Buckets:
| # Resumen | |
| 馃 Diffusers ofrece una colecci贸n de scripts de entrenamiento para que puedas entrenar tus propios modelos de difusi贸n. Puedes encontrar todos nuestros scripts de entrenamiento en [diffusers/examples](https://github.com/huggingface/diffusers/tree/main/examples). | |
| Cada script de entrenamiento es: | |
| - **Aut贸nomo**: el script de entrenamiento no depende de ning煤n archivo local y todos los paquetes necesarios para ejecutar el script se instalan desde el archivo `requirements.txt`. | |
| - **F谩cil de ajustar**: los scripts de entrenamiento son un ejemplo de c贸mo entrenar un modelo de difusi贸n para una tarea espec铆fica y no funcionar谩n tal cual para cada escenario de entrenamiento. Es probable que necesites adaptar el script de entrenamiento a tu caso de uso espec铆fico. Para ayudarte con eso, hemos expuesto por completo el c贸digo de preprocesamiento de datos y el bucle de entrenamiento para que puedas modificarlo seg煤n tus necesidades. | |
| - **F谩cil de usar para principiantes**: los scripts de entrenamiento est谩n dise帽ados para ser accesibles y f谩ciles de entender, en lugar de incluir los m茅todos m谩s avanzados del estado del arte para obtener los mejores resultados m谩s competitivos. Los m茅todos de entrenamiento que consideramos demasiado complejos se excluyen deliberadamente. | |
| - **De un solo prop贸sito**: cada script de entrenamiento est谩 dise帽ado expresamente para una 煤nica tarea, con el fin de mantenerlo legible y comprensible. | |
| Nuestra colecci贸n actual de scripts de entrenamiento incluye: | |
| | Entrenamiento | Soporte para SDXL | Soporte para LoRA | | |
| |---|---|---| | |
| | [generaci贸n de im谩genes incondicional](https://github.com/huggingface/diffusers/tree/main/examples/unconditional_image_generation) [](https://colab.research.google.com/github/huggingface/notebooks/blob/main/diffusers/training_example.ipynb) | | | | |
| | [texto a imagen](https://github.com/huggingface/diffusers/tree/main/examples/text_to_image) | 馃憤 | 馃憤 | | |
| | [inversi贸n textual](https://github.com/huggingface/diffusers/tree/main/examples/textual_inversion) [](https://colab.research.google.com/github/huggingface/notebooks/blob/main/diffusers/sd_textual_inversion_training.ipynb) | | | | |
| | [DreamBooth](https://github.com/huggingface/diffusers/tree/main/examples/dreambooth) [](https://colab.research.google.com/github/huggingface/notebooks/blob/main/diffusers/sd_dreambooth_training.ipynb) | 馃憤 | 馃憤 | | |
| | [ControlNet](https://github.com/huggingface/diffusers/tree/main/examples/controlnet) | 馃憤 | | | |
| | [InstructPix2Pix](https://github.com/huggingface/diffusers/tree/main/examples/instruct_pix2pix) | 馃憤 | | | |
| | [Diffusi贸n personalizada](https://github.com/huggingface/diffusers/tree/main/examples/custom_diffusion) | | | | |
| | [T2I-Adapters](https://github.com/huggingface/diffusers/tree/main/examples/t2i_adapter) | 馃憤 | | | |
| | [Kandinsky 2.2](https://github.com/huggingface/diffusers/tree/main/examples/kandinsky2_2/text_to_image) | | 馃憤 | | |
| Estos ejemplos se mantienen **activamente**, as铆 que no dudes en abrir un issue si no funcionan como se espera. Si crees que deber铆a incluirse otro ejemplo de entrenamiento, estamos encantados de que inicies una [Feature Request](https://github.com/huggingface/diffusers/issues/new?assignees=&labels=&template=feature_request.md&title=) para discutir tu idea de funcionalidad con nosotros y evaluar si cumple nuestros criterios de ser autocontenido, f谩cil de ajustar, apto para principiantes y de un solo prop贸sito. | |
| ## Instalaci贸n | |
| Aseg煤rate de poder ejecutar correctamente las 煤ltimas versiones de los scripts de ejemplo instalando la biblioteca desde el c贸digo fuente en un nuevo entorno virtual: | |
| ```bash | |
| git clone https://github.com/huggingface/diffusers | |
| cd diffusers | |
| pip install . | |
| ``` | |
| Luego, navega a la carpeta del script de entrenamiento (por ejemplo, [DreamBooth](https://github.com/huggingface/diffusers/tree/main/examples/dreambooth)) e instala el archivo `requirements.txt`. Algunos scripts de entrenamiento tienen un archivo de requisitos espec铆fico para SDXL o LoRA. Si usas uno de estos scripts, aseg煤rate de instalar su archivo de requisitos correspondiente. | |
| ```bash | |
| cd examples/dreambooth | |
| pip install -r requirements.txt | |
| # to train SDXL with DreamBooth | |
| pip install -r requirements_sdxl.txt | |
| ``` | |
| Para acelerar el entrenamiento y reducir el uso de memoria, recomendamos: | |
| - usar PyTorch 2.0 o superior para utilizar autom谩ticamente [scaled dot product attention](../optimization/fp16#scaled-dot-product-attention) durante el entrenamiento (no es necesario realizar ning煤n cambio en el c贸digo de entrenamiento) | |
| - instalar [xFormers](../optimization/attention_backends) para habilitar una atenci贸n eficiente en memoria | |
Xet Storage Details
- Size:
- 4.94 kB
- Xet hash:
- 4f795d21025623a446f7714c0d165c9883466e56ed1429f1f22e07738385beee
路
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.