Buckets:
| # AutoPipeline | |
| `AutoPipeline`, belirli bir pipeline sınıfını bilmek zorunda kalmadan bir görev için checkpoint yüklemeyi kolaylaştırmak üzere tasarlanmıştır. Göreve göre `AutoPipeline`, doğru pipeline sınıfını checkpoint `model_index.json` dosyasından otomatik olarak alır. | |
| > [!TIP] | |
| > Bu API'yi nasıl kullanacağınızı öğrenmek için [AutoPipeline](../../tutorials/autopipeline) eğitimine göz atın! | |
| ## AutoPipelineForText2Image[[diffusers.AutoPipelineForText2Image]] | |
| #### diffusers.AutoPipelineForText2Image[[diffusers.AutoPipelineForText2Image]] | |
| ```python | |
| diffusers.AutoPipelineForText2Image(*args, **kwargs) | |
| ``` | |
| [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/auto_pipeline.py#L378) | |
| [AutoPipelineForText2Image](/docs/diffusers/main/tr/api/pipelines/auto_pipeline#diffusers.AutoPipelineForText2Image), bir metinden görüntüye dönüştürme (text-to-image) pipeline sınıfını örnekleyen genel bir pipeline sınıfıdır. Altta yatan belirli pipeline sınıfı, [from_pretrained()](/docs/diffusers/main/tr/api/pipelines/auto_pipeline#diffusers.AutoPipelineForText2Image.from_pretrained) veya [from_pipe()](/docs/diffusers/main/tr/api/pipelines/auto_pipeline#diffusers.AutoPipelineForText2Image.from_pipe) yöntemlerinden biri tarafından otomatik olarak seçilir. | |
| Bu sınıf `__init__()` kullanılarak örneklenemez (hata fırlatır). | |
| Sınıf özellikleri: | |
| - **config_name** (`str`) -- Tüm difüzyon hattı bileşenlerinin sınıf ve modül adlarını saklayan yapılandırma dosya adı. | |
| #### from_pretrained[[diffusers.AutoPipelineForText2Image.from_pretrained]] | |
| ```python | |
| from_pretrained(pretrained_model_or_path, **kwargs) | |
| ``` | |
| [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/auto_pipeline.py#L403) | |
| **Parametreler:** | |
| pretrained_model_or_path (`str` veya `os.PathLike`, *isteğe bağlı*) : Şunlardan biri olabilir: - Hub'da barındırılan önceden eğitilmiş bir pipeline'ın *repo kimliği* (örneğin `CompVis/ldm-text2im-large-256`) olan bir dize. - [save_pretrained()](/docs/diffusers/main/tr/api/pipelines/overview#diffusers.DiffusionPipeline.save_pretrained) kullanılarak kaydedilmiş pipeline ağırlıklarını içeren bir *dizin* yolu (örneğin `./my_pipeline_directory/`). | |
| dtype (`torch.dtype`, *isteğe bağlı*) : Varsayılan `torch.dtype` değerini geçersiz kılar ve modeli başka bir dtype ile yükler. | |
| force_download (`bool`, *isteğe bağlı*, varsayılan `False`) : Model ağırlıklarının ve yapılandırma dosyalarının (yeniden) indirilmesinin zorlanıp zorlanmayacağını belirler; önbellekteki sürümler varsa bunların üzerine yazar. | |
| cache_dir (`str | os.PathLike`, *isteğe bağlı*) : Standart önbellek kullanılmıyorsa, indirilen önceden eğitilmiş model yapılandırmasının önbelleğe alındığı dizinin yolu. | |
| proxies (`dict[str, str]`, *isteğe bağlı*) : Protokol veya uç nokta bazında kullanılacak vekil sunucuların sözlüğü, örneğin `{'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}`. Vekiller her istekte kullanılır. | |
| output_loading_info(`bool`, *isteğe bağlı*, varsayılan `False`) : Eksik anahtarlar, beklenmeyen anahtarlar ve hata mesajlarını içeren bir sözlüğün de döndürülüp döndürülmeyeceğini belirtir. | |
