Buckets:
| # AutoPipeline | |
| `AutoPipeline` dirancang untuk memudahkan pemuatan checkpoint untuk suatu tugas tanpa perlu mengetahui kelas pipeline yang spesifik. Berdasarkan tugasnya, `AutoPipeline` secara otomatis mengambil kelas pipeline yang benar dari file `model_index.json` checkpoint. | |
| > [!TIP] | |
| > Lihat tutorial [AutoPipeline](../../tutorials/autopipeline) untuk mempelajari cara menggunakan API ini! | |
| ## AutoPipelineForText2Image[[diffusers.AutoPipelineForText2Image]] | |
| #### diffusers.AutoPipelineForText2Image[[diffusers.AutoPipelineForText2Image]] | |
| ```python | |
| diffusers.AutoPipelineForText2Image(*args, **kwargs) | |
| ``` | |
| [Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/auto_pipeline.py#L378) | |
| [AutoPipelineForText2Image](/docs/diffusers/main/id/api/pipelines/auto_pipeline#diffusers.AutoPipelineForText2Image) adalah kelas pipeline generik yang menginstansiasi kelas pipeline text-to-image. Kelas pipeline spesifik yang mendasarinya dipilih secara otomatis dari metode [from_pretrained()](/docs/diffusers/main/id/api/pipelines/auto_pipeline#diffusers.AutoPipelineForText2Image.from_pretrained) atau [from_pipe()](/docs/diffusers/main/id/api/pipelines/auto_pipeline#diffusers.AutoPipelineForText2Image.from_pipe). | |
| Kelas ini tidak dapat diinstansiasi menggunakan `__init__()` (melempar error). | |
| Atribut kelas: | |
| - **config_name** (`str`) -- Nama file konfigurasi yang menyimpan nama kelas dan modul dari semua komponen pipeline difusi. | |
| #### from_pretrained[[diffusers.AutoPipelineForText2Image.from_pretrained]] | |
| ```python | |
| from_pretrained(pretrained_model_or_path, **kwargs) | |
| ``` | |
| [Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/auto_pipeline.py#L403) | |
| **Parameter:** | |
| pretrained_model_or_path (`str` atau `os.PathLike`, *opsional*) : Bisa berupa: - String, *repo id* (misalnya `CompVis/ldm-text2im-large-256`) dari pipeline pretrained yang dihosting di Hub. - Path ke *direktori* (misalnya `./my_pipeline_directory/`) yang berisi bobot pipeline yang disimpan menggunakan [save_pretrained()](/docs/diffusers/main/id/api/pipelines/overview#diffusers.DiffusionPipeline.save_pretrained). | |
| dtype (`torch.dtype`, *opsional*) : Menimpa `torch.dtype` bawaan dan memuat model dengan dtype lain. | |
| force_download (`bool`, *opsional*, defaultnya `False`) : Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang di-cache jika ada. | |
| cache_dir (`str | os.PathLike`, *opsional*) : Path ke direktori tempat konfigurasi model pretrained yang diunduh di-cache jika cache standar tidak digunakan. | |
| proxies (`dict[str, str]`, *opsional*) : Kamus server proxy yang akan digunakan berdasarkan protokol atau endpoint, misalnya `{'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}`. Proxy digunakan pada setiap permintaan. | |
| output_loading_info(`bool`, *opsional*, default `False`) : Apakah akan mengembalikan kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. | |
| local_files_only (`bool`, *opsional*, defaultnya `False`) : Apakah hanya memuat bobot model dan file konfigurasi lokal atau tidak. Jika diatur ke `True`, model tidak akan diunduh dari Hub. | |
| token (`str` atau *bool*, *opsional*) : Token yang digunakan sebagai otorisasi bearer HTTP untuk file jarak jauh. Jika `True`, token yang dihasilkan dari `diffusers-cli login` (disimpan di `~/.huggingface`) akan digunakan. | |
| revision (`str`, *opsional*, defaultnya `"main"`) : Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, id commit, atau identifikasi apa pun yang diizinkan oleh Git. | |
| custom_revision (`str`, *opsional*, defaultnya `"main"`) : Versi model spesifik yang akan digunakan. Ini bisa berupa nama branch, nama tag, atau commit id yang mirip dengan `revision` saat memuat pipeline kustom dari Hub. Ini bisa berupa versi 🤗 Diffusers saat memuat pipeline kustom dari GitHub, selain itu defaultnya `"main"` saat memuat dari Hub. | |
| mirror (`str`, *opsional*) : Sumber cermin untuk menyelesaikan masalah aksesibilitas jika Anda mengunduh model di Tiongkok. Kami tidak menjamin ketepatan waktu atau keamanan sumber, dan Anda harus merujuk ke situs cermin untuk informasi lebih lanjut. | |
| device_map (`str` atau `dict[str, int | str | torch.device]`, *opsional*) : Peta yang menentukan ke perangkat mana setiap submodul harus ditempatkan. Tidak perlu didefinisikan untuk setiap nama parameter/buffer; begitu nama modul tertentu ada di dalamnya, setiap submodul di bawahnya akan dikirim ke perangkat yang sama. Atur `device_map="auto"` agar 🤗 Accelerate secara otomatis menghitung `device_map` yang paling teroptimasi. Untuk informasi lebih lanjut tentang setiap opsi, lihat [mendesain peta perangkat](https://hf.co/docs/accelerate/main/en/usage_guides/big_modeling#designing-a-device-map). | |
