Buckets:
| # 無条件画像生成 | |
| 無条件画像生成では、テキストや画像などの追加のコンテキストによるガイドがないため、デノイジングプロセスがモデルの学習に使用されたトレーニングデータからのランダムなサンプルに似た画像を生成します。 | |
| まずはじめに、[DiffusionPipeline](/docs/diffusers/main/ja/api/pipelines/overview#diffusers.DiffusionPipeline) を使用して [anton-l/ddpm-butterflies-128](https://huggingface.co/anton-l/ddpm-butterflies-128) チェックポイントをロードし、蝶の画像を生成します。[DiffusionPipeline](/docs/diffusers/main/ja/api/pipelines/overview#diffusers.DiffusionPipeline) は、画像生成に必要なすべてのモデルコンポーネントをダウンロードしてキャッシュします。 | |
| ```py | |
| from diffusers import DiffusionPipeline | |
| generator = DiffusionPipeline.from_pretrained("anton-l/ddpm-butterflies-128").to("cuda") # or "mps", "xpu", "cpu" | |
| image = generator().images[0] | |
| image | |
| ``` | |
| > [!TIP] | |
| > 別のものの画像を生成したい場合は、[ガイド](../training/unconditional_training)を参照して、独自の画像を生成するモデルの学習方法について学びましょう。 | |
| 出力画像は、保存可能な[`PIL.Image`](https://pillow.readthedocs.io/en/stable/reference/Image.html?highlight=image#the-image-class)オブジェクトです。 | |
| ```py | |
| image.save("generated_image.png") | |
| ``` | |
| `num_inference_steps` パラメータの実験も試せます。このパラメータは、デノイジングのステップ数を制御します。デノイジングのステップ数が多いほど、通常はより高品質な画像が生成されますが、生成に時間がかかります。画像品質への影響を確認するために、このパラメータを自由に調整してみてください。 | |
| ```py | |
| image = generator(num_inference_steps=100).images[0] | |
| image | |
| ``` | |
| 下のSpaceを試して、蝶の画像を生成してみてください! | |
| <iframe src="https://stevhliu-unconditional-image-generation.hf.space" frameborder="0" width="850" height="500" | |
| > | |
Xet Storage Details
- Size:
- 2.14 kB
- Xet hash:
- a0a452b9b7a79be14213a3121c6cdf1c3dba260870c9a314fb2672f8e82086cf
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.