diffusers/main/id/using-diffusers/unconditional_image_generation.md

Generasi gambar tanpa syarat

Generasi gambar tanpa syarat menghasilkan gambar yang tampak seperti sampel acak dari data pelatihan tempat model dilatih karena proses denoising tidak dipandu oleh konteks tambahan apa pun seperti teks atau gambar.

Untuk memulai, gunakan DiffusionPipeline untuk memuat checkpoint anton-l/ddpm-butterflies-128 guna menghasilkan gambar kupu-kupu. DiffusionPipeline mengunduh dan meng-cache semua komponen model yang diperlukan untuk menghasilkan gambar.

from diffusers import DiffusionPipeline

generator = DiffusionPipeline.from_pretrained("anton-l/ddpm-butterflies-128").to("cuda")  # or "mps", "xpu", "cpu"
image = generator().images[0]
image

Ingin menghasilkan gambar sesuatu yang lain? Lihat panduan pelatihan untuk mempelajari cara melatih model agar menghasilkan gambar Anda sendiri.

Gambar keluaran adalah objek PIL.Image yang dapat disimpan:

image.save("generated_image.png")

Anda juga dapat mencoba bereksperimen dengan parameter num_inference_steps, yang mengontrol jumlah langkah denoising. Semakin banyak langkah denoising, biasanya menghasilkan gambar dengan kualitas lebih tinggi, tetapi prosesnya akan memakan waktu lebih lama. Silakan bereksperimen dengan parameter ini untuk melihat pengaruhnya terhadap kualitas gambar.

image = generator(num_inference_steps=100).images[0]
image

Coba gunakan Space di bawah ini untuk menghasilkan gambar kupu-kupu!