diffusers/main/es/api/pipelines/bria_3_2.md

Bria 3.2

Bria 3.2 es el modelo de texto a imagen de próxima generación, listo para uso comercial. Con solo 4 mil millones de parámetros, ofrece una estética y un renderizado de texto excepcionales, evaluado para proporcionar resultados equivalentes a los de los principales modelos de código abierto y superando a otros modelos con licencia. Además de estar construido íntegramente con datos con licencia, 3.2 ofrece varias ventajas para el uso empresarial y comercial:

• Cómputo eficiente: el modelo es 3 veces más pequeño que los modelos equivalentes del mercado (4B de parámetros frente a los 12B de parámetros de otros modelos de código abierto)
• Consistencia de la arquitectura: misma arquitectura que la 3.1, ideal para usuarios que buscan actualizar sin interrupciones.
• Aceleración del ajuste fino: ajuste fino 2 veces más rápido en L40S y A100.

Los puntos de control originales del modelo para Bria 3.2 se publicaron en briaai/BRIA-3.2, que ya no está disponible en el Hub. El repositorio de Github para Bria 3.2 se puede encontrar aquí.

Si desea obtener más información sobre la plataforma Bria y acceder a una prueba gratuita, visite bria.ai.

Uso

Use el siguiente comando para iniciar sesión:

hf auth login

BriaPipeline[[diffusers.BriaPipeline]]

diffusers.BriaPipeline[[diffusers.BriaPipeline]]

diffusers.BriaPipeline(transformer: BriaTransformer2DModel, scheduler: diffusers.schedulers.scheduling_flow_match_euler_discrete.FlowMatchEulerDiscreteScheduler | diffusers.schedulers.scheduling_utils.KarrasDiffusionSchedulers, vae: AutoencoderKL, text_encoder: T5EncoderModel, tokenizer: T5Tokenizer, image_encoder: CLIPVisionModelWithProjection = None, feature_extractor: CLIPImageProcessorPil = None)

Fuente

Parámetros:

transformer (BriaTransformer2DModel) : Arquitectura de Transformer condicional (MMDiT) para desruidar los latentes de imagen codificados.

scheduler (FlowMatchEulerDiscreteScheduler) : Un programador para usar en combinación con transformer para desruidar los latentes de imagen codificados.

vae (AutoencoderKL) : Modelo de Variational Auto-Encoder (VAE) para codificar y decodificar imágenes hacia y desde representaciones latentes.

text_encoder (T5EncoderModel) : Codificador de texto congelado. Bria utiliza T5, específicamente la variante t5-v1_1-xxl.

tokenizer (T5TokenizerFast) : Tokenizador de la clase T5Tokenizer.

Basado en FluxPipeline con varios cambios:

• embeddings no agrupados
• Usamos relleno con ceros para los prompts
• No hay un embedding de guía ya que esta no es una versión destilada

call[[diffusers.BriaPipeline.call]]

__call__(prompt: str | list[str] = None, height: int | None = None, width: int | None = None, num_inference_steps: int = 30, timesteps: list[int] = None, guidance_scale: float = 5, negative_prompt: str | list[str] | None = None, num_images_per_prompt: int | None = 1, generator: typing.Union[torch.Generator, list[torch.Generator], NoneType] = None, latents: typing.Optional[torch.FloatTensor] = None, prompt_embeds: typing.Optional[torch.FloatTensor] = None, negative_prompt_embeds: typing.Optional[torch.FloatTensor] = None, output_type: str | None = 'pil', return_dict: bool = True, attention_kwargs: dict[str, typing.Any] | None = None, callback_on_step_end: typing.Optional[typing.Callable[[int, int], NoneType]] = None, callback_on_step_end_tensor_inputs: list[str] = ['latents'], max_sequence_length: int = 128, clip_value: None | float = None, normalize: bool = False)

