Buckets:
| # Visão geral | |
| 🤗 O Diffusers oferece uma coleção de scripts de treinamento para você treinar seus próprios modelos de difusão. Você pode encontrar todos os nossos scripts de treinamento em [diffusers/examples](https://github.com/huggingface/diffusers/tree/main/examples). | |
| Cada script de treinamento é: | |
| - **Autossuficiente**: o script de treinamento não depende de nenhum arquivo local e todos os pacotes necessários para executar o script são instalados a partir do arquivo `requirements.txt`. | |
| - **Fácil de ajustar**: os scripts de treinamento são um exemplo de como treinar um modelo de difusão para uma tarefa específica e não funcionarão prontos para todos os cenários de treinamento. Provavelmente, você precisará adaptar o script de treinamento para o seu caso de uso específico. Para ajudá-lo com isso, expusemos completamente o código de pré-processamento de dados e o loop de treinamento para que você possa modificá-los para o seu próprio uso. | |
| - **Fácil para iniciantes**: os scripts de treinamento foram projetados para serem acessíveis e fáceis de entender, em vez de incluir os métodos mais avançados do estado da arte para obter os melhores e mais competitivos resultados. Qualquer método de treinamento que consideramos complexo demais é intencionalmente excluído. | |
| - **Finalidade única**: cada script de treinamento é projetado expressamente para apenas uma tarefa, a fim de mantê-lo legível e compreensível. | |
| Nossa coleção atual de scripts de treinamento inclui: | |
| | Treinamento | Suporte a SDXL | Suporte a LoRA | | |
| |---|---|---| | |
| | [geração de imagem incondicional](https://github.com/huggingface/diffusers/tree/main/examples/unconditional_image_generation) [](https://colab.research.google.com/github/huggingface/notebooks/blob/main/diffusers/training_example.ipynb) | | | | |
| | [texto-para-imagem](https://github.com/huggingface/diffusers/tree/main/examples/text_to_image) | 👍 | 👍 | | |
| | [inversão textual](https://github.com/huggingface/diffusers/tree/main/examples/textual_inversion) [](https://colab.research.google.com/github/huggingface/notebooks/blob/main/diffusers/sd_textual_inversion_training.ipynb) | | | | |
| | [DreamBooth](https://github.com/huggingface/diffusers/tree/main/examples/dreambooth) [](https://colab.research.google.com/github/huggingface/notebooks/blob/main/diffusers/sd_dreambooth_training.ipynb) | 👍 | 👍 | | |
| | [ControlNet](https://github.com/huggingface/diffusers/tree/main/examples/controlnet) | 👍 | | | |
| | [InstructPix2Pix](https://github.com/huggingface/diffusers/tree/main/examples/instruct_pix2pix) | 👍 | | | |
| | [Custom Diffusion](https://github.com/huggingface/diffusers/tree/main/examples/custom_diffusion) | | | | |
| | [T2I-Adapters](https://github.com/huggingface/diffusers/tree/main/examples/t2i_adapter) | 👍 | | | |
| | [Kandinsky 2.2](https://github.com/huggingface/diffusers/tree/main/examples/kandinsky2_2/text_to_image) | | 👍 | | |
| Esses exemplos são **ativamente** mantidos, então sinta-se à vontade para abrir uma issue caso não estejam funcionando como esperado. Se você acha que outro exemplo de treinamento deveria ser incluído, fique à vontade para iniciar uma [Feature Request](https://github.com/huggingface/diffusers/issues/new?assignees=&labels=&template=feature_request.md&title=) para discutir sua ideia de funcionalidade conosco e verificar se ela atende aos nossos critérios de ser autocontida, fácil de ajustar, amigável para iniciantes e de propósito único. | |
| ## Instalar | |
| Certifique-se de que você consegue executar com sucesso as versões mais recentes dos scripts de exemplo instalando a biblioteca a partir do código-fonte em um novo ambiente virtual: | |
| ```bash | |
| git clone https://github.com/huggingface/diffusers | |
| cd diffusers | |
| pip install . | |
| ``` | |
| Em seguida, navegue até a pasta do script de treinamento (por exemplo, [DreamBooth](https://github.com/huggingface/diffusers/tree/main/examples/dreambooth)) e instale o arquivo `requirements.txt`. Alguns scripts de treinamento possuem um arquivo de requisitos específico para SDXL ou LoRA. Se você estiver usando um desses scripts, certifique-se de instalar o arquivo de requisitos correspondente. | |
| ```bash | |
| cd examples/dreambooth | |
| pip install -r requirements.txt | |
| # to train SDXL with DreamBooth | |
| pip install -r requirements_sdxl.txt | |
| ``` | |
| Para acelerar o treinamento e reduzir o uso de memória, recomendamos: | |
| - usando PyTorch 2.0 ou superior para usar automaticamente [scaled dot product attention](../optimization/fp16#scaled-dot-product-attention) durante o treinamento (você não precisa fazer nenhuma alteração no código de treinamento) | |
| - instalando o [xFormers](../optimization/attention_backends) para habilitar a atenção eficiente em memória | |
Xet Storage Details
- Size:
- 4.97 kB
- Xet hash:
- 1661ecf95c99564cd1e4e8e66602fcdeca87b378cf0a5a28dd372234728f9497
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.