diffusers/main/tr/api/models/unet2d-cond.md

UNet2DConditionModel

UNet modeli, Ronneberger ve arkadaşları tarafından biyomedikal görüntü segmentasyonu için ilk olarak tanıtılmıştır ancak 🤗 Diffusers'ta da yaygın olarak kullanılır çünkü girdiyle aynı boyutta görüntüler üretir. Gerçek difüzyon sürecini kolaylaştırdığı için bir difüzyon sisteminin en önemli bileşenlerinden biridir. 🤗 Diffusers'ta, boyut sayısına ve koşullu bir model olup olmadığına bağlı olarak UNet modelinin çeşitli varyantları vardır. Bu, 2D koşullu bir UNet modelidir.

Makalenin özeti şudur:

Derin ağların başarılı bir şekilde eğitilmesinin binlerce etiketli eğitim örneği gerektirdiği konusunda geniş bir uzlaşı vardır. Bu makalede, mevcut etiketli örneklerin daha verimli kullanılmasını sağlayan, veri artırımının güçlü kullanımına dayanan bir ağ ve eğitim stratejisi sunuyoruz. Mimari, bağlamı yakalamak için daralan bir yol ve hassas konumlandırmayı mümkün kılan simetrik bir genişleyen yoldan oluşmaktadır. Böyle bir ağın çok az sayıda görüntüden uçtan uca eğitilebildiğini ve sinirsel yapıların elektron mikroskobik yığınlarındaki segmentasyonu için ISBI yarışmasında önceki en iyi yöntemi (kayan pencere konvolüsyonel ağ) geride bıraktığını gösteriyoruz. Aynı ağ, iletilen ışık mikroskobu görüntüleri (faz kontrastı ve DIC) üzerinde eğitilerek, bu kategorilerde ISBI hücre takibi yarışması 2015'i büyük bir farkla kazandık. Üstelik ağ hızlıdır. 512x512 boyutundaki bir görüntünün segmentasyonu, güncel bir GPU'da bir saniyeden az sürmektedir. Tam uygulama (Caffe tabanlı) ve eğitilmiş ağlar http://lmb.informatik.uni-freiburg.de/people/ronneber/u-net adresinde mevcuttur.

UNet2DConditionModel[[diffusers.UNet2DConditionModel]]

diffusers.UNet2DConditionModel[[diffusers.UNet2DConditionModel]]

diffusers.UNet2DConditionModel(sample_size: int | tuple[int, int] | None = None, in_channels: int = 4, out_channels: int = 4, center_input_sample: bool = False, flip_sin_to_cos: bool = True, freq_shift: int = 0, down_block_types: tuple = ('CrossAttnDownBlock2D', 'CrossAttnDownBlock2D', 'CrossAttnDownBlock2D', 'DownBlock2D'), mid_block_type: str | None = 'UNetMidBlock2DCrossAttn', up_block_types: tuple = ('UpBlock2D', 'CrossAttnUpBlock2D', 'CrossAttnUpBlock2D', 'CrossAttnUpBlock2D'), only_cross_attention: bool | tuple[bool] = False, block_out_channels: tuple = (320, 640, 1280, 1280), layers_per_block: int | tuple[int] = 2, downsample_padding: int = 1, mid_block_scale_factor: float = 1, dropout: float = 0.0, act_fn: str = 'silu', norm_num_groups: int | None = 32, norm_eps: float = 1e-05, cross_attention_dim: int | tuple[int] = 1280, transformer_layers_per_block: int | tuple[int] | tuple[tuple] = 1, reverse_transformer_layers_per_block: tuple[tuple[int]] | None = None, encoder_hid_dim: int | None = None, encoder_hid_dim_type: str | None = None, attention_head_dim: int | tuple[int] = 8, num_attention_heads: int | tuple[int] | None = None, dual_cross_attention: bool = False, use_linear_projection: bool = False, class_embed_type: str | None = None, addition_embed_type: str | None = None, addition_time_embed_dim: int | None = None, num_class_embeds: int | None = None, upcast_attention: bool = False, resnet_time_scale_shift: str = 'default', resnet_skip_time_act: bool = False, resnet_out_scale_factor: float = 1.0, time_embedding_type: str = 'positional', time_embedding_dim: int | None = None, time_embedding_act_fn: str | None = None, timestep_post_act: str | None = None, time_cond_proj_dim: int | None = None, conv_in_kernel: int = 3, conv_out_kernel: int = 3, projection_class_embeddings_input_dim: int | None = None, attention_type: str = 'default', class_embeddings_concat: bool = False, mid_block_only_cross_attention: bool | None = None, cross_attention_norm: str | None = None, addition_embed_type_num_heads: int = 64)

