Diffusers documentation
Overview
시작하기
튜토리얼
개요모델과 스케줄러 이해하기(번역중) AutoPipelineDiffusion 모델 학습하기(번역중) 추론을 위한 LoRAs 불러오기(번역중) Text-to-image diffusion 모델 추론 가속화하기(번역중) 큰 모델로 작업하기
파이프라인과 어댑터 불러오기
생성 태스크
추론 테크닉
(번역중) 개요여러 GPU를 사용한 분산 추론(번역중) LoRA 병합(번역중) 스케줄러 기능(번역중) 파이프라인 콜백(번역중) 재현 가능한 파이프라인(번역중) 이미지 퀄리티 조절하기프롬프트 기술
추론 심화
특정 파이프라인 예시
(번역중) Stable Diffusion XLSDXL TurboKandinsky(번역중) IP-Adapter(번역중) PAG(번역중) ControlNet(번역중) T2I-Adapter(번역중) Latent Consistency ModelTextual inversionShap-EDiffEdit(번역중) Trajectory Consistency Distillation-LoRAStable Video Diffusion(번역중) Marigold 컴퓨터 비전
학습
추론 가속화와 메모리 줄이기
추론 스피드업(번역중) 메모리 사용량 줄이기PyTorch 2.0xFormersToken merging(번역중) DeepCache(번역중) TGATE
최적화된 모델 형식
최적화된 하드웨어
개념 가이드
API
Pipelines
Stable Diffusion
You are viewing main version, which requires installation from source. If you'd like
regular pip install, checkout the latest stable version (v0.38.0).
Overview
🧨 Diffusers는 생성 작업을 위한 다양한 파이프라인, 모델, 스케줄러를 제공합니다. 이러한 컴포넌트를 최대한 간단하게 로드할 수 있도록 단일 통합 메서드인 from_pretrained()를 제공하여 Hugging Face Hub 또는 로컬 머신에서 이러한 컴포넌트를 불러올 수 있습니다. 파이프라인이나 모델을 로드할 때마다, 최신 파일이 자동으로 다운로드되고 캐시되므로, 다음에 파일을 다시 다운로드하지 않고도 빠르게 재사용할 수 있습니다.
이 섹션은 파이프라인 로딩, 파이프라인에서 다양한 컴포넌트를 로드하는 방법, 체크포인트 variants를 불러오는 방법, 그리고 커뮤니티 파이프라인을 불러오는 방법에 대해 알아야 할 모든 것들을 다룹니다. 또한 스케줄러를 불러오는 방법과 서로 다른 스케줄러를 사용할 때 발생하는 속도와 품질간의 트레이드 오프를 비교하는 방법 역시 다룹니다. 그리고 마지막으로 🧨 Diffusers와 함께 파이토치에서 사용할 수 있도록 KerasCV 체크포인트를 변환하고 불러오는 방법을 살펴봅니다.
< > Update on GitHub