Fuente

Parámetros:

prompt (str o list[str], opcional) : El prompt o los prompts para guiar la generación de la imagen. Si no se define, se debe pasar prompt_embeds en su lugar.

height (int, opcional, por defecto self.unet.config.sample_size * self.vae_scale_factor) : La altura en píxeles de la imagen generada. Por defecto, se establece en 1024 para obtener los mejores resultados.

width (int, opcional, por defecto self.unet.config.sample_size * self.vae_scale_factor) : El ancho en píxeles de la imagen generada. Por defecto, se establece en 1024 para obtener los mejores resultados.

num_inference_steps (int, opcional, valor predeterminado 50) : El número de pasos de desruido. Más pasos de desruido suelen conducir a una imagen de mayor calidad a costa de una inferencia más lenta.

timesteps (list[int], opcional) : Pasos de tiempo personalizados para usar en el proceso de desruido con programadores que admiten un argumento timesteps en su método set_timesteps. Si no se define, se usará el comportamiento predeterminado cuando se pase num_inference_steps. Debe estar en orden descendente.

guidance_scale (float, opcional, valor predeterminado 5.0) --

Devuelve: ~pipelines.bria.BriaPipelineOutput o tuple

~pipelines.bria.BriaPipelineOutput si return_dict es True, de lo contrario una tuple. Al devolver una tupla, el primer elemento es una lista con las imágenes generadas.

Función invocada al llamar a la pipeline para la generación.

<<<<<<< HEAD Escala de guía tal como se define en Classifier-Free Diffusion Guidance. guidance_scale se define como w de la ecuación 2. de Imagen Paper. La escala de guía se habilita estableciendo guidance_scale > 1. Una escala de guía más alta fomenta la generación de imágenes estrechamente vinculadas al texto de prompt, generalmente a costa de una menor calidad de imagen. negative_prompt (str o list[str], *opcional*): ======= Escala de guía tal como se define en Classifier-Free Diffusion Guidance. guidance_scale se define como w de la ecuación 2. de Imagen Paper. La escala de guía se habilita estableciendo guidance_scale > 1. Una escala de guía más alta fomenta la generación de imágenes estrechamente vinculadas al texto de prompt, generalmente a costa de una menor calidad de imagen. negative_prompt (str o list[str], opcional):

main Los prompt o prompts que no deben guiar la generación de la imagen. Si no se definen, hay que pasar negative_prompt_embeds en su lugar. Se ignora cuando no se usa guía (es decir, se ignora si guidance_scale es menor que 1). num_images_per_prompt (int, opcional, valor predeterminado 1): El número de imágenes a generar por prompt. generator (torch.Generator o list[torch.Generator], opcional): Uno o una lista de generadores de torch para hacer la generación determinista. latents (torch.FloatTensor, opcional): Latentes ruidosos pregenerados, muestreados de una distribución gaussiana, para usarse como entradas para la generación de imágenes. Se puede usar para ajustar la misma generación con diferentes prompts. Si no se proporciona, se generará un tensor de latentes mediante muestreo usando el generator aleatorio proporcionado. prompt_embeds (torch.FloatTensor, opcional): Embeddings de texto pregenerados. Se pueden usar para ajustar fácilmente las entradas de texto, por ejemplo el ponderado del prompt. Si no se proporcionan, los embeddings de texto se generarán desde el argumento de entrada prompt. negative_prompt_embeds (torch.FloatTensor, opcional): Embeddings de texto negativos pregenerados. Se pueden usar para ajustar fácilmente las entradas de texto, por ejemplo el ponderado del prompt. Si no se proporcionan, negative_prompt_embeds se generará desde el argumento de entrada negative_prompt. output_type (str, opcional, valor predeterminado "pil"): El formato de salida de la imagen generada. Elija entre PIL: PIL.Image.Image o np.array. return_dict (bool, opcional, valor predeterminado True): Si se devuelve un ~pipelines.bria.BriaPipelineOutput en lugar de una tupla simple. attention_kwargs (dict, opcional): Un diccionario de kwargs que, si se especifica, se pasa al AttentionProcessor definido bajo self.processor en diffusers.models.attention_processor. callback_on_step_end (Callable, opcional): Una función que se llama al final de cada paso de desruido durante la inferencia. La función se llama con los siguientes argumentos: callback_on_step_end(self: DiffusionPipeline, step: int, timestep: int, callback_kwargs: Dict). callback_kwargs incluirá una lista de todos los tensors especificados por callback_on_step_end_tensor_inputs. callback_on_step_end_tensor_inputs (list, opcional): La lista de entradas de tensor para la función callback_on_step_end. Los tensors especificados en la lista se pasarán como argumento callback_kwargs. Solo podrá incluir variables listadas en el atributo ._callback_tensor_inputs de su clase de pipeline. max_sequence_length (int valor predeterminado 256): Longitud máxima de secuencia para usar con el prompt. clip_value (float, opcional): Si se establece, el ruido predicho se recorta al rango [-clip_value, clip_value] en cada paso de desruido. normalize (bool, opcional, valor predeterminado False): Si se normaliza el ruido predicho en cada paso de desruido.