Kaynak

Parametreler:

sample_size (int veya tuple[int, int], isteğe bağlı, varsayılan None) : Girdi/çıktı örneğinin yüksekliği ve genişliği.

in_channels (int, isteğe bağlı, varsayılan 4) : Girdi örneğindeki kanal sayısı.

out_channels (int, isteğe bağlı, varsayılan 4) : Çıktıdaki kanal sayısı.

center_input_sample (bool, isteğe bağlı, varsayılan False) : Girdi örneğinin ortalanıp ortalanmayacağını belirtir.

flip_sin_to_cos (bool, isteğe bağlı, varsayılan True) : Zaman gömümünde sin'in cos'a çevrilip çevrilmeyeceğini belirtir.

freq_shift (int, isteğe bağlı, varsayılan 0) : Zaman gömümüne uygulanacak frekans kayması.

down_block_types (tuple[str], opsiyonel, varsayılan ("CrossAttnDownBlock2D", "CrossAttnDownBlock2D", "CrossAttnDownBlock2D", "DownBlock2D")) : Kullanılacak indirgeme bloklarının demeti.

mid_block_type (str, isteğe bağlı, varsayılan "UNetMidBlock2DCrossAttn") : UNet'in orta kısmı için blok türü, UNetMidBlock2DCrossAttn, UNetMidBlock2D veya UNetMidBlock2DSimpleCrossAttn olabilir. None ise orta blok katmanı atlanır.

up_block_types (tuple[str], opsiyonel, varsayılan ("UpBlock2D", "CrossAttnUpBlock2D", "CrossAttnUpBlock2D", "CrossAttnUpBlock2D")) : Kullanılacak örnekleme bloklarının demeti.

only_cross_attention(bool or tuple[bool], isteğe bağlı, varsayılan False) : Temel transformer bloklarında self-attention'ın dahil edilip edilmeyeceğini belirtir, bkz. BasicTransformerBlock.

block_out_channels (tuple[int], opsiyonel, varsayılan (320, 640, 1280, 1280)) : Her blok için çıktı kanalları demeti.

layers_per_block (int, isteğe bağlı, varsayılan 2) : Blok başına katman sayısı.

downsample_padding (int, isteğe bağlı, varsayılan 1) : Küçültme konvolüsyonu için kullanılacak dolgu.

mid_block_scale_factor (float, isteğe bağlı, varsayılan 1.0) : Orta blok için kullanılacak ölçekleme faktörü.

dropout (float, opsiyonel, varsayılan 0.0) : Kullanılacak dropout olasılığı.

act_fn (str, isteğe bağlı, varsayılan "silu") : Kullanılacak aktivasyon fonksiyonu.

norm_num_groups (int, isteğe bağlı, varsayılan 32) : Normalizasyon için kullanılacak grup sayısı. None ise, işleme sonrası aşamasında normalizasyon ve aktivasyon katmanları atlanır.

norm_eps (float, opsiyonel, varsayılan 1e-5) : Normalizasyon için kullanılacak epsilon.

cross_attention_dim (int veya tuple[int], isteğe bağlı, varsayılan 1280) : Çapraz dikkat özelliklerinin boyutu.

transformer_layers_per_block (int, tuple[int] veya tuple[tuple] , isteğe bağlı, varsayılan 1) : BasicTransformerBlock türündeki transformer bloklarının sayısı. Yalnızca CrossAttnDownBlock2D, CrossAttnUpBlock2D, UNetMidBlock2DCrossAttn için geçerlidir.

reverse_transformer_layers_per_block : (tuple[tuple], isteğe bağlı, varsayılan olarak None): U-Net'in örneklem artırma bloklarındaki BasicTransformerBlock türündeki dönüştürücü blokların sayısı. Yalnızca transformer_layers_per_block tuple[tuple] türündeyse ve CrossAttnDownBlock2D, CrossAttnUpBlock2D, UNetMidBlock2DCrossAttn için geçerlidir.