| local_files_only (`bool`, *isteğe bağlı*, varsayılan `False`) : Sadece yerel model ağırlıklarının ve yapılandırma dosyalarının yüklenip yüklenmeyeceğini belirtir. `True` olarak ayarlanırsa, model Hub'dan indirilmez. | |
| token (`str` veya *bool*, *isteğe bağlı*) : Uzaktaki dosyalar için HTTP bearer yetkilendirmesi olarak kullanılacak jeton. `True` ise, `diffusers-cli login` ile oluşturulan jeton (`~/.huggingface` içinde saklanır) kullanılır. | |
| revision (`str`, *isteğe bağlı*, varsayılan `"main"`) : Kullanılacak belirli model sürümü. Bir dal adı, etiket adı, commit kimliği veya Git tarafından izin verilen herhangi bir tanımlayıcı olabilir. | |
| custom_revision (`str`, *isteğe bağlı*, varsayılan `"main"`) : Kullanılacak belirli model sürümü. Hub'dan özel bir pipeline yüklenirken `revision` ile benzer şekilde bir dal adı, bir etiket adı veya bir commit id olabilir. GitHub'dan özel bir pipeline yüklenirken bir 🤗 Diffusers sürümü olabilir, aksi takdirde Hub'dan yüklenirken varsayılan olarak `"main"` kullanılır. | |
| mirror (`str`, *isteğe bağlı*) : Çin'de bir model indirirken erişilebilirlik sorunlarını çözmek için ayna kaynağı. Kaynağın güncelliğini veya güvenliğini garanti etmiyoruz; daha fazla bilgi için ayna sitesine başvurmalısınız. | |
| device_map (`str` veya `dict[str, int | str | torch.device]`, *isteğe bağlı*) : Her alt modülün nereye gideceğini belirten bir eşleme. Her parametre/buffer adı için tanımlanması gerekmez; belirli bir modül adı bir kez dahil edildiğinde, onun tüm alt modülleri aynı cihaza gönderilir. 🤗 Accelerate'in en optimize `device_map`'i otomatik olarak hesaplaması için `device_map="auto"` ayarlayın. Her seçenek hakkında daha fazla bilgi için [cihar haritası tasarımı](https://hf.co/docs/accelerate/main/en/usage_guides/big_modeling#designing-a-device-map) bölümüne bakın. | |
| max_memory (`Dict`, *isteğe bağlı*) : Maksimum bellek için bir sözlük cihaz tanımlayıcısı. Ayarlanmazsa, varsayılan olarak her GPU için kullanılabilir maksimum bellek ve kullanılabilir CPU RAM'i olacaktır. | |
| offload_folder (`str` veya `os.PathLike`, *isteğe bağlı*) : `"disk"` değerini içeren bir device_map varsa, ağırlıkların taşınacağı yol. | |
| offload_state_dict (`bool`, *isteğe bağlı*) : `True` ise, CPU durum sözlüğünün ağırlığı + checkpoint'in en büyük dilimi sığmıyorsa CPU RAM'inin dolmasını önlemek için CPU durum sözlüğü geçici olarak sabit diske aktarılır. Disk aktarımı varsa varsayılan olarak `True` değerine ayarlanır. | |
| low_cpu_mem_usage (`bool`, *isteğe bağlı*, varsayılan olarak PyTorch sürümü >= 1.9.0 ise `True`, aksi halde `False`) : Ağırlıkları başlatmadan yalnızca önceden eğitilmiş ağırlıkları yükleyerek model yüklemesini hızlandırır. Bu, model yüklenirken (tepe bellek dahil) CPU belleğinde model boyutunun 1 katından fazlasını kullanmamaya da çalışır. Yalnızca PyTorch >= 1.9.0 için desteklenir. PyTorch'un daha eski bir sürümünü kullanıyorsanız, bu argümanı `True` olarak ayarlamak bir hata verecektir. | |