| max_memory (`Dict`, *opsional*) : Kamus pengidentifikasi perangkat untuk memori maksimum. Akan secara default menggunakan memori maksimum yang tersedia untuk setiap GPU dan RAM CPU yang tersedia jika tidak disetel. | |
| offload_folder (`str` atau `os.PathLike`, *opsional*) : Path untuk offload weights jika device_map berisi nilai `"disk"`. | |
| offload_state_dict (`bool`, *opsional*) : Jika `True`, secara sementara memindahkan state dict CPU ke hard drive untuk menghindari kehabisan RAM CPU jika bobot state dict CPU + shard terbesar dari checkpoint tidak muat. Bawaan adalah `True` jika ada disk offload. | |
| low_cpu_mem_usage (`bool`, *opsional*, defaultnya `True` jika versi torch >= 1.9.0 selain itu `False`) : Mempercepat pemuatan model dengan hanya memuat bobot pretrained dan tidak menginisialisasi bobot. Ini juga berusaha untuk tidak menggunakan lebih dari 1x ukuran model di memori CPU (termasuk memori puncak) saat memuat model. Hanya didukung untuk PyTorch >= 1.9.0. Jika Anda menggunakan versi PyTorch yang lebih lama, mengatur argumen ini ke `True` akan memicu error. | |
| use_safetensors (`bool`, *opsional*, defaultnya `None`) : Jika diatur ke `None`, bobot safetensors akan diunduh jika tersedia **dan** jika pustaka safetensors terpasang. Jika diatur ke `True`, model dipaksa dimuat dari bobot safetensors. Jika diatur ke `False`, bobot safetensors tidak dimuat. | |
| kwargs (sisa kamus argumen kata kunci, *opsional*) : Dapat digunakan untuk menimpa variabel yang dapat dimuat dan disimpan (komponen pipeline dari kelas pipeline tertentu). Komponen yang ditimpa tersebut diteruskan langsung ke metode `__init__` pipeline. Lihat contoh di bawah untuk informasi lebih lanjut. | |
| variant (`str`, *opsional*) : Muat bobot dari nama file varian yang ditentukan seperti `"fp16"` atau `"ema"`. | |
| Membuat instans pipeline difusi Pytorch dari teks ke gambar dari bobot pipeline yang telah dilatih sebelumnya. | |
| Metode from_pretrained() menangani pengembalian instance kelas pipeline yang tepat dengan cara: | |
| 1. Deteksi kelas pipeline dari pretrained_model_or_path berdasarkan properti _class_name dari objek config-nya | |
| 2. Temukan pipeline teks-ke-gambar yang terhubung ke kelas pipeline menggunakan pencocokan pola pada nama kelas pipeline. | |
| Jika argumen `controlnet` diteruskan, objek [StableDiffusionControlNetPipeline](/docs/diffusers/main/id/api/pipelines/controlnet#diffusers.StableDiffusionControlNetPipeline) akan diinstansiasi. | |
| Pipeline diatur dalam mode evaluasi (`model.eval()`) secara default. | |
| Jika Anda menerima pesan kesalahan di bawah ini, Anda perlu melakukan penyesuaian bobot untuk tugas turunan Anda: | |
| ``` | |
| Some weights of UNet2DConditionModel were not initialized from the model checkpoint at stable-diffusion-v1-5/stable-diffusion-v1-5 and are newly initialized because the shapes did not match: | |
| - conv_in.weight: found shape torch.Size([320, 4, 3, 3]) in the checkpoint and torch.Size([320, 9, 3, 3]) in the model instantiated | |
| You should probably TRAIN this model on a down-stream task to be able to use it for predictions and inference. | |
| ``` | |
| > [!TIP] > Untuk menggunakan model privat atau [gated](https://huggingface.co/docs/hub/models-gated#gated-models), masuk | |
| dengan `hf > auth login`. | |
| Contoh: | |
| ```py | |
| >>> from diffusers import AutoPipelineForText2Image | |
| >>> pipeline = AutoPipelineForText2Image.from_pretrained("stable-diffusion-v1-5/stable-diffusion-v1-5") | |
| >>> image = pipeline(prompt).images[0] | |
| ``` | |
| #### from_pipe[[diffusers.AutoPipelineForText2Image.from_pipe]] | |
| ```python | |
| from_pipe(pipeline, **kwargs) | |
| ``` | |
| [Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/auto_pipeline.py#L559) | |
| **Parameter:** | |
| pipeline (`DiffusionPipeline`) : objek `DiffusionPipeline` yang telah diinstansiasi | |
| Membuat instans pipeline difusi Pytorch dari teks ke gambar dari kelas pipeline difusi lain yang sudah diinstansiasi. | |
| Metode from_pipe() menangani pengembalian instance kelas pipeline yang benar dengan menemukan pipeline teks-ke-gambar yang terhubung ke kelas pipeline menggunakan pencocokan pola pada nama kelas pipeline. | |
| Semua modul yang terkandung dalam pipeline akan digunakan untuk menginisialisasi pipeline baru tanpa mengalokasikan memori tambahan. | |
| Pipeline diatur dalam mode evaluasi (`model.eval()`) secara default. | |
| ```py | |
| >>> from diffusers import AutoPipelineForText2Image, AutoPipelineForImage2Image | |
