> 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 набор инструментов Stable Diffusion профессионального уровня с продвинутым редактором холста на основе узлов, полной поддержкой SDXL/SD1.5/SD2.x, ControlNet, IP-Adapter, управлением LoRA и отточенным веб-интерфейсом. Он разработан для художников и творческих профессионалов, которым нужен точный контроль над рабочим процессом генерации изображений. Высоковидеопамятные GPU CLORE.AI позволяют запускать SDXL в полном разрешении с несколькими ControlNet одновременно.

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

## Требования к серверу

| Параметр | Минимум               | Рекомендуется            |
| -------- | --------------------- | ------------------------ |
| ОЗУ      | 12 ГБ                 | 32 ГБ+                   |
| VRAM     | 6 ГБ                  | 12 ГБ+                   |
| Диск     | 40 ГБ                 | 200 ГБ+                  |
| GPU      | NVIDIA GTX 1060 6 ГБ+ | 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. Чем больше VRAM, тем выше разрешение, быстрее генерация и больше ControlNet одновременно.
{% endhint %}

## Быстрое развертывание на CLORE.AI

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

**Порты:** `22/tcp`, `9090/http`

**Переменные среды:**

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

## Пошаговая настройка

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

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

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

### 2. Подключитесь к серверу по SSH

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

### 3. Создайте структуру каталогов 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 пользовательским корнем и увеличенными ресурсами:**

```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 конкретным GPU (сервер 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: `Uvicorn запущен на 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 свою первую модель

В интерфейсе InvokeAI:

1. Нажмите **Менеджер моделей** (значок куба на левой боковой панели)
2. Нажмите **Добавить модель → HuggingFace**
3. Введите ID модели (например, `stabilityai/stable-diffusion-xl-base-1.0`)
4. Нажмите **Добавить модель**

Или скачайте непосредственно с CivitAI:

1. Перейдите на **Менеджер моделей → Добавить модель → URL**
2. Вставьте URL загрузки CivitAI
3. Укажите тип модели (Checkpoint, LoRA и т. д.)

***

## Примеры использования

### Пример 1: Базовая генерация изображений через веб-интерфейс

1. Откройте InvokeAI по вашему URL http\_pub CLORE.AI
2. Нажмите **Текст в изображение** в селекторе рабочих процессов
3. Введите промпт: `"могущественный 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 холста на основе узлов

Редактор рабочих процессов — фирменная функция InvokeAI:

1. Нажмите **Рабочие процессы** в верхней навигации
2. Нажмите **Новый рабочий процесс**
3. Добавьте узлы: **Текст → Изображение**, подключите к **Сохранить изображение**
4. Добавьте **ControlNet** узел для управляемой генерации:
   * Щёлкните правой кнопкой → Добавить узел → **ControlNet**
   * Подключите ваше эталонное изображение
   * Выберите процессор: `Canny`, `Глубина`, `Поза`, и т. д.
5. Нажмите **Запустить** для запуска полного пайплайна

### Пример 3: Использование LoRA

1. Скачайте LoRA с CivitAI (через Менеджер моделей → импорт по URL)
2. В панели генерации найдите **LoRA** раздел
3. Нажмите **+** и выберите свою 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:

```
portrait of a woman, <lora:detail-tweaker:0.8>, hyperrealistic, studio lighting
```

### 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 = слабое влияние, 1.0 = сильное влияние)
4. Сгенерируйте с любым промптом — результат будет соответствовать эталонному стилю

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

InvokeAI предоставляет REST API для программного использования:

```python
import requests
import time
import base64

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

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

# Добавить генерацию в очередь
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 API очереди
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 модели (ГБ)
    vram: 0.25            # Доля VRAM для кэша модели
    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   # Оставить 50% для активной модели
  lazy_offload: false  # Не выгружать — VRAM достаточно
```

**RTX 3080 (10 ГБ VRAM):**

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

**Более слабые 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 базового SDXL (25–50 шагов) используйте:

* **SDXL-Turbo**: 1–4 шага, генерация в реальном времени
* **SDXL-Lightning**: 4–8 шагов, качество почти как у SDXL

Скачайте через Менеджер моделей → HuggingFace:

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

### 2. Выберите правильный scheduler

| Планировщик    | Качество | Скорость | Лучше всего для      |
| -------------- | -------- | -------- | -------------------- |
| `euler_a`      | Хорошо   | Быстро   | Общее использование  |
| `dpmpp_2m`     | Отлично  | Быстро   | Фотореалистичный     |
| `dpmpp_2m_sde` | Отлично  | Средне   | Высокая детализация  |
| `ddim`         | Хорошо   | Быстро   | Инпейнтинг           |
| `lms`          | Хорошо   | Быстро   | Художественные стили |

### 3. Включите оптимизацию памяти xFormers

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

```
xFormers доступен
```

### 4. Используйте кэширование моделей

Оставляйте наиболее часто используемые модели в кэше. В invokeai.yaml:

```yaml
ram: 32.0  # Больше = больше моделей в кэше
```

### 5. Используйте тайлинг для больших разрешений

Для изображений, которые превышают доступную VRAM (например, 2048×2048 на GPU с 12 ГБ):

* Используйте **Tiled VAE** в редакторе рабочих процессов
* Или генерируйте в 1024×1024, а затем увеличьте с помощью **ESRGAN**

***

## Устранение неполадок

### Проблема: «CUDA out of memory»

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

**Решения:**

1. Уменьшите разрешение (1024→768 или 512)
2. Уменьшите размер батча до 1
3. Включите ленивую выгрузку в invokeai.yaml
4. Используйте меньшую модель (SD1.5 вместо SDXL)

### Проблема: веб-интерфейс недоступен

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

# Проверьте журналы на наличие ошибок
docker logs invokeai 2>&1 | tail -50

# Проверьте сопоставление портов
docker port invokeai
```

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

### Проблема: загрузка модели внутри контейнера завершается неудачей

```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 it/s)

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

### Проблема: чёрные/битые изображения

Обычно это проблема VAE. Попробуйте:

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

### Проблема: контейнер не запускается

```bash
docker logs invokeai
# Часто: порт 9090 уже используется
# Исправление:
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)
* [маркетплейс CLORE.AI](https://clore.ai/marketplace)

***

## Рекомендации по GPU для Clore.ai

| Сценарий использования  | Рекомендуемый GPU | Оценочная стоимость на Clore.ai             |
| ----------------------- | ----------------- | ------------------------------------------- |
| Разработка/тестирование | RTX 3090 (24 ГБ)  | $0.07–0.21/гпу/ч                            |
| Продакшен               | RTX 4090 (24 ГБ)  | $0.14–0.42/гпу/ч                            |
| Масштабирование         | A100 80 ГБ        | [голое железо](https://clore.ai/bare-metal) |

> 💡 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.