| use_safetensors (`bool`, *isteğe bağlı*, varsayılan `None`) : `None` olarak ayarlanırsa, safetensors ağırlıkları mevcut **ve** safetensors kütüphanesi yüklüyse indirilir. `True` olarak ayarlanırsa, model zorla safetensors ağırlıklarından yüklenir. `False` olarak ayarlanırsa, safetensors ağırlıkları yüklenmez. | |
| kwargs (kalan anahtar kelime argümanları sözlüğü, *isteğe bağlı*) : Yüklenir ve kaydedilir değişkenleri (belirli pipeline sınıfının pipeline bileşenlerini) geçersiz kılmak için kullanılabilir. Geçersiz kılınan bileşenler doğrudan pipeline'ın `__init__` yöntemine iletilir. Daha fazla bilgi için aşağıdaki örneğe bakın. | |
| variant (`str`, *isteğe bağlı*) : Ağırlıkları, `"fp16"` veya `"ema"` gibi belirtilen bir varyant dosya adından yükler. | |
| Önceden eğitilmiş pipeline ağırlıklarından bir metinden görüntüye Pytorch difüzyon pipeline'ı örnekler. | |
| from_pretrained() metodu, doğru pipeline sınıfı örneğini döndürmek için şunları yapar: | |
| 1. pretrained_model_or_path'in config nesnesinin _class_name özelliğine dayanarak pipeline sınıfını algıla | |
| 2. pipeline sınıf adında desen eşleştirme kullanarak, pipeline sınıfına bağlı metinden görüntüye pipeline'ı bulun. | |
| `controlnet` argümanı geçirilirse, bir [StableDiffusionControlNetPipeline](/docs/diffusers/main/tr/api/pipelines/controlnet#diffusers.StableDiffusionControlNetPipeline) nesnesi oluşturulur. | |
| Hattın varsayılan olarak değerlendirme modunda (`model.eval()`) ayarlanır. | |
| Aşağıdaki hata mesajını alıyorsanız, aşağı akış göreviniz için ağırlıkları ince ayar yapmanız gerekir: | |
| ``` | |
| Some weights of UNet2DConditionModel were not initialized from the model checkpoint at stable-diffusion-v1-5/stable-diffusion-v1-5 and are newly initialized because the shapes did not match: | |
| - conv_in.weight: found shape torch.Size([320, 4, 3, 3]) in the checkpoint and torch.Size([320, 9, 3, 3]) in the model instantiated | |
| You should probably TRAIN this model on a down-stream task to be able to use it for predictions and inference. | |
| ``` | |
| > [!TIP] > Özel veya [gated](https://huggingface.co/docs/hub/models-gated#gated-models) modelleri kullanmak için oturum açın | |
| `hf > auth login` ile. | |
| Örnekler: | |
| ```py | |
| >>> from diffusers import AutoPipelineForText2Image | |
| >>> pipeline = AutoPipelineForText2Image.from_pretrained("stable-diffusion-v1-5/stable-diffusion-v1-5") | |
| >>> image = pipeline(prompt).images[0] | |
| ``` | |
| #### from_pipe[[diffusers.AutoPipelineForText2Image.from_pipe]] | |
| ```python | |
| from_pipe(pipeline, **kwargs) | |
| ``` | |
| [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/auto_pipeline.py#L559) | |
| **Parametreler:** | |
| pipeline (`DiffusionPipeline`) : örneklenmiş bir `DiffusionPipeline` nesnesi | |
| Diğer bir örneklenmiş difüzyon hattı sınıfından bir metinden görüntüye Pytorch difüzyon hattı örnekler. | |
| from_pipe() metodu, pipeline sınıf adında desen eşleştirme kullanarak pipeline sınıfına bağlı metinden görüntüye pipeline'ı bulup doğru pipeline sınıf örneğini döndürmekten sorumludur. | |
| Hattın içerdiği tüm modüller, ek bellek tahsisi yapılmadan yeni hattı başlatmak için kullanılacaktır. | |