encoder_hid_dim (int, isteğe bağlı, varsayılanı None) : encoder_hid_dim_type tanımlıysa, encoder_hidden_states encoder_hid_dim boyutundan cross_attention_dim boyutuna yansıtılır.

encoder_hid_dim_type (str, isteğe bağlı, varsayılan None) : Verilirse, encoder_hidden_states ve potansiyel olarak diğer gömlemeler, encoder_hid_dim_type'e göre cross_attention boyutlu metin gömlemelerine indirgenir.

attention_head_dim (int, isteğe bağlı, varsayılan 8) : Dikkat başlarının boyutu.

num_attention_heads (int, isteğe bağlı) : Dikkat başlarının sayısı. Tanımlanmamışsa, varsayılan olarak attention_head_dim değerini alır.

resnet_time_scale_shift (str, isteğe bağlı, varsayılan "default") : ResNet blokları için zaman ölçeği kaydırma yapılandırması (bkz. ResnetBlock2D). default veya scale_shift seçeneklerinden birini seçin.

class_embed_type (str, isteğe bağlı, varsayılan None) : Sonunda zaman gömme değerleriyle toplanan sınıf gömme türü. None, "timestep", "identity", "projection" veya "simple_projection" seçeneklerinden birini seçin.

addition_embed_type (str, isteğe bağlı, varsayılan None) : Zaman gömme değerleriyle toplanacak isteğe bağlı bir gömme yapılandırır. None veya "text" seçeneklerinden birini seçin. "text", TextTimeEmbedding katmanını kullanır.

addition_time_embed_dim : (int, isteğe bağlı, varsayılan None): Zaman adımları gömme boyutu.

num_class_embeds (int, isteğe bağlı, varsayılan None) : class_embed_type None olduğunda sınıf koşullandırması yapılırken time_embed_dim'e yansıtılacak öğrenilebilir gömme matrisinin giriş boyutu.

time_embedding_type (str, isteğe bağlı, varsayılan positional) : Zaman adımları için kullanılacak konum gömme türü. positional veya fourier seçeneklerinden birini seçin.

time_embedding_dim (int, isteğe bağlı, varsayılan None) : Projelendirilmiş zaman gömme boyutu için isteğe bağlı bir geçersiz kılma.

time_embedding_act_fn (str, isteğe bağlı, varsayılan None) : UNet'in geri kalanına aktarılmadan önce zaman gömme (time embeddings) üzerinde yalnızca bir kez kullanılacak isteğe bağlı aktivasyon fonksiyonu. silu, mish, gelu ve swish arasından seçim yapın.

timestep_post_act (str, isteğe bağlı, varsayılan None) : timestep gömme (embedding) içinde kullanılacak ikinci aktivasyon fonksiyonu. silu, mish ve gelu arasından seçim yapın.

time_cond_proj_dim (int, isteğe bağlı, varsayılan None) : timestep gömme içindeki cond_proj katmanının boyutu.

conv_in_kernel (int, isteğe bağlı, varsayılan 3) : conv_in katmanının çekirdek boyutu.

conv_out_kernel (int, isteğe bağlı, varsayılan 3) : conv_out katmanının çekirdek boyutu.

projection_class_embeddings_input_dim (int, isteğe bağlı) : class_embed_type="projection" olduğunda class_labels girdisinin boyutu. class_embed_type="projection" olduğunda zorunludur.

class_embeddings_concat (bool, isteğe bağlı, varsayılan False) : Zaman gömme vektörlerinin sınıf gömme vektörleriyle birleştirilip birleştirilmeyeceğini belirtir.

mid_block_only_cross_attention (bool, isteğe bağlı, varsayılan None) : UNetMidBlock2DSimpleCrossAttn kullanılırken orta blokta çapraz dikkat (cross attention) kullanılacak mı? only_cross_attention tek bir bool olarak verilir ve mid_block_only_cross_attention None ise, only_cross_attention değeri mid_block_only_cross_attention değeri olarak kullanılır. Aksi halde varsayılan False olur.

Gürültülü bir örnek, koşullu durum ve bir zaman adımı alır ve örnek biçiminde bir çıktı döndüren koşullu 2D UNet modeli.

