Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /main /es /using-diffusers /automodel.md

mishig

8 days ago

preview code

download

raw

4.56 kB

# AutoModel

La clase [AutoModel](/docs/diffusers/main/es/api/models/auto_model#diffusers.AutoModel) detecta y carga automáticamente la clase de modelo correcta (UNet, transformer, VAE) a partir de un archivo `config.json`. No es necesario conocer el nombre específico de la clase de modelo de antemano. Admite tipos de datos y colocación en dispositivos, y funciona entre diferentes tipos de modelos y bibliotecas.

El siguiente ejemplo carga un transformer de Diffusers y un codificador de texto de Transformers. Use el parámetro `subfolder` para especificar desde dónde cargar el archivo `config.json`.

```py
import torch
from diffusers import AutoModel, DiffusionPipeline
transformer = AutoModel.from_pretrained(
    "Qwen/Qwen-Image", subfolder="transformer", dtype=torch.bfloat16, device_map="cuda"  # or "mps", "xpu", "cpu"
)
text_encoder = AutoModel.from_pretrained(
    "Qwen/Qwen-Image", subfolder="text_encoder", dtype=torch.bfloat16, device_map="cuda"
)
```

## Modelos personalizados

[AutoModel](/docs/diffusers/main/es/api/models/auto_model#diffusers.AutoModel) también carga modelos del [Hub](https://huggingface.co/models) que no están incluidos en Diffusers. Establece `trust_remote_code=True` en [AutoModel.from_pretrained()](/docs/diffusers/main/es/api/models/auto_model#diffusers.AutoModel.from_pretrained) para cargar modelos personalizados.

Un repositorio de modelos personalizado necesita un módulo de Python con la clase del modelo y un `config.json` con una entrada `auto_map` que asocia `"AutoModel"` con `"module_file.ClassName"`.

```
custom/custom-transformer-model/
├── config.json
├── my_model.py
└── diffusion_pytorch_model.safetensors
```

El `config.json` incluye el campo `auto_map` que apunta a la clase personalizada.

```json
{
  "auto_map": {
    "AutoModel": "my_model.MyCustomModel"
  }
}
```

Luego, cárgalo con `trust_remote_code=True`.

```py
import torch
from diffusers import AutoModel
transformer = AutoModel.from_pretrained(
    "custom/custom-transformer-model", trust_remote_code=True, dtype=torch.bfloat16, device_map="cuda"  # or "mps", "xpu", "cpu"
)
```

Como ejemplo real, [Overworld/Waypoint-1-Small](https://huggingface.co/Overworld/Waypoint-1-Small/tree/main/transformer) aloja una clase personalizada `WorldModel` en varios módulos de su subcarpeta `transformer`.

```
transformer/
├── config.json          # auto_map: "model.WorldModel"
├── model.py
├── attn.py
├── nn.py
├── cache.py
├── quantize.py
├── __init__.py
└── diffusion_pytorch_model.safetensors
```

```py
import torch
from diffusers import AutoModel
transformer = AutoModel.from_pretrained(
    "Overworld/Waypoint-1-Small", subfolder="transformer", trust_remote_code=True, dtype=torch.bfloat16, device_map="cuda"  # or "mps", "xpu", "cpu"
)
```

Si el modelo personalizado hereda de la clase [ModelMixin](/docs/diffusers/main/es/api/models/overview#diffusers.ModelMixin), obtiene acceso a las mismas características que las clases de modelos de Diffusers, como la [compilación regional](../optimization/fp16#regional-compilation) y el [descarga por grupos](../optimization/memory#group-offloading).

> [!WARNING]
> Como precaución con `trust_remote_code=True`, pase un hash de commit al argumento `revision` en [AutoModel.from_pretrained()](/docs/diffusers/main/es/api/models/auto_model#diffusers.AutoModel.from_pretrained) para asegurarse de que el código no se haya actualizado con nuevo código malicioso (a menos que confíe por completo en los propietarios del modelo).
>
> ```py
> transformer = AutoModel.from_pretrained(
>     "Overworld/Waypoint-1-Small", subfolder="transformer", trust_remote_code=True, revision="a3d8cb2"
> )
> ```
## Guardar modelos personalizados
Use `register_for_auto_class()` para añadir la entrada `auto_map` a `config.json` automáticamente al guardar. Esto evita tener que editar el archivo de configuración manualmente.
```py
# my_model.py
from diffusers import ModelMixin, ConfigMixin

class MyCustomModel(ModelMixin, ConfigMixin):
    ...
MyCustomModel.register_for_auto_class("AutoModel")
model = MyCustomModel(...)
model.save_pretrained("./my_model")
```
El `config.json` guardado incluirá el campo `auto_map`.

```json
{
  "auto_map": {
    "AutoModel": "my_model.MyCustomModel"
  }
}
```

## Próximos pasos

Obtenga más información sobre la implementación de modelos personalizados en la guía de [Componentes de la comunidad](../using-diffusers/custom_pipeline_overview#community-components).

Xet Storage Details

Size:: 4.56 kB
Xet hash:: 9c903c7a738ff21c79c214effec8c312236c280bc1fe5100c853aea067566ae6

Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.

