> 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/lico-i-identichnost/instantid.md).

# InstantID

Создавайте изображения с любым лицом, используя всего одну референсную фотографию.

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

## Аренда на CLORE.AI

1. Перейдите на [маркетплейс CLORE.AI](https://clore.ai/marketplace)
2. Отфильтруйте по типу GPU, объёму VRAM и цене
3. Выберите **On-Demand** (фиксированная ставка) или **Spot** (цена ставки)
4. Настройте свой заказ:
   * Выберите Docker-образ
   * Установите порты (TCP для SSH, HTTP для веб-интерфейсов)
   * При необходимости добавьте переменные окружения
   * Введите команду запуска
5. Выберите способ оплаты: **CLORE**, **BTC**, или **USDT/USDC**
6. Создайте заказ и дождитесь развертывания

### Получите доступ к своему серверу

* Найдите данные для подключения в **Мои заказы**
* Веб-интерфейсы: используйте URL HTTP-порта
* SSH: `ssh -p <port> root@<proxy-address>`

## Что такое InstantID?

InstantID сохраняет лицевую идентичность:

* Используйте любое референсное лицо
* Zero-shot — обучение не требуется
* Работает с любым стилем/промптом
* Лучше, чем обучение LoRA

## Требования

| Режим            | VRAM   | Рекомендуется |
| ---------------- | ------ | ------------- |
| Базовый          | 12GB   | RTX 4080      |
| Высокое качество | 16GB   | RTX 4090      |
| С позой          | 16 ГБ+ | RTX 4090      |

## Быстрое развёртывание

**Docker-образ:**

```
pytorch/pytorch:2.11.0-cuda12.8-cudnn9-devel
```

**Порты:**

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

**Команда:**

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

## Доступ к вашему сервису

После развертывания найдите свой `http_pub` URL в **Мои заказы**:

1. Перейдите на **Мои заказы** страницу
2. Нажмите на свой заказ
3. Найдите `http_pub` URL (например, `abc123.clorecloud.net`)

Используйте `https://YOUR_HTTP_PUB_URL` вместо `localhost` в примерах ниже.

## Установка

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

# Загрузка моделей
huggingface-cli download InstantX/InstantID --local-dir ./checkpoints
```

## Базовое использование

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

# Инициализация анализатора лица
app = FaceAnalysis(name='antelopev2', root='./', providers=['CUDAExecutionProvider'])
app.prepare(ctx_id=0, det_size=(640, 640))

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

# Загрузка компонентов InstantID
from diffusers import ControlNetModel

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

# Загрузка IP-Adapter для лица
pipe.load_ip_adapter(
    "./checkpoints",
    subfolder="",
    weight_name="ip-adapter.bin"
)

# Обработка референсного лица
face_image = cv2.imread("reference_face.jpg")
faces = app.get(face_image)
face_emb = faces[0].normed_embedding

# Генерация с лицевой идентичностью
image = pipe(
    prompt="портрет человека в образе астронавта, космический фон",
    negative_prompt="уродливый, размытый, низкое качество",
    ip_adapter_image_embeds=[torch.tensor(face_emb).unsqueeze(0)],
    num_inference_steps=30,
    guidance_scale=7.5
).images[0]

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

## Использование пайплайна Diffusers

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

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

# Загрузить пайплайн
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")

# Получение эмбеддинга лица
face_image = cv2.imread("face.jpg")
face_info = app.get(face_image)[0]

face_emb = face_info.normed_embedding
face_kps = face_info.kps

# Генерировать
image = pipe(
    prompt="акварельный портрет, художественный стиль",
    face_emb=face_emb,
    face_kps=face_kps,
    num_inference_steps=30
).images[0]

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

## Примеры стилей

### Профессиональный хедшот

```python
prompt = "профессиональный корпоративный хедшот, студийное освещение, серый фон, деловая одежда"
negative = "мультфильм, аниме, иллюстрация, размыто"
```

### Художественный портрет

```python
prompt = "портрет маслом в стиле Рембрандта, драматическое освещение, качество музейного уровня"
negative = "фото, реалистичный, современный"
```

### Фэнтезийный персонаж

```python
prompt = "фэнтезийный эльфийский персонаж, заострённые уши, магический лесной фон, эфирное освещение"
negative = "человеческие уши, современная одежда, реалистичный"
```

### Стиль аниме

```python
prompt = "портрет персонажа в стиле аниме, стиль Studio Ghibli, детализированный, красивый"
negative = "реалистичный, фото, 3D-рендер"
```

## С управлением позой

```python
from diffusers.utils import load_image

# Загрузка референса позы
pose_image = load_image("pose_reference.jpg")

# Генерация с лицом И позой
image = pipe(
    prompt="человек в динамической позе, динамично, высокое качество",
    face_emb=face_emb,
    face_kps=face_kps,
    image=pose_image,  # Референс позы
    controlnet_conditioning_scale=0.8,
    num_inference_steps=30
).images[0]
```

## Интерфейс Gradio

```python
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):
    # Преобразование в формат cv2
    face_cv = cv2.cvtColor(np.array(face_image), cv2.COLOR_RGB2BGR)

    # Получение информации о лице
    faces = app.get(face_cv)
    if len(faces) == 0:
        return None, "Лицо не обнаружено!"