Bu model ModelMixin sınıfından devralır. Tüm modeller için uygulanan genel yöntemlerini (indirme veya kaydetme gibi) görmek için üst sınıfın belgelendirmesine bakın.

disable_freeu[[diffusers.UNet2DConditionModel.disable_freeu]]

disable_freeu()

Kaynak

FreeU mekanizmasını devre dışı bırakır.

enable_freeu[[diffusers.UNet2DConditionModel.enable_freeu]]

enable_freeu(s1: float, s2: float, b1: float, b2: float)

Kaynak

Parametreler:

s1 (float) : 1. aşama için, atlanan özelliklerin katkılarını sönümlemek amacıyla kullanılan ölçekleme faktörü. Bu, geliştirilmiş gürültü azaltma sürecindeki "aşırı yumuşatma etkisini" azaltmak için yapılır.

s2 (float) : 2. aşama için, atlanan özelliklerin katkılarını azaltmak üzere kullanılan ölçekleme faktörü. Bu, geliştirilmiş gürültü azaltma sürecindeki "aşırı yumuşatma etkisini" hafifletmek için yapılır.

b1 (float) : Omurga özelliklerinin katkılarını artırmak için 1. aşama ölçekleme çarpanı.

b2 (float) : Omurga özelliklerinin katkılarını artırmak için 2. aşama ölçekleme çarpanı.

https://huggingface.co/papers/2309.11497 adresindeki FreeU mekanizmasını etkinleştirir.

Ölçekleme katsayılarının sonundaki ekler, bu katsayıların uygulandığı aşama bloklarını temsil eder.

Stable Diffusion v1, v2 ve Stable Diffusion XL gibi farklı pipeline'lar için iyi çalıştığı bilinen değer kombinasyonları için resmi depoya bakın.

forward[[diffusers.UNet2DConditionModel.forward]]

forward(sample: Tensor, timestep: typing.Union[torch.Tensor, float, int], encoder_hidden_states: Tensor, class_labels: typing.Optional[torch.Tensor] = None, timestep_cond: typing.Optional[torch.Tensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, cross_attention_kwargs: dict[str, typing.Any] | None = None, added_cond_kwargs: dict[str, torch.Tensor] | None = None, down_block_additional_residuals: tuple[torch.Tensor] | None = None, mid_block_additional_residual: typing.Optional[torch.Tensor] = None, down_intrablock_additional_residuals: tuple[torch.Tensor] | None = None, encoder_attention_mask: typing.Optional[torch.Tensor] = None, return_dict: bool = True)

Kaynak

Parametreler:

sample (torch.Tensor) : Şekli (batch, channel, height, width) olan gürültülü giriş tensörü.

timestep (torch.Tensor veya float veya int) : Bir girdinin gürültüsünü gidermek için kullanılacak zaman adımı sayısı.

encoder_hidden_states (torch.Tensor) : (batch, sequence_length, feature_dim) biçimindeki kodlayıcı gizli durumları.

class_labels (torch.Tensor, isteğe bağlı, varsayılan None) : Koşullandırma için isteğe bağlı sınıf etiketleri. Gömümleri, zaman adımları gömümleriyle toplanır.

timestep_cond : (torch.Tensor, isteğe bağlı, varsayılan None): Zaman adımı için koşullu gömme. Sağlanırsa, gömme, self.time_embedding katmanından geçirilen örneklerle toplanarak zaman adımı gömmeleri elde edilir.

attention_mask (torch.Tensor, isteğe bağlı, varsayılan None) : (batch, key_tokens) biçimindeki bir dikkat maskesi, encoder_hidden_states üzerine uygulanır. Değer 1 ise maske korunur, aksi halde 0 ise atılır. Maske, "at" token'larına karşılık gelen dikkat puanlarına büyük negatif değerler ekleyen bir önyargıya dönüştürülür.

cross_attention_kwargs (dict, isteğe bağlı) : Belirtilirse, diffusers.models.attention_processor içinde self.processor altında tanımlanan AttentionProcessor'a iletilen bir kwargs sözlüğü.