| >>> pipe_i2i = AutoPipelineForImage2Image.from_pretrained( | |
| ... "stable-diffusion-v1-5/stable-diffusion-v1-5", requires_safety_checker=False | |
| ... ) | |
| >>> pipe_t2i = AutoPipelineForText2Image.from_pipe(pipe_i2i) | |
| >>> image = pipe_t2i(prompt).images[0] | |
| ``` | |
| ## AutoPipelineForImage2Image[[diffusers.AutoPipelineForImage2Image]] | |
| #### diffusers.AutoPipelineForImage2Image[[diffusers.AutoPipelineForImage2Image]] | |
| ```python | |
| diffusers.AutoPipelineForImage2Image(*args, **kwargs) | |
| ``` | |
| [Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/auto_pipeline.py#L676) | |
| [AutoPipelineForImage2Image](/docs/diffusers/main/id/api/pipelines/auto_pipeline#diffusers.AutoPipelineForImage2Image) adalah kelas pipeline generik yang menginstansiasi kelas pipeline image-to-image. Kelas pipeline spesifik yang mendasarinya dipilih secara otomatis dari metode [from_pretrained()](/docs/diffusers/main/id/api/pipelines/auto_pipeline#diffusers.AutoPipelineForImage2Image.from_pretrained) atau [from_pipe()](/docs/diffusers/main/id/api/pipelines/auto_pipeline#diffusers.AutoPipelineForImage2Image.from_pipe). | |
| Kelas ini tidak dapat diinstansiasi menggunakan `__init__()` (melempar error). | |
| Atribut kelas: | |
| - **config_name** (`str`) -- Nama file konfigurasi yang menyimpan nama kelas dan modul dari semua komponen pipeline difusi. | |
| #### from_pretrained[[diffusers.AutoPipelineForImage2Image.from_pretrained]] | |
| ```python | |
| from_pretrained(pretrained_model_or_path, **kwargs) | |
| ``` | |
| [Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/auto_pipeline.py#L701) | |
| **Parameter:** | |
| pretrained_model_or_path (`str` atau `os.PathLike`, *opsional*) : Bisa berupa: - String, *repo id* (misalnya `CompVis/ldm-text2im-large-256`) dari pipeline pretrained yang dihosting di Hub. - Path ke *direktori* (misalnya `./my_pipeline_directory/`) yang berisi bobot pipeline yang disimpan menggunakan [save_pretrained()](/docs/diffusers/main/id/api/pipelines/overview#diffusers.DiffusionPipeline.save_pretrained). | |
| dtype (`str` atau `torch.dtype`, *opsional*) : Menimpa `torch.dtype` bawaan dan memuat model dengan dtype lain. | |
| force_download (`bool`, *opsional*, defaultnya `False`) : Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang di-cache jika ada. | |
| cache_dir (`str | os.PathLike`, *opsional*) : Path ke direktori tempat konfigurasi model pretrained yang diunduh di-cache jika cache standar tidak digunakan. | |
| proxies (`dict[str, str]`, *opsional*) : Kamus server proxy yang akan digunakan berdasarkan protokol atau endpoint, misalnya `{'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}`. Proxy digunakan pada setiap permintaan. | |
| output_loading_info(`bool`, *opsional*, default `False`) : Apakah akan mengembalikan kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. | |
| local_files_only (`bool`, *opsional*, defaultnya `False`) : Apakah hanya memuat bobot model dan file konfigurasi lokal atau tidak. Jika diatur ke `True`, model tidak akan diunduh dari Hub. | |
| token (`str` atau *bool*, *opsional*) : Token yang digunakan sebagai otorisasi bearer HTTP untuk file jarak jauh. Jika `True`, token yang dihasilkan dari `diffusers-cli login` (disimpan di `~/.huggingface`) akan digunakan. | |
| revision (`str`, *opsional*, defaultnya `"main"`) : Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, id commit, atau identifikasi apa pun yang diizinkan oleh Git. | |
| custom_revision (`str`, *opsional*, defaultnya `"main"`) : Versi model spesifik yang akan digunakan. Ini bisa berupa nama branch, nama tag, atau commit id yang mirip dengan `revision` saat memuat pipeline kustom dari Hub. Ini bisa berupa versi 🤗 Diffusers saat memuat pipeline kustom dari GitHub, selain itu defaultnya `"main"` saat memuat dari Hub. | |
| mirror (`str`, *opsional*) : Sumber cermin untuk menyelesaikan masalah aksesibilitas jika Anda mengunduh model di Tiongkok. Kami tidak menjamin ketepatan waktu atau keamanan sumber, dan Anda harus merujuk ke situs cermin untuk informasi lebih lanjut. | |
| device_map (`str` atau `dict[str, int | str | torch.device]`, *opsional*) : Peta yang menentukan ke perangkat mana setiap submodul harus ditempatkan. Tidak perlu didefinisikan untuk setiap nama parameter/buffer; begitu nama modul tertentu ada di dalamnya, setiap submodul di bawahnya akan dikirim ke perangkat yang sama. Atur `device_map="auto"` agar 🤗 Accelerate secara otomatis menghitung `device_map` yang paling teroptimasi. Untuk informasi lebih lanjut tentang setiap opsi, lihat [mendesain peta perangkat](https://hf.co/docs/accelerate/main/en/usage_guides/big_modeling#designing-a-device-map). | |