Ejemplos:

>>> import torch
>>> from diffusers import BriaPipeline

>>> pipe = BriaPipeline.from_pretrained("briaai/BRIA-3.2", torch_dtype=torch.bfloat16)
>>> pipe.to("cuda")
# BRIA's T5 text encoder is sensitive to precision. We need to cast it to bfloat16 and keep the final layer in float32.

>>> pipe.text_encoder = pipe.text_encoder.to(dtype=torch.bfloat16)
>>> for block in pipe.text_encoder.encoder.block:
...     block.layer[-1].DenseReluDense.wo.to(dtype=torch.float32)
# BRIA's VAE is not supported in mixed precision, so we use float32.

>>> if pipe.vae.config.shift_factor == 0:
...     pipe.vae.to(dtype=torch.float32)

>>> prompt = "Photorealistic food photography of a stack of fluffy pancakes on a white plate, with maple syrup being poured over them. On top of the pancakes are the words 'BRIA 3.2' in bold, yellow, 3D letters. The background is dark and out of focus."
>>> image = pipe(prompt).images[0]
>>> image.save("bria.png")

encode_prompt[[diffusers.BriaPipeline.encode_prompt]]

encode_prompt(prompt: str | list[str], device: typing.Optional[torch.device] = None, num_images_per_prompt: int = 1, do_classifier_free_guidance: bool = True, negative_prompt: str | list[str] | None = None, prompt_embeds: typing.Optional[torch.FloatTensor] = None, negative_prompt_embeds: typing.Optional[torch.FloatTensor] = None, max_sequence_length: int = 128, lora_scale: float | None = None)

Fuente

Parámetros:

prompt (str o list[str], opcional) : prompt a codificar

device : (torch.device): dispositivo de torch

num_images_per_prompt (int) : número de imágenes que deben generarse por prompt

do_classifier_free_guidance (bool) : si se debe usar o no la guía libre de clasificador

negative_prompt (str o list[str], opcional) : El prompt o prompts que no deben guiar la generación de la imagen. Si no se define, se debe pasar negative_prompt_embeds en su lugar. Se ignora cuando no se usa guía (es decir, se ignora si guidance_scale es menor que 1).

prompt_embeds (torch.FloatTensor, opcional) : Embeddings de texto pregenerados. Se pueden usar para ajustar fácilmente las entradas de texto, p. ej. ponderación de prompts. Si no se proporcionan, los embeddings de texto se generarán a partir del argumento de entrada prompt.

negative_prompt_embeds (torch.FloatTensor, opcional) : Embeddings de texto negativos pregenerados. Se pueden utilizar para ajustar fácilmente las entradas de texto, p. ej. el ponderado de prompts. Si no se proporcionan, negative_prompt_embeds se generará a partir del argumento de entrada negative_prompt.