	# AutoModel

	La clase [AutoModel](/docs/diffusers/main/es/api/models/auto_model#diffusers.AutoModel) detecta y carga automáticamente la clase de modelo correcta (UNet, transformer, VAE) a partir de un archivo `config.json`. No es necesario conocer el nombre específico de la clase de modelo de antemano. Admite tipos de datos y colocación en dispositivos, y funciona entre diferentes tipos de modelos y bibliotecas.

	El siguiente ejemplo carga un transformer de Diffusers y un codificador de texto de Transformers. Use el parámetro `subfolder` para especificar desde dónde cargar el archivo `config.json`.

	```py
	import torch
	from diffusers import AutoModel, DiffusionPipeline

	transformer = AutoModel.from_pretrained(
	"Qwen/Qwen-Image", subfolder="transformer", dtype=torch.bfloat16, device_map="cuda" # or "mps", "xpu", "cpu"
	)

	text_encoder = AutoModel.from_pretrained(
	"Qwen/Qwen-Image", subfolder="text_encoder", dtype=torch.bfloat16, device_map="cuda"
	)
	```

	## Modelos personalizados

	[AutoModel](/docs/diffusers/main/es/api/models/auto_model#diffusers.AutoModel) también carga modelos del [Hub](https://huggingface.co/models) que no están incluidos en Diffusers. Establece `trust_remote_code=True` en [AutoModel.from_pretrained()](/docs/diffusers/main/es/api/models/auto_model#diffusers.AutoModel.from_pretrained) para cargar modelos personalizados.

	Un repositorio de modelos personalizado necesita un módulo de Python con la clase del modelo y un `config.json` con una entrada `auto_map` que asocia `"AutoModel"` con `"module_file.ClassName"`.

	```
	custom/custom-transformer-model/
	├── config.json
	├── my_model.py
	└── diffusion_pytorch_model.safetensors
	```

	El `config.json` incluye el campo `auto_map` que apunta a la clase personalizada.

	```json
	{
	"auto_map": {
	"AutoModel": "my_model.MyCustomModel"
	}
	}
	```

	Luego, cárgalo con `trust_remote_code=True`.

	```py
	import torch
	from diffusers import AutoModel

	transformer = AutoModel.from_pretrained(
	"custom/custom-transformer-model", trust_remote_code=True, dtype=torch.bfloat16, device_map="cuda" # or "mps", "xpu", "cpu"
	)
	```

	Como ejemplo real, [Overworld/Waypoint-1-Small](https://huggingface.co/Overworld/Waypoint-1-Small/tree/main/transformer) aloja una clase personalizada `WorldModel` en varios módulos de su subcarpeta `transformer`.

	```
	transformer/
	├── config.json # auto_map: "model.WorldModel"
	├── model.py
	├── attn.py
	├── nn.py
	├── cache.py
	├── quantize.py
	├── __init__.py
	└── diffusion_pytorch_model.safetensors
	```

	```py
	import torch
	from diffusers import AutoModel

	transformer = AutoModel.from_pretrained(
	"Overworld/Waypoint-1-Small", subfolder="transformer", trust_remote_code=True, dtype=torch.bfloat16, device_map="cuda" # or "mps", "xpu", "cpu"
	)
	```

	Si el modelo personalizado hereda de la clase [ModelMixin](/docs/diffusers/main/es/api/models/overview#diffusers.ModelMixin), obtiene acceso a las mismas características que las clases de modelos de Diffusers, como la [compilación regional](../optimization/fp16#regional-compilation) y el [descarga por grupos](../optimization/memory#group-offloading).

	> [!WARNING]
	> Como precaución con `trust_remote_code=True`, pase un hash de commit al argumento `revision` en [AutoModel.from_pretrained()](/docs/diffusers/main/es/api/models/auto_model#diffusers.AutoModel.from_pretrained) para asegurarse de que el código no se haya actualizado con nuevo código malicioso (a menos que confíe por completo en los propietarios del modelo).
	>
	> ```py
	> transformer = AutoModel.from_pretrained(
	> "Overworld/Waypoint-1-Small", subfolder="transformer", trust_remote_code=True, revision="a3d8cb2"
	> )
	> ```

	## Guardar modelos personalizados

	Use `register_for_auto_class()` para añadir la entrada `auto_map` a `config.json` automáticamente al guardar. Esto evita tener que editar el archivo de configuración manualmente.

	```py
	# my_model.py
	from diffusers import ModelMixin, ConfigMixin

	class MyCustomModel(ModelMixin, ConfigMixin):
	...

	MyCustomModel.register_for_auto_class("AutoModel")

	model = MyCustomModel(...)
	model.save_pretrained("./my_model")
	```

	El `config.json` guardado incluirá el campo `auto_map`.

	```json
	{
	"auto_map": {
	"AutoModel": "my_model.MyCustomModel"
	}
	}
	```

	## Próximos pasos

	Obtenga más información sobre la implementación de modelos personalizados en la guía de [Componentes de la comunidad](../using-diffusers/custom_pipeline_overview#community-components).