| Hattın varsayılan olarak değerlendirme modunda (`model.eval()`) ayarlanır. | |
| ```py | |
| >>> from diffusers import AutoPipelineForText2Image, AutoPipelineForImage2Image | |
| >>> pipe_i2i = AutoPipelineForImage2Image.from_pretrained( | |
| ... "stable-diffusion-v1-5/stable-diffusion-v1-5", requires_safety_checker=False | |
| ... ) | |
| >>> pipe_t2i = AutoPipelineForText2Image.from_pipe(pipe_i2i) | |
| >>> image = pipe_t2i(prompt).images[0] | |
| ``` | |
| ## AutoPipelineForImage2Image[[diffusers.AutoPipelineForImage2Image]] | |
| #### diffusers.AutoPipelineForImage2Image[[diffusers.AutoPipelineForImage2Image]] | |
| ```python | |
| diffusers.AutoPipelineForImage2Image(*args, **kwargs) | |
| ``` | |
| [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/auto_pipeline.py#L676) | |
| [AutoPipelineForImage2Image](/docs/diffusers/main/tr/api/pipelines/auto_pipeline#diffusers.AutoPipelineForImage2Image), görüntüden görüntüye bir pipeline sınıfı örnekleyen genel bir pipeline sınıfıdır. Altta yatan belirli pipeline sınıfı, [from_pretrained()](/docs/diffusers/main/tr/api/pipelines/auto_pipeline#diffusers.AutoPipelineForImage2Image.from_pretrained) veya [from_pipe()](/docs/diffusers/main/tr/api/pipelines/auto_pipeline#diffusers.AutoPipelineForImage2Image.from_pipe) yöntemlerinden biri tarafından otomatik olarak seçilir. | |
| Bu sınıf `__init__()` kullanılarak örneklenemez (hata fırlatır). | |
| Sınıf özellikleri: | |
| - **config_name** (`str`) -- Tüm difüzyon hattı bileşenlerinin sınıf ve modül adlarını saklayan yapılandırma dosya adı. | |
| #### from_pretrained[[diffusers.AutoPipelineForImage2Image.from_pretrained]] | |
| ```python | |
| from_pretrained(pretrained_model_or_path, **kwargs) | |
| ``` | |
| [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/auto_pipeline.py#L701) | |
| **Parametreler:** | |
| pretrained_model_or_path (`str` veya `os.PathLike`, *isteğe bağlı*) : Şunlardan biri olabilir: - Hub'da barındırılan önceden eğitilmiş bir pipeline'ın *repo kimliği* (örneğin `CompVis/ldm-text2im-large-256`) olan bir dize. - [save_pretrained()](/docs/diffusers/main/tr/api/pipelines/overview#diffusers.DiffusionPipeline.save_pretrained) kullanılarak kaydedilmiş pipeline ağırlıklarını içeren bir *dizin* yolu (örneğin `./my_pipeline_directory/`). | |
| dtype (`str` veya `torch.dtype`, *isteğe bağlı*) : Varsayılan `torch.dtype` değerini geçersiz kılar ve modeli başka bir dtype ile yükler. | |
| force_download (`bool`, *isteğe bağlı*, varsayılan `False`) : Model ağırlıklarının ve yapılandırma dosyalarının (yeniden) indirilmesinin zorlanıp zorlanmayacağını belirler; önbellekteki sürümler varsa bunların üzerine yazar. | |
| cache_dir (`str | os.PathLike`, *isteğe bağlı*) : Standart önbellek kullanılmıyorsa, indirilen önceden eğitilmiş model yapılandırmasının önbelleğe alındığı dizinin yolu. | |
| proxies (`dict[str, str]`, *isteğe bağlı*) : Protokol veya uç nokta bazında kullanılacak vekil sunucuların sözlüğü, örneğin `{'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}`. Vekiller her istekte kullanılır. | |
