<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>タグ:ControlNet &#8211; AIディベロッパーblog</title>
	<atom:link href="https://aidev.bluegarage.site/blog/tag/controlnet/feed/" rel="self" type="application/rss+xml" />
	<link>https://aidev.bluegarage.site/blog</link>
	<description>AI技術を使った様々な開発のTIPSや技術のブログです</description>
	<lastBuildDate>Tue, 19 May 2026 01:22:21 +0000</lastBuildDate>
	<language>ja</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	
	<item>
		<title>ローカルで動かせる画像生成AIモデル6選【技術比較・VRAM目安・互換性まとめ】</title>
		<link>https://aidev.bluegarage.site/blog/2026/05/19/%e3%83%ad%e3%83%bc%e3%82%ab%e3%83%ab%e3%81%a7%e5%8b%95%e3%81%8b%e3%81%9b%e3%82%8b%e7%94%bb%e5%83%8f%e7%94%9f%e6%88%90ai%e3%83%a2%e3%83%87%e3%83%ab6%e9%81%b8%e3%80%90%e6%8a%80%e8%a1%93%e6%af%94/</link>
				<pubDate>Tue, 19 May 2026 01:22:21 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[画像処理・作成]]></category>
		<category><![CDATA[ControlNet]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[LLM]]></category>
		<category><![CDATA[LoRA]]></category>
		<category><![CDATA[Stable Diffusion]]></category>
		<category><![CDATA[transformer]]></category>
		<category><![CDATA[U-Net]]></category>
		<category><![CDATA[vae]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9667</guid>
				<description><![CDATA[画像生成AIはクラウドサービスだけでなく、自分のPC上でローカル推論できるモデルも多数存在します。本記事では、ローカルで動作する主要モデルを6つ取り上げ、アーキテクチャの違い・必要なVRAM・各ツールとの互換性を徹底解説します。 アーキテクチャ別モデル解説 ① Stable Diffusion 1.5（SD 1.5） アーキテクチャ：UNet + CLIP パラメータ数：約860M ネイティブ解像度：512 × 512 VAE：KL-f8 必要VRAM：2〜4 GB Stability AIが2022年にリリースした画像生成AIの基盤モデルです。軽量で動作が速く、膨大な数のLoRAや拡張機能が存在する点が最大の強みです。SDXLやFluxと異なり、低スペックなGPUでも動作するため、今もコミュニティの中心的な存在です。 ② Stable Diffusion XL 1.0（SDXL） アーキテクチャ：UNet（2.6B）+ OpenCLIP + CLIP-ViT-L（2つ） ネイティブ解像度：1024 × 1024 VAE：SDXL-VAE 必要VRAM：6〜8 GB SD 1.5の後継モデルで、解像度と画質が [&#8230;]]]></description>
									</item>
		<item>
		<title>OpenPoseとは？Qwen Image EditでOpen poseを使えるか？</title>
		<link>https://aidev.bluegarage.site/blog/2026/04/20/openpose%e3%81%a8%e3%81%af%ef%bc%9fqwen-image-edit%e3%81%a7open-pose%e3%82%92%e4%bd%bf%e3%81%88%e3%82%8b%e3%81%8b%ef%bc%9f/</link>
				<pubDate>Mon, 20 Apr 2026 01:06:12 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[画像処理・作成]]></category>
		<category><![CDATA[ControlNet]]></category>
		<category><![CDATA[inference]]></category>
		<category><![CDATA[LoRA]]></category>
		<category><![CDATA[pipeline]]></category>
		<category><![CDATA[Qwen]]></category>
		<category><![CDATA[safetensors]]></category>
		<category><![CDATA[tensor]]></category>
		<category><![CDATA[transformer]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9629</guid>
				<description><![CDATA[OpenPoseとは？Qwen Image EditでAnyPoseモデルを使ったポーズ転写の完全ガイド 画像生成AIの世界では「ポーズを自由に制御したい」というニーズは非常に高いです。本記事では、OpenPoseの基本概念から、最新のQwen Image EditとAnyPoseモデルを組み合わせたポーズ転写の実装方法まで、サンプルコードとともに詳しく解説します。 📌 目次 OpenPoseとは何か 使用するモデル一覧 OpenPoseを「2枚目の画像」として使う仕組み 環境セットアップ 完全なサンプルコード プロンプトの解説 パラメータ解説 まとめ 1. OpenPoseとは何か OpenPoseは、Carnegie Mellon大学が開発したオープンソースのリアルタイム人体姿勢推定ライブラリです。画像や動画から人物の骨格（キーポイント）をリアルタイムで検出し、身体の各部位（頭部・肩・肘・手首・腰・膝・足首など）の位置を特定します。 OpenPoseの主な特徴 25個のキーポイントを検出（顔・体・手・足） 複数人物の同時検出が可能 リアルタイム処理に対応 画像生成AIのControlNetと組み合わせるこ [&#8230;]]]></description>
									</item>
		<item>
		<title>WAN 2.1の速度向上Self-Forcing とは何か？</title>
		<link>https://aidev.bluegarage.site/blog/2026/04/06/wan-2-1%e3%81%ae%e9%80%9f%e5%ba%a6%e5%90%91%e4%b8%8aself-forcing-%e3%81%a8%e3%81%af%e4%bd%95%e3%81%8b%ef%bc%9f/</link>
				<pubDate>Mon, 06 Apr 2026 05:40:55 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[動画]]></category>
