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

Geração de imagem incondicional

A geração de imagens incondicional gera imagens que se assemelham a uma amostra aleatória dos dados de treinamento em que o modelo foi treinado, pois o processo de remoção de ruído não é guiado por nenhum contexto adicional, como texto ou imagem.

Para começar, use o DiffusionPipeline para carregar o checkpoint anton-l/ddpm-butterflies-128 e gerar imagens de borboletas. O DiffusionPipeline baixa e faz o cache de todos os componentes do modelo necessários para gerar uma imagem.

from diffusers import DiffusionPipeline

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

Quer gerar imagens de outra coisa? Dê uma olhada no guia de treinamento para aprender a treinar um modelo para gerar suas próprias imagens.

A imagem de saída é um objeto PIL.Image que pode ser salvo:

image.save("generated_image.png")

Você também pode tentar experimentar com o parâmetro num_inference_steps, que controla o número de etapas de remoção de ruído. Mais etapas de remoção de ruído geralmente produzem imagens de maior qualidade, mas levará mais tempo para gerar. Sinta-se à vontade para brincar com esse parâmetro para ver como ele afeta a qualidade da imagem.

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

Experimente o Space abaixo para gerar uma imagem de uma borboleta!