| output_loading_info(`bool`, *isteğe bağlı*, varsayılan `False`) : Eksik anahtarlar, beklenmeyen anahtarlar ve hata mesajlarını içeren bir sözlüğün de döndürülüp döndürülmeyeceğini belirtir. | |
| local_files_only (`bool`, *isteğe bağlı*, varsayılan `False`) : Sadece yerel model ağırlıklarının ve yapılandırma dosyalarının yüklenip yüklenmeyeceğini belirtir. `True` olarak ayarlanırsa, model Hub'dan indirilmez. | |
| token (`str` veya *bool*, *isteğe bağlı*) : Uzaktaki dosyalar için HTTP bearer yetkilendirmesi olarak kullanılacak jeton. `True` ise, `diffusers-cli login` ile oluşturulan jeton (`~/.huggingface` içinde saklanır) kullanılır. | |
| revision (`str`, *isteğe bağlı*, varsayılan `"main"`) : Kullanılacak belirli model sürümü. Bir dal adı, etiket adı, commit kimliği veya Git tarafından izin verilen herhangi bir tanımlayıcı olabilir. | |
| custom_revision (`str`, *isteğe bağlı*, varsayılan `"main"`) : Kullanılacak belirli model sürümü. Hub'dan özel bir pipeline yüklenirken `revision` ile benzer şekilde bir dal adı, bir etiket adı veya bir commit id olabilir. GitHub'dan özel bir pipeline yüklenirken bir 🤗 Diffusers sürümü olabilir, aksi takdirde Hub'dan yüklenirken varsayılan olarak `"main"` kullanılır. | |
| mirror (`str`, *isteğe bağlı*) : Çin'de bir model indirirken erişilebilirlik sorunlarını çözmek için ayna kaynağı. Kaynağın güncelliğini veya güvenliğini garanti etmiyoruz; daha fazla bilgi için ayna sitesine başvurmalısınız. | |
| device_map (`str` veya `dict[str, int | str | torch.device]`, *isteğe bağlı*) : Her alt modülün nereye gideceğini belirten bir eşleme. Her parametre/buffer adı için tanımlanması gerekmez; belirli bir modül adı bir kez dahil edildiğinde, onun tüm alt modülleri aynı cihaza gönderilir. 🤗 Accelerate'in en optimize `device_map`'i otomatik olarak hesaplaması için `device_map="auto"` ayarlayın. Her seçenek hakkında daha fazla bilgi için [cihar haritası tasarımı](https://hf.co/docs/accelerate/main/en/usage_guides/big_modeling#designing-a-device-map) bölümüne bakın. | |
| max_memory (`Dict`, *isteğe bağlı*) : Maksimum bellek için bir sözlük cihaz tanımlayıcısı. Ayarlanmazsa, varsayılan olarak her GPU için kullanılabilir maksimum bellek ve kullanılabilir CPU RAM'i olacaktır. | |
| offload_folder (`str` veya `os.PathLike`, *isteğe bağlı*) : `"disk"` değerini içeren bir device_map varsa, ağırlıkların taşınacağı yol. | |
| offload_state_dict (`bool`, *isteğe bağlı*) : `True` ise, CPU durum sözlüğünün ağırlığı + checkpoint'in en büyük dilimi sığmıyorsa CPU RAM'inin dolmasını önlemek için CPU durum sözlüğü geçici olarak sabit diske aktarılır. Disk aktarımı varsa varsayılan olarak `True` değerine ayarlanır. | |
| low_cpu_mem_usage (`bool`, *isteğe bağlı*, varsayılan olarak PyTorch sürümü >= 1.9.0 ise `True`, aksi halde `False`) : Ağırlıkları başlatmadan yalnızca önceden eğitilmiş ağırlıkları yükleyerek model yüklemesini hızlandırır. Bu, model yüklenirken (tepe bellek dahil) CPU belleğinde model boyutunun 1 katından fazlasını kullanmamaya da çalışır. Yalnızca PyTorch >= 1.9.0 için desteklenir. PyTorch'un daha eski bir sürümünü kullanıyorsanız, bu argümanı `True` olarak ayarlamak bir hata verecektir. | |