| max_memory (`Dict`, *opsional*) : Kamus pengidentifikasi perangkat untuk memori maksimum. Akan secara default menggunakan memori maksimum yang tersedia untuk setiap GPU dan RAM CPU yang tersedia jika tidak disetel. | |
| offload_folder (`str` atau `os.PathLike`, *opsional*) : Path untuk offload weights jika device_map berisi nilai `"disk"`. | |
| offload_state_dict (`bool`, *opsional*) : Jika `True`, secara sementara memindahkan state dict CPU ke hard drive untuk menghindari kehabisan RAM CPU jika bobot state dict CPU + shard terbesar dari checkpoint tidak muat. Bawaan adalah `True` jika ada disk offload. | |
| low_cpu_mem_usage (`bool`, *opsional*, defaultnya `True` jika versi torch >= 1.9.0 selain itu `False`) : Mempercepat pemuatan model dengan hanya memuat bobot pretrained dan tidak menginisialisasi bobot. Ini juga berusaha untuk tidak menggunakan lebih dari 1x ukuran model di memori CPU (termasuk memori puncak) saat memuat model. Hanya didukung untuk PyTorch >= 1.9.0. Jika Anda menggunakan versi PyTorch yang lebih lama, mengatur argumen ini ke `True` akan memicu error. | |
| use_safetensors (`bool`, *opsional*, defaultnya `None`) : Jika diatur ke `None`, bobot safetensors akan diunduh jika tersedia **dan** jika pustaka safetensors terpasang. Jika diatur ke `True`, model dipaksa dimuat dari bobot safetensors. Jika diatur ke `False`, bobot safetensors tidak dimuat. | |
| kwargs (sisa kamus argumen kata kunci, *opsional*) : Dapat digunakan untuk menimpa variabel yang dapat dimuat dan disimpan (komponen pipeline dari kelas pipeline tertentu). Komponen yang ditimpa tersebut diteruskan langsung ke metode `__init__` pipeline. Lihat contoh di bawah untuk informasi lebih lanjut. | |
| variant (`str`, *opsional*) : Muat bobot dari nama file varian yang ditentukan seperti `"fp16"` atau `"ema"`. | |
| Membuat instans pipeline difusi Pytorch untuk gambar-ke-gambar dari bobot pipeline yang telah dilatih sebelumnya. | |
| Metode from_pretrained() menangani pengembalian instance kelas pipeline yang tepat dengan cara: | |
| 1. Deteksi kelas pipeline dari pretrained_model_or_path berdasarkan properti _class_name dari objek config-nya | |
| 2. Cari pipeline image-to-image yang terhubung ke kelas pipeline menggunakan pencocokan pola pada nama kelas pipeline. | |
| Jika argumen `controlnet` diteruskan, objek [StableDiffusionControlNetImg2ImgPipeline](/docs/diffusers/main/id/api/pipelines/controlnet#diffusers.StableDiffusionControlNetImg2ImgPipeline) akan diinstansiasi. | |
| Pipeline diatur dalam mode evaluasi (`model.eval()`) secara default. | |
| Jika Anda menerima pesan kesalahan di bawah ini, Anda perlu melakukan penyesuaian bobot untuk tugas turunan Anda: | |
| ``` | |
| Some weights of UNet2DConditionModel were not initialized from the model checkpoint at stable-diffusion-v1-5/stable-diffusion-v1-5 and are newly initialized because the shapes did not match: | |
| - conv_in.weight: found shape torch.Size([320, 4, 3, 3]) in the checkpoint and torch.Size([320, 9, 3, 3]) in the model instantiated | |
| You should probably TRAIN this model on a down-stream task to be able to use it for predictions and inference. | |
| ``` | |
| > [!TIP] > Untuk menggunakan model privat atau [gated](https://huggingface.co/docs/hub/models-gated#gated-models), masuk | |
| dengan `hf > auth login`. | |
| Contoh: | |
| ```py | |
| >>> from diffusers import AutoPipelineForImage2Image | |
| >>> pipeline = AutoPipelineForImage2Image.from_pretrained("stable-diffusion-v1-5/stable-diffusion-v1-5") | |
| >>> image = pipeline(prompt, image).images[0] | |
| ``` | |
| #### from_pipe[[diffusers.AutoPipelineForImage2Image.from_pipe]] | |
| ```python | |
| from_pipe(pipeline, **kwargs) | |
| ``` | |
| [Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/auto_pipeline.py#L868) | |
| **Parameter:** | |
| pipeline (`DiffusionPipeline`) : objek `DiffusionPipeline` yang telah diinstansiasi | |
| Membuat instans pipeline difusi Pytorch untuk gambar-ke-gambar dari kelas pipeline difusi lain yang sudah diinstansiasi. | |
| Metode from_pipe() menangani pengembalian instance kelas pipeline yang benar dengan menemukan pipeline image-to-image yang terhubung ke kelas pipeline menggunakan pencocokan pola pada nama kelas pipeline. | |
| Semua modul yang terkandung dalam pipeline akan digunakan untuk menginisialisasi pipeline baru tanpa mengalokasikan memori tambahan. | |
| Pipeline diatur dalam mode evaluasi (`model.eval()`) secara default. | |
| Contoh: | |
| ```py | |
| >>> from diffusers import AutoPipelineForText2Image, AutoPipelineForImage2Image | |
| >>> pipe_t2i = AutoPipelineForText2Image.from_pretrained( | |