		<category><![CDATA[ControlNet]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[LLM]]></category>
		<category><![CDATA[LoRA]]></category>
		<category><![CDATA[safetensors]]></category>
		<category><![CDATA[tensor]]></category>
		<category><![CDATA[vae]]></category>
		<category><![CDATA[wan]]></category>
		<category><![CDATA[ライセンス]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9608</guid>
				<description><![CDATA[WAN 2.1（Wan-AI製）は、中国アリババグループ傘下の研究チームが開発・公開したオープンソースの動画生成AIモデルです。テキストから動画を生成するT2V（Text-to-Video）、画像から動画を生成するI2V（Image-to-Video）、動画編集など複数のタスクに対応しており、2025年初頭に公開されて以来、ComfyUI ユーザーを中心に急速に普及しました。 モデルの規模は 1.3B（13億パラメータ） と 14B（140億パラメータ） の2種類が存在します。1.3Bモデルは VRAM 約8GB で動作し、コンシューマー向けGPU（RTX 3060以上）でも利用可能な点が大きな特徴です。一方、14Bモデルは720p動画の高品質生成が可能ですが、約40GBのVRAMを必要とします。 WAN 2.1の主な強みは以下のとおりです。 高品質な480p/720p動画生成：オープンソースモデルとしてはトップクラスの品質 中国語・英語テキストの映像内生成：ビジュアルテキスト生成に初めて本格対応 VACE対応：ControlNet的な参照動画による動き制御が可能 強力なVAE：1080P動画をリアルタイムで [&#8230;]]]></description>
									</item>
		<item>
		<title>IP-Adapter-FaceIDとControlNet（OpenPose）の仕組みをわかりやすく解説</title>
		<link>https://aidev.bluegarage.site/blog/2026/03/30/ip-adapter-faceid%e3%81%a8controlnet%ef%bc%88openpose%ef%bc%89%e3%81%ae%e4%bb%95%e7%b5%84%e3%81%bf%e3%82%92%e3%82%8f%e3%81%8b%e3%82%8a%e3%82%84%e3%81%99%e3%81%8f%e8%a7%a3%e8%aa%ac/</link>
				<pubDate>Mon, 30 Mar 2026 01:30:42 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[画像処理・作成]]></category>
		<category><![CDATA[ControlNet]]></category>
		<category><![CDATA[Stable Diffusion]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9594</guid>
				<description><![CDATA[Stable Diffusion系の画像生成でよく使われる IP-Adapter-FaceID と ControlNet（OpenPose）。 どちらも「条件を与えて画像をコントロールする」技術ですが、 内部の仕組みはかなり異なります。 この記事では、以下を順番に解説します： 顔特徴ベクトルとは何か Cross-Attention Layer の役割 IP-Adapter-FaceID の仕組み ControlNet（OpenPose）との違い 顔特徴ベクトルとは何か？ ベクトル＝数値の集まり まず「ベクトル」とは、シンプルに言うと： [0.12, -0.33, 0.87, ...] のような数値の配列です。 画像生成AIでは、画像やテキストをそのまま扱うのではなく、 意味を持った数値データに変換して処理します。 顔特徴ベクトルの正体 顔画像を入力すると、顔認識モデル（ArcFaceなど）が： 顔の輪郭 目・鼻・口の配置 肌の質感 年齢・性別的特徴 といった情報をまとめて、**1つの高次元ベクトル（例：512次元）**に圧縮します。 👉 重要ポイント： テキストではない 画像そのものでもない 「顔の本質的な特 [&#8230;]]]></description>
									</item>
		<item>
		<title>Stable Diffusion U-Net の ONNX に別の ONNX モデルを結合する方法</title>
		<link>https://aidev.bluegarage.site/blog/2026/03/17/stable-diffusion-u-net-%e3%81%ae-onnx-%e3%81%ab%e5%88%a5%e3%81%ae-onnx-%e3%83%a2%e3%83%87%e3%83%ab%e3%82%92%e7%b5%90%e5%90%88%e3%81%99%e3%82%8b%e6%96%b9%e6%b3%95/</link>
				<pubDate>Tue, 17 Mar 2026 01:49:57 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[ControlNet]]></category>
		<category><![CDATA[LoRA]]></category>
		<category><![CDATA[Netron]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[Stable Diffusion]]></category>
		<category><![CDATA[tensor]]></category>
		<category><![CDATA[transformer]]></category>
		<category><![CDATA[U-Net]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9549</guid>
				<description><![CDATA[Stable Diffusion ONNX U-Net に別モデルを統合する方法 Stable Diffusion の ONNX 版 U-Net を改造して、別の ONNX モデルを内部に結合することで、 IP-Adapter カスタム Attention Control 信号 などを直接モデル内部に組み込むことができます。 この記事では 既存の model.onnx に別の model.onnx を統合する方法を紹介します。 例として、以下の位置に外部モデルを接続します。 /up_blocks.1/attentions.0/transformer_blocks.0/attn2/to_q/MatMul そして生成された特徴量を /up_blocks.1/attentions.0/transformer_blocks.0/attn2/to_out.0/MatMul へ入力します。 全体構造 結合後の概念図 to_q/MatMul │ MultiHeadAttention │ 外部モデル │ ▼ to_out.0/MatMul また既存の Reshape_3_output_0 は使用しないため切断します。 必要な [&#8230;]]]></description>
									</item>
	</channel>
</rss>