| use_safetensors (`bool`, *isteğe bağlı*, varsayılan `None`) : `None` olarak ayarlanırsa, safetensors ağırlıkları mevcut **ve** safetensors kütüphanesi yüklüyse indirilir. `True` olarak ayarlanırsa, model zorla safetensors ağırlıklarından yüklenir. `False` olarak ayarlanırsa, safetensors ağırlıkları yüklenmez. | |
| kwargs (kalan anahtar kelime argümanları sözlüğü, *isteğe bağlı*) : Yüklenir ve kaydedilir değişkenleri (belirli pipeline sınıfının pipeline bileşenlerini) geçersiz kılmak için kullanılabilir. Geçersiz kılınan bileşenler doğrudan pipeline'ın `__init__` yöntemine iletilir. Daha fazla bilgi için aşağıdaki örneğe bakın. | |
| variant (`str`, *isteğe bağlı*) : Ağırlıkları, `"fp16"` veya `"ema"` gibi belirtilen bir varyant dosya adından yükler. | |
| Önceden eğitilmiş pipeline ağırlıklarından bir görüntüden-görüntüye Pytorch difüzyon pipeline'ı örnekler. | |
| from_pretrained() metodu, doğru pipeline sınıfı örneğini döndürmek için şunları yapar: | |
| 1. pretrained_model_or_path'in config nesnesinin _class_name özelliğine dayanarak pipeline sınıfını algıla | |
| 2. Pipeline sınıfının adında desen eşleştirme kullanarak pipeline sınıfına bağlı görüntüden görüntüye hattını bulun. | |
| `controlnet` argümanı geçirilirse, bir [StableDiffusionControlNetImg2ImgPipeline](/docs/diffusers/main/tr/api/pipelines/controlnet#diffusers.StableDiffusionControlNetImg2ImgPipeline) nesnesi oluşturulur. | |
| Hattın varsayılan olarak değerlendirme modunda (`model.eval()`) ayarlanır. | |
| Aşağıdaki hata mesajını alıyorsanız, aşağı akış göreviniz için ağırlıkları ince ayar yapmanız gerekir: | |
| ``` | |
| Some weights of UNet2DConditionModel were not initialized from the model checkpoint at stable-diffusion-v1-5/stable-diffusion-v1-5 and are newly initialized because the shapes did not match: | |
| - conv_in.weight: found shape torch.Size([320, 4, 3, 3]) in the checkpoint and torch.Size([320, 9, 3, 3]) in the model instantiated | |
| You should probably TRAIN this model on a down-stream task to be able to use it for predictions and inference. | |
| ``` | |
| > [!TIP] > Özel veya [gated](https://huggingface.co/docs/hub/models-gated#gated-models) modelleri kullanmak için oturum açın | |
| `hf > auth login` ile. | |
| Örnekler: | |
| ```py | |
| >>> from diffusers import AutoPipelineForImage2Image | |
| >>> pipeline = AutoPipelineForImage2Image.from_pretrained("stable-diffusion-v1-5/stable-diffusion-v1-5") | |
| >>> image = pipeline(prompt, image).images[0] | |
| ``` | |
| #### from_pipe[[diffusers.AutoPipelineForImage2Image.from_pipe]] | |
| ```python | |
| from_pipe(pipeline, **kwargs) | |
| ``` | |
| [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/auto_pipeline.py#L868) | |
| **Parametreler:** | |
| pipeline (`DiffusionPipeline`) : örneklenmiş bir `DiffusionPipeline` nesnesi | |
| Diğer bir örneklenmiş difüzyon hattı sınıfından bir görüntüden-görüntüye Pytorch difüzyon hattı örnekler. | |
| from_pipe() yöntemi, pipeline sınıf adında desen eşleştirme kullanarak pipeline sınıfına bağlı image-to-image pipeline'ını bulup doğru pipeline sınıf örneğini döndürmekten sorumludur. | |