| ... "stable-diffusion-v1-5/stable-diffusion-v1-5", requires_safety_checker=False | |
| ... ) | |
| >>> pipe_i2i = AutoPipelineForImage2Image.from_pipe(pipe_t2i) | |
| >>> image = pipe_i2i(prompt, image).images[0] | |
| ``` | |
| ## AutoPipelineForInpainting[[diffusers.AutoPipelineForInpainting]] | |
| #### diffusers.AutoPipelineForInpainting[[diffusers.AutoPipelineForInpainting]] | |
| ```python | |
| diffusers.AutoPipelineForInpainting(*args, **kwargs) | |
| ``` | |
| [Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/auto_pipeline.py#L990) | |
| [AutoPipelineForInpainting](/docs/diffusers/main/id/api/pipelines/auto_pipeline#diffusers.AutoPipelineForInpainting) adalah kelas pipeline generik yang menginstansiasi kelas pipeline inpainting. Kelas pipeline spesifik yang mendasarinya dipilih secara otomatis dari metode [from_pretrained()](/docs/diffusers/main/id/api/pipelines/auto_pipeline#diffusers.AutoPipelineForInpainting.from_pretrained) atau [from_pipe()](/docs/diffusers/main/id/api/pipelines/auto_pipeline#diffusers.AutoPipelineForInpainting.from_pipe). | |
| Kelas ini tidak dapat diinstansiasi menggunakan `__init__()` (melempar error). | |
| Atribut kelas: | |
| - **config_name** (`str`) -- Nama file konfigurasi yang menyimpan nama kelas dan modul dari semua komponen pipeline difusi. | |
| #### from_pretrained[[diffusers.AutoPipelineForInpainting.from_pretrained]] | |
| ```python | |
| from_pretrained(pretrained_model_or_path, **kwargs) | |
| ``` | |
| [Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/auto_pipeline.py#L1015) | |
| **Parameter:** | |
| pretrained_model_or_path (`str` atau `os.PathLike`, *opsional*) : Bisa berupa: - String, *repo id* (misalnya `CompVis/ldm-text2im-large-256`) dari pipeline pretrained yang dihosting di Hub. - Path ke *direktori* (misalnya `./my_pipeline_directory/`) yang berisi bobot pipeline yang disimpan menggunakan [save_pretrained()](/docs/diffusers/main/id/api/pipelines/overview#diffusers.DiffusionPipeline.save_pretrained). | |
| dtype (`str` atau `torch.dtype`, *opsional*) : Menimpa `torch.dtype` bawaan dan memuat model dengan dtype lain. | |
| force_download (`bool`, *opsional*, defaultnya `False`) : Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang di-cache jika ada. | |
| cache_dir (`str | os.PathLike`, *opsional*) : Path ke direktori tempat konfigurasi model pretrained yang diunduh di-cache jika cache standar tidak digunakan. | |
| proxies (`dict[str, str]`, *opsional*) : Kamus server proxy yang akan digunakan berdasarkan protokol atau endpoint, misalnya `{'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}`. Proxy digunakan pada setiap permintaan. | |
| output_loading_info(`bool`, *opsional*, default `False`) : Apakah akan mengembalikan kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. | |
| local_files_only (`bool`, *opsional*, defaultnya `False`) : Apakah hanya memuat bobot model dan file konfigurasi lokal atau tidak. Jika diatur ke `True`, model tidak akan diunduh dari Hub. | |
| token (`str` atau *bool*, *opsional*) : Token yang digunakan sebagai otorisasi bearer HTTP untuk file jarak jauh. Jika `True`, token yang dihasilkan dari `diffusers-cli login` (disimpan di `~/.huggingface`) akan digunakan. | |
| revision (`str`, *opsional*, defaultnya `"main"`) : Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, id commit, atau identifikasi apa pun yang diizinkan oleh Git. | |
| custom_revision (`str`, *opsional*, defaultnya `"main"`) : Versi model spesifik yang akan digunakan. Ini bisa berupa nama branch, nama tag, atau commit id yang mirip dengan `revision` saat memuat pipeline kustom dari Hub. Ini bisa berupa versi 🤗 Diffusers saat memuat pipeline kustom dari GitHub, selain itu defaultnya `"main"` saat memuat dari Hub. | |
| mirror (`str`, *opsional*) : Sumber cermin untuk menyelesaikan masalah aksesibilitas jika Anda mengunduh model di Tiongkok. Kami tidak menjamin ketepatan waktu atau keamanan sumber, dan Anda harus merujuk ke situs cermin untuk informasi lebih lanjut. | |
| device_map (`str` atau `dict[str, int | str | torch.device]`, *opsional*) : Peta yang menentukan ke perangkat mana setiap submodul harus ditempatkan. Tidak perlu didefinisikan untuk setiap nama parameter/buffer; begitu nama modul tertentu ada di dalamnya, setiap submodul di bawahnya akan dikirim ke perangkat yang sama. Atur `device_map="auto"` agar 🤗 Accelerate secara otomatis menghitung `device_map` yang paling teroptimasi. Untuk informasi lebih lanjut tentang setiap opsi, lihat [mendesain peta perangkat](https://hf.co/docs/accelerate/main/en/usage_guides/big_modeling#designing-a-device-map). | |
