Buckets:
| # ComponentsManager | |
| > [!WARNING] | |
| > [ComponentsManager](/docs/diffusers/main/pt/api/modular_diffusers/pipeline_components#diffusers.ComponentsManager) ainda está em desenvolvimento ativo e sua API pode mudar. | |
| O [ComponentsManager](/docs/diffusers/main/pt/api/modular_diffusers/pipeline_components#diffusers.ComponentsManager) é um sistema de registro e gerenciamento de modelos para o Modular Diffusers. Ele adiciona e rastreia modelos, armazena metadados úteis (tamanho do modelo, colocação de dispositivo, adaptadores) e oferece suporte a offloading. | |
| Este guia mostrará como usar o [ComponentsManager](/docs/diffusers/main/pt/api/modular_diffusers/pipeline_components#diffusers.ComponentsManager) para gerenciar componentes e memória de dispositivo. | |
| ## Conectar a um pipeline | |
| Crie um [ComponentsManager](/docs/diffusers/main/pt/api/modular_diffusers/pipeline_components#diffusers.ComponentsManager) e passe-o para um [ModularPipeline](/docs/diffusers/main/pt/api/modular_diffusers/pipeline#diffusers.ModularPipeline) usando [from_pretrained()](/docs/diffusers/main/pt/api/modular_diffusers/pipeline#diffusers.ModularPipeline.from_pretrained) ou [init_pipeline()](/docs/diffusers/main/pt/api/modular_diffusers/pipeline_blocks#diffusers.ModularPipelineBlocks.init_pipeline). | |
| ```py | |
| from diffusers import ModularPipeline, ComponentsManager | |
| import torch | |
| manager = ComponentsManager() | |
| pipe = ModularPipeline.from_pretrained("Tongyi-MAI/Z-Image-Turbo", components_manager=manager) | |
| pipe.load_components(dtype=torch.bfloat16) | |
| ``` | |
| ```py | |
| from diffusers import ModularPipelineBlocks, ComponentsManager | |
| import torch | |
| manager = ComponentsManager() | |
| blocks = ModularPipelineBlocks.from_pretrained("diffusers/Florence2-image-Annotator", trust_remote_code=True) | |
| pipe= blocks.init_pipeline(components_manager=manager) | |
| pipe.load_components(dtype=torch.bfloat16) | |
| ``` | |
| Os componentes carregados pelo pipeline são registrados automaticamente no gerenciador. Você pode inspecioná-los imediatamente. | |
| ## Inspecionar componentes | |
| Imprima o [ComponentsManager](/docs/diffusers/main/pt/api/modular_diffusers/pipeline_components#diffusers.ComponentsManager) para ver todos os componentes registrados, incluindo sua classe, colocação de dispositivo, dtype, tamanho de memória e ID de carregamento. | |
| A saída abaixo corresponde ao exemplo de `from_pretrained` acima. | |
| ```py | |
| Components: | |
| ============================================================================================================================= | |
| Models: | |
| ----------------------------------------------------------------------------------------------------------------------------- | |
| Name_ID | Class | Device: act(exec) | Dtype | Size (GB) | Load ID | |
| ----------------------------------------------------------------------------------------------------------------------------- | |
| text_encoder_140458257514752 | Qwen3Model | cpu | torch.bfloat16 | 7.49 | Tongyi-MAI/Z-Image-Turbo|text_encoder|null|null | |
| vae_140458257515376 | AutoencoderKL | cpu | torch.bfloat16 | 0.16 | Tongyi-MAI/Z-Image-Turbo|vae|null|null | |
| transformer_140458257515616 | ZImageTransformer2DModel | cpu | torch.bfloat16 | 11.46 | Tongyi-MAI/Z-Image-Turbo|transformer|null|null | |
| ----------------------------------------------------------------------------------------------------------------------------- | |
| Other Components: | |
| ----------------------------------------------------------------------------------------------------------------------------- | |
| ID | Class | Collection | |
| ----------------------------------------------------------------------------------------------------------------------------- | |
| scheduler_140461023555264 | FlowMatchEulerDiscreteScheduler | N/A | |
| tokenizer_140458256346432 | Qwen2Tokenizer | N/A | |
| ----------------------------------------------------------------------------------------------------------------------------- | |
| ``` | |
| A tabela exibe os modelos (com informações de dispositivo, dtype e memória) separadamente de outros componentes, como agendadores e tokenizadores. Se algum modelo tiver adaptadores LoRA, IP-Adapters ou quantização aplicada, essas informações são exibidas em uma seção adicional na parte inferior. | |
| ## Offloading | |
| O método [enable_auto_cpu_offload()](/docs/diffusers/main/pt/api/modular_diffusers/pipeline_components#diffusers.ComponentsManager.enable_auto_cpu_offload) é uma estratégia global de offloading que funciona em todos os modelos, independentemente do pipeline que os utiliza. Uma vez habilitado, você não precisa se preocupar com a colocação de dispositivos ao adicionar ou remover componentes. | |
| ```py | |
| manager.enable_auto_cpu_offload(device="cuda") # or "mps", "xpu", "cpu" | |
| ``` | |
| Todos os modelos começam na CPU e o [ComponentsManager](/docs/diffusers/main/pt/api/modular_diffusers/pipeline_components#diffusers.ComponentsManager) os move para o dispositivo apropriado logo antes de serem necessários, e move outros modelos de volta para a CPU quando a memória da GPU está baixa. | |
| Chame [disable_auto_cpu_offload()](/docs/diffusers/main/pt/api/modular_diffusers/pipeline_components#diffusers.ComponentsManager.disable_auto_cpu_offload) para desativar o offloading. | |
| ```py | |
| manager.disable_auto_cpu_offload() | |
| ``` | |
Xet Storage Details
- Size:
- 5.42 kB
- Xet hash:
- d76cd1524264791cd926a46b86d53a5ee134fc37d223c3d9bbe3fb18ec4034e0
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.