU-серверах. Просматривайте доступные GPU и арендуйте по часам — без обязательств, с полным root-доступом.


---

# 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-ru/generaciya-izobrazhenii/invokeai.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.