| max_memory (`Dict`, *opsional*) : Kamus pengidentifikasi perangkat untuk memori maksimum. Akan secara default menggunakan memori maksimum yang tersedia untuk setiap GPU dan RAM CPU yang tersedia jika tidak disetel. | |
| offload_folder (`str` atau `os.PathLike`, *opsional*) : Path untuk offload weights jika device_map berisi nilai `"disk"`. | |
| offload_state_dict (`bool`, *opsional*) : Jika `True`, secara sementara memindahkan state dict CPU ke hard drive untuk menghindari kehabisan RAM CPU jika bobot state dict CPU + shard terbesar dari checkpoint tidak muat. Bawaan adalah `True` jika ada disk offload. | |
| low_cpu_mem_usage (`bool`, *opsional*, defaultnya `True` jika versi torch >= 1.9.0 selain itu `False`) : Mempercepat pemuatan model dengan hanya memuat bobot pretrained dan tidak menginisialisasi bobot. Ini juga berusaha untuk tidak menggunakan lebih dari 1x ukuran model di memori CPU (termasuk memori puncak) saat memuat model. Hanya didukung untuk PyTorch >= 1.9.0. Jika Anda menggunakan versi PyTorch yang lebih lama, mengatur argumen ini ke `True` akan memicu error. | |
| use_safetensors (`bool`, *opsional*, defaultnya `None`) : Jika diatur ke `None`, bobot safetensors akan diunduh jika tersedia **dan** jika pustaka safetensors terpasang. Jika diatur ke `True`, model dipaksa dimuat dari bobot safetensors. Jika diatur ke `False`, bobot safetensors tidak dimuat. | |
| kwargs (sisa kamus argumen kata kunci, *opsional*) : Dapat digunakan untuk menimpa variabel yang dapat dimuat dan disimpan (komponen pipeline dari kelas pipeline tertentu). Komponen yang ditimpa tersebut diteruskan langsung ke metode `__init__` pipeline. Lihat contoh di bawah untuk informasi lebih lanjut. | |
| variant (`str`, *opsional*) : Muat bobot dari nama file varian yang ditentukan seperti `"fp16"` atau `"ema"`. | |
| Membuat instans pipeline difusi Pytorch inpainting dari bobot pipeline yang telah dilatih sebelumnya. | |
| Metode from_pretrained() menangani pengembalian instance kelas pipeline yang tepat dengan cara: | |
| 1. Deteksi kelas pipeline dari pretrained_model_or_path berdasarkan properti _class_name dari objek config-nya | |
| 2. Temukan pipeline inpainting yang terhubung ke kelas pipeline menggunakan pencocokan pola pada nama kelas pipeline. | |
| Jika argumen `controlnet` diteruskan, objek [StableDiffusionControlNetInpaintPipeline](/docs/diffusers/main/id/api/pipelines/controlnet#diffusers.StableDiffusionControlNetInpaintPipeline) akan diinstansiasi. | |
| Pipeline diatur dalam mode evaluasi (`model.eval()`) secara default. | |
| Jika Anda menerima pesan kesalahan di bawah ini, Anda perlu melakukan penyesuaian bobot untuk tugas turunan Anda: | |
| ``` | |
| Some weights of UNet2DConditionModel were not initialized from the model checkpoint at stable-diffusion-v1-5/stable-diffusion-v1-5 and are newly initialized because the shapes did not match: | |
| - conv_in.weight: found shape torch.Size([320, 4, 3, 3]) in the checkpoint and torch.Size([320, 9, 3, 3]) in the model instantiated | |
| You should probably TRAIN this model on a down-stream task to be able to use it for predictions and inference. | |
| ``` | |
| > [!TIP] > Untuk menggunakan model privat atau [gated](https://huggingface.co/docs/hub/models-gated#gated-models), masuk | |
| dengan `hf > auth login`. | |
| Contoh: | |
| ```py | |
| >>> from diffusers import AutoPipelineForInpainting | |
| >>> pipeline = AutoPipelineForInpainting.from_pretrained("stable-diffusion-v1-5/stable-diffusion-v1-5") | |
| >>> image = pipeline(prompt, image=init_image, mask_image=mask_image).images[0] | |
| ``` | |
| #### from_pipe[[diffusers.AutoPipelineForInpainting.from_pipe]] | |
| ```python | |
| from_pipe(pipeline, **kwargs) | |
| ``` | |
| [Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/auto_pipeline.py#L1179) | |
| **Parameter:** | |
| pipeline (`DiffusionPipeline`) : objek `DiffusionPipeline` yang telah diinstansiasi | |
| Membuat instans pipeline difusi Pytorch inpainting dari kelas pipeline difusi lain yang sudah diinstansiasi. | |
| Metode from_pipe() menangani pengembalian instance kelas pipeline yang benar dengan menemukan pipeline inpainting yang terhubung ke kelas pipeline menggunakan pencocokan pola pada nama kelas pipeline. | |
| Semua modul yang dikandung oleh kelas pipeline akan digunakan untuk menginisialisasi pipeline baru tanpa mengalokasikan memori tambahan. | |
| Pipeline diatur dalam mode evaluasi (`model.eval()`) secara default. | |
| Contoh: | |
| ```py | |
| >>> from diffusers import AutoPipelineForText2Image, AutoPipelineForInpainting | |
| >>> pipe_t2i = AutoPipelineForText2Image.from_pretrained( | |
| ... "DeepFloyd/IF-I-XL-v1.0", requires_safety_checker=False | |
| ... ) | |
