Buckets:
| # SequentialPipelineBlocks | |
| [SequentialPipelineBlocks](/docs/diffusers/main/fr/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks) est un type multi-blocs qui compose d'autres [ModularPipelineBlocks](/docs/diffusers/main/fr/api/modular_diffusers/pipeline_blocks#diffusers.ModularPipelineBlocks) en séquence. Les données circulent linéairement d'un bloc à l'autre à l'aide de `inputs` et `intermediate_outputs`. Chaque bloc de [SequentialPipelineBlocks](/docs/diffusers/main/fr/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks) représente généralement une étape du pipeline, et en les combinant, vous construisez progressivement un pipeline. | |
| Ce guide vous montre comment connecter deux blocs dans un [SequentialPipelineBlocks](/docs/diffusers/main/fr/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks). | |
| Créez deux [ModularPipelineBlocks](/docs/diffusers/main/fr/api/modular_diffusers/pipeline_blocks#diffusers.ModularPipelineBlocks). Le premier bloc, `InputBlock`, renvoie une valeur `batch_size` et le second bloc, `ImageEncoderBlock`, utilise `batch_size` comme `inputs`. | |
| ```py | |
| from diffusers.modular_pipelines import ModularPipelineBlocks, InputParam, OutputParam | |
| class InputBlock(ModularPipelineBlocks): | |
| @property | |
| def inputs(self): | |
| return [ | |
| InputParam(name="prompt", type_hint=list, description="list of text prompts"), | |
| InputParam(name="num_images_per_prompt", type_hint=int, description="number of images per prompt"), | |
| ] | |
| @property | |
| def intermediate_outputs(self): | |
| return [ | |
| OutputParam(name="batch_size", description="calculated batch size"), | |
| ] | |
| @property | |
| def description(self): | |
| return "A block that determines batch_size based on the number of prompts and num_images_per_prompt argument." | |
| def __call__(self, components, state): | |
| block_state = self.get_block_state(state) | |
| batch_size = len(block_state.prompt) | |
| block_state.batch_size = batch_size * block_state.num_images_per_prompt | |
| self.set_block_state(state, block_state) | |
| return components, state | |
| ``` | |
| ```py | |
| import torch | |
| from diffusers.modular_pipelines import ModularPipelineBlocks, InputParam, OutputParam | |
| class ImageEncoderBlock(ModularPipelineBlocks): | |
| @property | |
| def inputs(self): | |
| return [ | |
| InputParam(name="image", type_hint="PIL.Image", description="raw input image to process"), | |
| InputParam(name="batch_size", type_hint=int), | |
| ] | |
| @property | |
| def intermediate_outputs(self): | |
| return [ | |
| OutputParam(name="image_latents", description="latents representing the image"), | |
| ] | |
| @property | |
| def description(self): | |
| return "Encode raw image into its latent presentation" | |
| def __call__(self, components, state): | |
| block_state = self.get_block_state(state) | |
| # Simulate processing the image | |
| # This will change the state of the image from a PIL image to a tensor for all blocks | |
| block_state.image = torch.randn(1, 3, 512, 512) | |
| block_state.batch_size = block_state.batch_size * 2 | |
| block_state.image_latents = torch.randn(1, 4, 64, 64) | |
| self.set_block_state(state, block_state) | |
| return components, state | |
| ``` | |
| Connectez les deux blocs en définissant un [SequentialPipelineBlocks](/docs/diffusers/main/fr/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks). Listez les instances de blocs dans `block_classes` et leurs noms correspondants dans `block_names`. Les blocs sont exécutés dans l'ordre où ils apparaissent dans `block_classes`, et les données circulent d'un bloc à l'autre via [PipelineState](/docs/diffusers/main/fr/api/modular_diffusers/pipeline_states#diffusers.modular_pipelines.PipelineState). | |
| ```py | |
| class ImageProcessingStep(SequentialPipelineBlocks): | |
| """ | |
| # auto_docstring | |
| """ | |
| model_name = "my_model" | |
| block_classes = [InputBlock(), ImageEncoderBlock()] | |
| block_names = ["input", "image_encoder"] | |
| @property | |
| def description(self): | |
| return ( | |
| "Process text prompts and images for the pipeline. It:\n" | |
| " - Determines the batch size from the prompts.\n" | |
| " - Encodes the image into latent space." | |
| ) | |
| ``` | |
| Lors de la création d'un [SequentialPipelineBlocks](/docs/diffusers/main/fr/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks), les propriétés telles que `inputs`, `intermediate_outputs` et `expected_components` sont automatiquement agrégées à partir des sous-blocs, il n'est donc pas nécessaire de les redéfinir. | |
| Voici quelques propriétés que vous devez définir : | |
| - `description` : Nous recommandons d'ajouter une description pour le bloc assemblé afin d'expliquer ce que fait l'étape combinée. | |
| - `model_name` : Cette valeur est dérivée automatiquement des sous-blocs, mais elle n'est pas toujours correcte, il peut donc être nécessaire de la remplacer. | |
| - `outputs` : par défaut, c'est la même chose que `intermediate_outputs`, mais vous pouvez le définir manuellement pour contrôler les valeurs affichées dans la documentation. C'est utile pour n'afficher que les sorties finales plutôt que toutes les valeurs intermédiaires. | |
| Ces propriétés, ainsi que les `inputs`, `intermediate_outputs` et `expected_components` agrégés, sont utilisées pour générer automatiquement la propriété `doc`. | |
| Affichez le bloc `ImageProcessingStep` pour inspecter ses sous-blocs, et utilisez `doc` pour un résumé complet des entrées, des sorties et des composants du bloc. | |
| ```py | |
| blocks = ImageProcessingStep() | |
| print(blocks) | |
| print(blocks.doc) | |
| ``` | |
Xet Storage Details
- Size:
- 5.74 kB
- Xet hash:
- ff7992c9fa2ed0c88c5255f290c7578b0df0fcb61aa0a0479b875d46dd0aa31c
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.