| Hattın içerdiği tüm modüller, ek bellek tahsisi yapılmadan yeni hattı başlatmak için kullanılacaktır. | |
| Hattın varsayılan olarak değerlendirme modunda (`model.eval()`) ayarlanır. | |
| Örnekler: | |
| ```py | |
| >>> from diffusers import AutoPipelineForText2Image, AutoPipelineForImage2Image | |
| >>> pipe_t2i = AutoPipelineForText2Image.from_pretrained( | |
| ... "stable-diffusion-v1-5/stable-diffusion-v1-5", requires_safety_checker=False | |
| ... ) | |
| >>> pipe_i2i = AutoPipelineForImage2Image.from_pipe(pipe_t2i) | |
| >>> image = pipe_i2i(prompt, image).images[0] | |
| ``` | |
| ## AutoPipelineForInpainting[[diffusers.AutoPipelineForInpainting]] | |
| #### diffusers.AutoPipelineForInpainting[[diffusers.AutoPipelineForInpainting]] | |
| ```python | |
| diffusers.AutoPipelineForInpainting(*args, **kwargs) | |
| ``` | |
| [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/auto_pipeline.py#L990) | |
| [AutoPipelineForInpainting](/docs/diffusers/main/tr/api/pipelines/auto_pipeline#diffusers.AutoPipelineForInpainting), bir inpainting pipeline sınıfı örnekleyen genel bir pipeline sınıfıdır. Altta yatan belirli pipeline sınıfı, [from_pretrained()](/docs/diffusers/main/tr/api/pipelines/auto_pipeline#diffusers.AutoPipelineForInpainting.from_pretrained) veya [from_pipe()](/docs/diffusers/main/tr/api/pipelines/auto_pipeline#diffusers.AutoPipelineForInpainting.from_pipe) yöntemlerinden biri tarafından otomatik olarak seçilir. | |
| Bu sınıf `__init__()` kullanılarak örneklenemez (hata fırlatır). | |
| Sınıf özellikleri: | |
| - **config_name** (`str`) -- Tüm difüzyon hattı bileşenlerinin sınıf ve modül adlarını saklayan yapılandırma dosya adı. | |
| #### from_pretrained[[diffusers.AutoPipelineForInpainting.from_pretrained]] | |
| ```python | |
| from_pretrained(pretrained_model_or_path, **kwargs) | |
| ``` | |
| [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/auto_pipeline.py#L1015) | |
| **Parametreler:** | |
| pretrained_model_or_path (`str` veya `os.PathLike`, *isteğe bağlı*) : Şunlardan biri olabilir: - Hub'da barındırılan önceden eğitilmiş bir pipeline'ın *repo kimliği* (örneğin `CompVis/ldm-text2im-large-256`) olan bir dize. - [save_pretrained()](/docs/diffusers/main/tr/api/pipelines/overview#diffusers.DiffusionPipeline.save_pretrained) kullanılarak kaydedilmiş pipeline ağırlıklarını içeren bir *dizin* yolu (örneğin `./my_pipeline_directory/`). | |
| dtype (`str` veya `torch.dtype`, *isteğe bağlı*) : Varsayılan `torch.dtype` değerini geçersiz kılar ve modeli başka bir dtype ile yükler. | |
| force_download (`bool`, *isteğe bağlı*, varsayılan `False`) : Model ağırlıklarının ve yapılandırma dosyalarının (yeniden) indirilmesinin zorlanıp zorlanmayacağını belirler; önbellekteki sürümler varsa bunların üzerine yazar. | |
| cache_dir (`str | os.PathLike`, *isteğe bağlı*) : Standart önbellek kullanılmıyorsa, indirilen önceden eğitilmiş model yapılandırmasının önbelleğe alındığı dizinin yolu. | |
| proxies (`dict[str, str]`, *isteğe bağlı*) : Protokol veya uç nokta bazında kullanılacak vekil sunucuların sözlüğü, örneğin `{'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}`. Vekiller her istekte kullanılır. | |