| >>> pipe_inpaint = AutoPipelineForInpainting.from_pipe(pipe_t2i) | |
| >>> image = pipe_inpaint(prompt, image=init_image, mask_image=mask_image).images[0] | |
| ``` | |
| ## AutoPipelineForText2Audio[[diffusers.AutoPipelineForText2Audio]] | |
| #### diffusers.AutoPipelineForText2Audio[[diffusers.AutoPipelineForText2Audio]] | |
| ```python | |
| diffusers.AutoPipelineForText2Audio(*args, **kwargs) | |
| ``` | |
| [Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/auto_pipeline.py#L1298) | |
| [AutoPipelineForText2Audio](/docs/diffusers/main/id/api/pipelines/auto_pipeline#diffusers.AutoPipelineForText2Audio) adalah kelas pipeline generik yang menginstansiasi kelas pipeline text-to-audio. Kelas pipeline spesifik yang mendasarinya dipilih secara otomatis dari metode [from_pretrained()](/docs/diffusers/main/id/api/pipelines/auto_pipeline#diffusers.AutoPipelineForText2Audio.from_pretrained) atau [from_pipe()](/docs/diffusers/main/id/api/pipelines/auto_pipeline#diffusers.AutoPipelineForText2Audio.from_pipe). | |
| Kelas ini tidak dapat diinstansiasi menggunakan `__init__()` (melempar error). | |
| Atribut kelas: | |
| - **config_name** (`str`) -- Nama file konfigurasi yang menyimpan nama kelas dan modul dari semua komponen pipeline difusi. | |
| #### from_pretrained[[diffusers.AutoPipelineForText2Audio.from_pretrained]] | |
| ```python | |
| from_pretrained(pretrained_model_or_path, **kwargs) | |
| ``` | |
| [Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/auto_pipeline.py#L1323) | |
| **Parameter:** | |
| pretrained_model_or_path (`str` atau `os.PathLike`, *opsional*) : Bisa berupa: - String, *repo id* (misalnya `stabilityai/stable-audio-open-1.0`) dari pipeline pretrained yang dihosting di Hub. - Path ke *direktori* (misalnya `./my_pipeline_directory/`) yang berisi bobot pipeline yang disimpan menggunakan [save_pretrained()](/docs/diffusers/main/id/api/pipelines/overview#diffusers.DiffusionPipeline.save_pretrained). | |
| dtype (`torch.dtype`, *opsional*) : Menimpa `torch.dtype` bawaan dan memuat model dengan dtype lain. | |
| force_download (`bool`, *opsional*, defaultnya `False`) : Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang di-cache jika ada. | |
| cache_dir (`str | os.PathLike`, *opsional*) : Path ke direktori tempat konfigurasi model pretrained yang diunduh di-cache jika cache standar tidak digunakan. | |
| proxies (`dict[str, str]`, *opsional*) : Kamus server proxy yang akan digunakan berdasarkan protokol atau endpoint, misalnya `{'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}`. Proxy digunakan pada setiap permintaan. | |
| output_loading_info(`bool`, *opsional*, default `False`) : Apakah akan mengembalikan kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. | |
| local_files_only (`bool`, *opsional*, defaultnya `False`) : Apakah hanya memuat bobot model dan file konfigurasi lokal atau tidak. Jika diatur ke `True`, model tidak akan diunduh dari Hub. | |
| token (`str` atau *bool*, *opsional*) : Token yang digunakan sebagai otorisasi bearer HTTP untuk file jarak jauh. Jika `True`, token yang dihasilkan dari `diffusers-cli login` (disimpan di `~/.huggingface`) akan digunakan. | |
| revision (`str`, *opsional*, defaultnya `"main"`) : Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, id commit, atau identifikasi apa pun yang diizinkan oleh Git. | |
| custom_revision (`str`, *opsional*, defaultnya `"main"`) : Versi model spesifik yang akan digunakan. Ini bisa berupa nama branch, nama tag, atau commit id yang mirip dengan `revision` saat memuat pipeline kustom dari Hub. Ini bisa berupa versi 🤗 Diffusers saat memuat pipeline kustom dari GitHub, selain itu defaultnya `"main"` saat memuat dari Hub. | |
| mirror (`str`, *opsional*) : Sumber cermin untuk menyelesaikan masalah aksesibilitas jika Anda mengunduh model di Tiongkok. Kami tidak menjamin ketepatan waktu atau keamanan sumber, dan Anda harus merujuk ke situs cermin untuk informasi lebih lanjut. | |
| device_map (`str` atau `dict[str, int | str | torch.device]`, *opsional*) : Peta yang menentukan ke perangkat mana setiap submodul harus ditempatkan. Tidak perlu didefinisikan untuk setiap nama parameter/buffer; begitu nama modul tertentu ada di dalamnya, setiap submodul di bawahnya akan dikirim ke perangkat yang sama. Atur `device_map="auto"` agar 🤗 Accelerate secara otomatis menghitung `device_map` yang paling teroptimasi. Untuk informasi lebih lanjut tentang setiap opsi, lihat [mendesain peta perangkat](https://hf.co/docs/accelerate/main/en/usage_guides/big_modeling#designing-a-device-map). | |
| max_memory (`Dict`, *opsional*) : Kamus pengidentifikasi perangkat untuk memori maksimum. Akan secara default menggunakan memori maksimum yang tersedia untuk setiap GPU dan RAM CPU yang tersedia jika tidak disetel. | |
