Skin Lab · latest generator

English · Русский · 3D catalog · Source code · Support

English

Only generator_large_new_dataset is published as the generator. This latest attention U-Net checkpoint has 4,281 tags and was saved at step 104,000. The tag recognizer and next-tag predictor are helper components for the app. Total download: about 399 MB. Older generators are excluded from the current release.

Source code and full installation guide: in6283111-maker/skin-lab.

Quick start

Install 64-bit Python 3.10–3.13, preferably 3.12. Download the source ZIP from GitHub, extract it and run:

powershell -NoProfile -ExecutionPolicy Bypass -File .\start.ps1

On Linux/macOS:

bash start.sh --backend cpu

The launcher installs dependencies, downloads these models and opens http://127.0.0.1:8001. Public downloads do not require a Hugging Face account or token.

You can also start directly from this model repository: download run_skin_lab.py, then run:

python run_skin_lab.py

This script downloads the application source from a pinned GitHub commit into the SkinLab directory in your home folder, then launches the installer. To choose another directory, use --directory C:\Projects\SkinLab. To use CPU, add --backend cpu. The included start.ps1 and start.sh wrappers also require run_skin_lab.py in the same directory.

Generator and helpers

File	Purpose
`checkpoints/generator_large_new_dataset/last.pt`	Only published generator: latest large model, fine-tuned on the additional dataset
`checkpoints/skin_tagger.pt`	Multi-label ResNet18 tag recognizer for 64×64 skins
`checkpoints/next_tag/model.pt`	Mean tag embeddings (32 dimensions), MLP (64 hidden units), next-tag classifier

The dataset.json file contains tag names and frequencies only, not images or training-file lists. models.json provides model metadata, file sizes and SHA-256 hashes.

These checkpoints support inference and initialization of new fine-tuning runs using --init-from. They do not contain optimizer states, RNG states or full training-resume data. The generator includes both original and EMA weights; EMA is used by default.

Usage

The input is a list of tags such as Girl,Pink,Cute, not a free-form instruction. The generator produces classic 64×64 PNGs; the web app converts arms and sleeves to slim. Image-to-image editing is available through skin_generator.py edit. Seeds are saved in result filenames and JSON metadata. See the GitHub README for all commands.

CPU is supported but slower than GPU. NVIDIA uses PyTorch 2.7.1 / torchvision 0.22.1 with CUDA 12.6; tested on a GTX 1070 with 8 GB VRAM. macOS uses CPU. This is a custom Skin Lab model, not a ready-to-use Diffusers pipeline.

Live example catalog

The GitHub Pages catalog reads published examples from gallery/data.json. A local batch script generates compatible random prompts, saves slim PNGs and updates this file every 100 skins. This gallery file is separate from model weights and is not downloaded by the model installer. Commands are in the GitHub guide.

Training data and limitations

The first dataset consists of locally prepared skins with NameMC tags. The additional local dataset was annotated by the tag recognizer, so labels may be inaccurate. Raw datasets are not redistributed here. The artifacts exclude personal local paths, logs and source-image file lists.

Outputs may contain blurry textures, incorrect details or inconsistent body parts. Additional sampling steps do not guarantee better results. Recognizer and next-tag predictions should not be treated as exact descriptions. Slim conversion in the web app does not mean that the model was separately trained on slim skins.

This project is not affiliated with Mojang or Microsoft. Data and weights are provided as-is; consider training-image provenance when reusing them.

Support

You can support development on Patreon, or visit the support page. Support is optional: no subscription is required to download or run the project.

Русский

Публикуется только генератор generator_large_new_dataset. Новейший U-Net с attention: 4 281 тег, шаг 104 000. Распознаватель и подсказчик тегов — вспомогательные компоненты сайта. Общая загрузка около 399 МБ. Старые генераторы исключены из текущего релиза.

Исходный код и полный README: in6283111-maker/skin-lab.

Запуск

Нужен 64-битный Python 3.10–3.13 (рекомендуется 3.12).

Самый простой путь: скачайте ZIP с GitHub и выполните в распакованной папке:

powershell -NoProfile -ExecutionPolicy Bypass -File .\start.ps1

Для Linux/macOS:

bash start.sh --backend cpu

Приложение установит зависимости, загрузит эти модели и откроет http://127.0.0.1:8001.

Можно начать прямо с Hugging Face: скачайте run_skin_lab.py и запустите:

python run_skin_lab.py

Этот скрипт скачивает исходный код с GitHub в папку SkinLab домашнего каталога и запускает установку приложения. Чтобы изменить папку: --directory C:\Projects\SkinLab. Для CPU: --backend cpu. Рядом находятся обёртки start.ps1 и start.sh; для них также нужен run_skin_lab.py.

Генератор и вспомогательные компоненты

checkpoints/generator_large_new_dataset/last.pt — единственный публикуемый генератор, новейшая большая модель после дообучения.
checkpoints/skin_tagger.pt — многометочный распознаватель ResNet18 для 64×64.
checkpoints/next_tag/model.pt — усреднение embedding тегов 32 → MLP 64 → классификатор следующего тега.
dataset.json рядом с генератором содержит только словарь и частоты, а не изображения или списки обучающих файлов.
models.json содержит характеристики, размеры и SHA-256 файлов.

Чекпойнты предназначены для inference и начала нового дообучения через --init-from. Состояний оптимизатора, RNG и полного training-resume в них нет. Сохранены исходные и EMA-веса генератора. По умолчанию используются EMA-веса.

Использование

Вход — список тегов (Girl,Pink,Cute), а не произвольная инструкция. Генератор выдаёт classic PNG 64×64; сайт преобразует руки и рукава в slim. Img2img доступен через команду skin_generator.py edit. Сиды сохраняются в имени и JSON результата. Детали и команды приведены в README кода.

CPU поддерживается, но работает медленнее GPU. Для NVIDIA используются PyTorch 2.7.1 / torchvision 0.22.1 с CUDA 12.6; проверено на GTX 1070 8 ГБ. macOS использует CPU. Генератор не является готовым Diffusers pipeline: для него нужен код Skin Lab.

Каталог примеров

Каталог на GitHub Pages читает примеры из gallery/data.json. Локальный скрипт подбирает совместимые теги, создаёт slim PNG и обновляет каталог каждые 100 скинов. Файл каталога отделён от весов и не скачивается установщиком моделей. Команды — в README кода.

Данные и ограничения

Первый набор содержит локально подготовленные скины с тегами NameMC. Дополнительный локальный набор размечался распознавателем тегов; метки могут быть ошибочными. Исходные датасеты не публикуются в этом репозитории. Код и веса не включают личные локальные пути, журналы или списки исходных файлов.

Модель может выдавать размытые текстуры, некорректные детали и несогласованные части развёртки. Больше шагов генерации не гарантирует улучшения. Теги распознавателя и следующего тега не следует считать точными описаниями. Изменение slim-развёртки на сайте не означает отдельное обучение slim-модели.

Проект не связан с Mojang или Microsoft. Данные и веса предоставлены как есть; происхождение обучающих изображений следует учитывать при дальнейшем использовании.

Поддержка

Поддержать разработку можно на Patreon. Поддержка добровольная. Страница поддержки.

Downloads last month: -; Downloads are not tracked for this model. How to track