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

    # Генерировать
    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, "Успех!"

demo = gr.Interface(
    fn=generate,
    inputs=[
        gr.Image(type="pil", label="Референсное лицо"),
        gr.Textbox(label="Промпт", value="профессиональный портрет"),
        gr.Textbox(label="Негативная подсказка", value="уродливый, размытый"),
        gr.Slider(0.1, 1.0, value=0.8, label="Сила идентичности"),
        gr.Slider(10, 50, value=30, step=1, label="Шаги")
    ],
    outputs=[
        gr.Image(label="Сгенерированное изображение"),
        gr.Textbox(label="Статус")
    ],
    title="InstantID - Генерация с сохранением идентичности"
)

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

## Пакетная замена лица

```python
import os
from pathlib import Path

def batch_generate(face_image_path, prompts, output_dir):
    # Загрузка лица
    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"Генерация {i+1}/{len(prompts)}: {prompt[:50]}...")

        image = pipe(
            prompt=prompt,
            negative_prompt="уродливый, размытый, деформированный",
            face_emb=face_emb,
            face_kps=face_kps,
            num_inference_steps=30
        ).images[0]

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

# Использование
prompts = [
    "астронавт в скафандре, фон Земли",
    "средневековый рыцарь в доспехах",
    "учёный в лаборатории",
    "повар на кухне ресторана",
    "спортсмен на спортивном поле"
]

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

## Управление силой идентичности

```python

# Низкая сила — больше стиля, меньше идентичности
image_stylized = pipe(
    prompt=prompt,
    face_emb=face_emb,
    ip_adapter_scale=0.4,  # Низкая
    num_inference_steps=30
).images[0]

# Высокая сила — больше идентичности, меньше стиля
image_faithful = pipe(
    prompt=prompt,
    face_emb=face_emb,
    ip_adapter_scale=0.9,  # Высокая
    num_inference_steps=30
).images[0]
```

## Оптимизация памяти

```python

# Включить оптимизации
pipe.enable_model_cpu_offload()
pipe.enable_vae_slicing()

# Или используйте последовательную выгрузку для очень малого VRAM
pipe.enable_sequential_cpu_offload()
```

## Производительность

| Режим   | GPU      | Время на изображение |
| ------- | -------- | -------------------- |
| Базовый | RTX 4090 | \~8 с                |
| С позой | RTX 4090 | \~12 с               |
| Базовый | RTX 3090 | \~15 с               |
| Базовый | A100     | \~5 с                |

## Устранение неполадок

### Лицо не обнаружено

* Убедитесь, что лицо хорошо видно
* Хорошее освещение на референсном изображении
* Лицо должно быть обращено прямо

### Идентичность не сохранена

* Увеличьте ip\_adapter\_scale
* Используйте более чёткое референсное фото
* Избегайте экстремальных ракурсов

### Стиль не применён

* Уменьшите ip\_adapter\_scale
* Более подробный промпт
* Увеличьте guidance\_scale

## Оценка стоимости

Типичные цены на маркетплейсе CLORE.AI (по состоянию на 2024 год):

| GPU        | Почасовая ставка | Дневная ставка | 4-часовая сессия |
| ---------- | ---------------- | -------------- | ---------------- |
| 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 ГБ | \~$0.17          | \~$4.00        | \~$0.70          |
| A100 80 ГБ | \~$0.25          | \~$6.00        | \~$1.00          |

*Цены зависят от провайдера и спроса. Проверьте* [*маркетплейс CLORE.AI*](https://clore.ai/marketplace) *актуальные тарифы.*

**Сэкономьте деньги:**

* Используйте **Spot** рынок для прерываемых задач — примерно треть серверов оценивает spot-цены ниже on-demand (медиана \~13% скидки), остальные совпадают с ними
* Платите **CLORE** токенами
* Сравните цены у разных провайдеров

## Дальнейшие шаги

* [IP-Adapter](/guides/guides_v2-ru/lico-i-identichnost/ip-adapter.md) - Генерация по изображению
* Stable Diffusion WebUI - расширение InstantID
* [ControlNet](/guides/guides_v2-ru/obrabotka-izobrazhenii/controlnet-advanced.md) - Управление позой


---

# 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/lico-i-identichnost/instantid.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.