| offload_folder (`str` atau `os.PathLike`, *opsional*) : Path untuk offload weights jika device_map berisi nilai `"disk"`. | |
| offload_state_dict (`bool`, *opsional*) : Jika `True`, secara sementara memindahkan state dict CPU ke hard drive untuk menghindari kehabisan RAM CPU jika bobot state dict CPU + shard terbesar dari checkpoint tidak muat. Bawaan adalah `True` jika ada disk offload. | |
| low_cpu_mem_usage (`bool`, *opsional*, defaultnya `True` jika versi torch >= 1.9.0 selain itu `False`) : Mempercepat pemuatan model dengan hanya memuat bobot pretrained dan tidak menginisialisasi bobot. Ini juga berusaha untuk tidak menggunakan lebih dari 1x ukuran model di memori CPU (termasuk memori puncak) saat memuat model. Hanya didukung untuk PyTorch >= 1.9.0. Jika Anda menggunakan versi PyTorch yang lebih lama, mengatur argumen ini ke `True` akan memicu error. | |
| use_safetensors (`bool`, *opsional*, defaultnya `None`) : Jika diatur ke `None`, bobot safetensors akan diunduh jika tersedia **dan** jika pustaka safetensors terpasang. Jika diatur ke `True`, model dipaksa dimuat dari bobot safetensors. Jika diatur ke `False`, bobot safetensors tidak dimuat. | |
| kwargs (sisa kamus argumen kata kunci, *opsional*) : Dapat digunakan untuk menimpa variabel yang dapat dimuat dan disimpan (komponen pipeline dari kelas pipeline tertentu). Komponen yang ditimpa tersebut diteruskan langsung ke metode `__init__` pipeline. Lihat contoh di bawah untuk informasi lebih lanjut. | |
| variant (`str`, *opsional*) : Muat bobot dari nama file varian yang ditentukan seperti `"fp16"` atau `"ema"`. | |
| Membuat instans pipeline difusi Pytorch dari teks ke audio dari bobot pipeline yang telah dilatih sebelumnya. | |
| Metode from_pretrained() menangani pengembalian instance kelas pipeline yang tepat dengan cara: | |
| 1. Deteksi kelas pipeline dari pretrained_model_or_path berdasarkan properti _class_name dari objek config-nya | |
| 2. Temukan pipeline text-to-audio yang terhubung ke kelas pipeline menggunakan pencocokan pola pada nama kelas pipeline. | |
| Pipeline diatur dalam mode evaluasi (`model.eval()`) secara default. | |
| > [!TIP] > Untuk menggunakan model privat atau [gated](https://huggingface.co/docs/hub/models-gated#gated-models), masuk | |
| dengan `hf > auth login`. | |
| Contoh: | |
| ```py | |
| >>> import torch | |
| >>> import soundfile as sf | |
| >>> from diffusers import AutoPipelineForText2Audio | |
| >>> pipeline = AutoPipelineForText2Audio.from_pretrained( | |
| ... "stabilityai/stable-audio-open-1.0", torch_dtype=torch.float16 | |
| ... ) | |
| >>> pipeline = pipeline.to("cuda") | |
| >>> output = pipeline( | |
| ... "Generate a male voice reading a paragraph", | |
| ... num_inference_steps=200, | |
| ... audio_end_in_s=10.0, | |
| ... ) | |
| >>> audio = output.audios[0].T.float().cpu().numpy() | |
| >>> sf.write("audio.wav", audio, pipeline.vae.sampling_rate) | |
| ``` | |
| #### from_pipe[[diffusers.AutoPipelineForText2Audio.from_pipe]] | |
| ```python | |
| from_pipe(pipeline, **kwargs) | |
| ``` | |
| [Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/auto_pipeline.py#L1467) | |
| **Parameter:** | |
| pipeline (`DiffusionPipeline`) : objek `DiffusionPipeline` yang telah diinstansiasi | |
| Membuat instans pipeline difusi Pytorch dari teks ke audio dari kelas pipeline difusi lain yang sudah diinstansiasi. | |
| Metode from_pipe() menangani pengembalian instance kelas pipeline yang benar dengan menemukan pipeline text-to-audio yang terhubung ke kelas pipeline menggunakan pencocokan pola pada nama kelas pipeline. | |
| Semua modul yang terkandung dalam pipeline akan digunakan untuk menginisialisasi pipeline baru tanpa mengalokasikan memori tambahan. | |
| Pipeline diatur dalam mode evaluasi (`model.eval()`) secara default. | |
| ```py | |
| >>> import torch | |
| >>> import soundfile as sf | |
| >>> from diffusers import AutoPipelineForText2Audio, StableAudioPipeline | |
| >>> pipe = StableAudioPipeline.from_pretrained("stabilityai/stable-audio-open-1.0", torch_dtype=torch.float16) | |
| >>> pipe_audio = AutoPipelineForText2Audio.from_pipe(pipe) | |
| >>> output = pipe_audio( | |
| ... "Generate a sound", | |
| ... num_inference_steps=200, | |
| ... audio_end_in_s=10.0, | |
| ... ) | |
| >>> audio = output.audios[0].T.float().cpu().numpy() | |
| >>> sf.write("audio.wav", audio, pipe_audio.vae.sampling_rate) | |
| ``` | |
Xet Storage Details
- Size:
- 36.4 kB
- Xet hash:
- 61a63ca5fe34c31a548ca196dbb260fe5e171585a2fd61bcd9418335a5b5f131
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.