added_cond_kwargs : (dict, isteğe bağlı): Belirtilirse, UNet bloklarına iletilen gömme (embedding) değerlerine eklenen ek gömme değerlerini içeren bir kwargs sözlüğü.

down_block_additional_residuals : (tuple of torch.Tensor, isteğe bağlı): Belirtilirse, down unet bloklarının artıklarına eklenen tensörlerden oluşan bir tuple.

mid_block_additional_residual : (torch.Tensor, isteğe bağlı): Belirtilirse, orta unet bloğunun artığına eklenen bir tensör.

down_intrablock_additional_residuals (tuple of torch.Tensor, opsiyonel) : UNet aşağı blokları içinde eklenecek ek kalıntılar, örneğin T2I-Adapter yan model(leri)nden

encoder_attention_mask (torch.Tensor) : encoder_hidden_states üzerine (batch, sequence_length) biçiminde bir çapraz dikkat maskesi uygulanır. True ise maske korunur, aksi halde False ise atılır. Maske, "at" token'larına karşılık gelen dikkat puanlarına büyük negatif değerler ekleyen bir önyargıya dönüştürülür.

return_dict (bool, isteğe bağlı, varsayılan True) : Düz bir tuple yerine UNet2DConditionOutput döndürülecek mi?

Dönüş: UNet2DConditionOutput veya tuple

return_dict True ise UNet2DConditionOutput döndürülür, aksi halde ilk öğesi örnek tensörü olan bir tuple döndürülür.

UNet2DConditionModel ileri yöntemi.

fuse_qkv_projections[[diffusers.UNet2DConditionModel.fuse_qkv_projections]]

fuse_qkv_projections()

Kaynak

Füzyonlu QKV projeksiyonlarını etkinleştirir. Kendi dikkat (self-attention) modülleri için tüm projeksiyon matrisleri (yani sorgu, anahtar, değer) füzyonlanır. Çapraz dikkat (cross-attention) modülleri için anahtar ve değer projeksiyon matrisleri füzyonlanır.

> Bu API 🧪 deneyseldir.

set_attention_slice[[diffusers.UNet2DConditionModel.set_attention_slice]]

set_attention_slice(slice_size: str | int | list[int] = 'auto')

Kaynak

Parametreler:

slice_size (str veya int veya list(int), isteğe bağlı, varsayılan "auto") : "auto" olduğunda, dikkat başlarına giden girdi yarıya indirilir, böylece dikkat iki adımda hesaplanır. "max" ise, her seferinde yalnızca bir dilim çalıştırılarak maksimum miktarda bellek tasarrufu sağlanır. Bir sayı sağlanırsa, attention_head_dim // slice_size kadar dilim kullanılır. Bu durumda attention_head_dim, slice_size'ın katı olmalıdır.

Dilimlenmiş dikkat (attention) hesaplamasını etkinleştirin.

Bu seçenek etkinleştirildiğinde, dikkat modülü dikkat hesaplamasını birkaç adımda gerçekleştirmek için girdi tensörünü dilimlere ayırır. Bu, hızda küçük bir düşüş karşılığında bellek tasarrufu sağlamak için faydalıdır.

set_default_attn_processor[[diffusers.UNet2DConditionModel.set_default_attn_processor]]

set_default_attn_processor()

Kaynak

Özel dikkat işleyicilerini devre dışı bırakır ve varsayılan dikkat uygulamasını ayarlar.

unfuse_qkv_projections[[diffusers.UNet2DConditionModel.unfuse_qkv_projections]]

unfuse_qkv_projections()

Kaynak

Etkinleştirilmişse birleşik QKV projeksiyonunu devre dışı bırakır.

> Bu API 🧪 deneyseldir.

UNet2DConditionOutput[[diffusers.models.unets.unet_2d_condition.UNet2DConditionOutput]]

diffusers.models.unets.unet_2d_condition.UNet2DConditionOutput[[diffusers.models.unets.unet_2d_condition.UNet2DConditionOutput]]

diffusers.models.unets.unet_2d_condition.UNet2DConditionOutput(sample: Tensor = None)

Kaynak

Parametreler:

sample (torch.Tensor, şekli (batch_size, num_channels, height, width)) : encoder_hidden_states girdisine koşullu gizli durum çıktısı. Modelin son katmanının çıktısı.

UNet2DConditionModel'nin çıktısı.