| output_loading_info(`bool`, *isteğe bağlı*, varsayılan `False`) : Eksik anahtarlar, beklenmeyen anahtarlar ve hata mesajlarını içeren bir sözlüğün de döndürülüp döndürülmeyeceğini belirtir. | |
| local_files_only (`bool`, *isteğe bağlı*, varsayılan `False`) : Sadece yerel model ağırlıklarının ve yapılandırma dosyalarının yüklenip yüklenmeyeceğini belirtir. `True` olarak ayarlanırsa, model Hub'dan indirilmez. | |
| token (`str` veya *bool*, *isteğe bağlı*) : Uzaktaki dosyalar için HTTP bearer yetkilendirmesi olarak kullanılacak jeton. `True` ise, `diffusers-cli login` ile oluşturulan jeton (`~/.huggingface` içinde saklanır) kullanılır. | |
| revision (`str`, *isteğe bağlı*, varsayılan `"main"`) : Kullanılacak belirli model sürümü. Bir dal adı, etiket adı, commit kimliği veya Git tarafından izin verilen herhangi bir tanımlayıcı olabilir. | |
| custom_revision (`str`, *isteğe bağlı*, varsayılan `"main"`) : Kullanılacak belirli model sürümü. Hub'dan özel bir pipeline yüklenirken `revision` ile benzer şekilde bir dal adı, bir etiket adı veya bir commit id olabilir. GitHub'dan özel bir pipeline yüklenirken bir 🤗 Diffusers sürümü olabilir, aksi takdirde Hub'dan yüklenirken varsayılan olarak `"main"` kullanılır. | |
| mirror (`str`, *isteğe bağlı*) : Çin'de bir model indirirken erişilebilirlik sorunlarını çözmek için ayna kaynağı. Kaynağın güncelliğini veya güvenliğini garanti etmiyoruz; daha fazla bilgi için ayna sitesine başvurmalısınız. | |
| device_map (`str` veya `dict[str, int | str | torch.device]`, *isteğe bağlı*) : Her alt modülün nereye gideceğini belirten bir eşleme. Her parametre/buffer adı için tanımlanması gerekmez; belirli bir modül adı bir kez dahil edildiğinde, onun tüm alt modülleri aynı cihaza gönderilir. 🤗 Accelerate'in en optimize `device_map`'i otomatik olarak hesaplaması için `device_map="auto"` ayarlayın. Her seçenek hakkında daha fazla bilgi için [cihar haritası tasarımı](https://hf.co/docs/accelerate/main/en/usage_guides/big_modeling#designing-a-device-map) bölümüne bakın. | |
| max_memory (`Dict`, *isteğe bağlı*) : Maksimum bellek için bir sözlük cihaz tanımlayıcısı. Ayarlanmazsa, varsayılan olarak her GPU için kullanılabilir maksimum bellek ve kullanılabilir CPU RAM'i olacaktır. | |
| offload_folder (`str` veya `os.PathLike`, *isteğe bağlı*) : `"disk"` değerini içeren bir device_map varsa, ağırlıkların taşınacağı yol. | |
| offload_state_dict (`bool`, *isteğe bağlı*) : `True` ise, CPU durum sözlüğünün ağırlığı + checkpoint'in en büyük dilimi sığmıyorsa CPU RAM'inin dolmasını önlemek için CPU durum sözlüğü geçici olarak sabit diske aktarılır. Disk aktarımı varsa varsayılan olarak `True` değerine ayarlanır. | |
| low_cpu_mem_usage (`bool`, *isteğe bağlı*, varsayılan olarak PyTorch sürümü >= 1.9.0 ise `True`, aksi halde `False`) : Ağırlıkları başlatmadan yalnızca önceden eğitilmiş ağırlıkları yükleyerek model yüklemesini hızlandırır. Bu, model yüklenirken (tepe bellek dahil) CPU belleğinde model boyutunun 1 katından fazlasını kullanmamaya da çalışır. Yalnızca PyTorch >= 1.9.0 için desteklenir. PyTorch'un daha eski bir sürümünü kullanıyorsanız, bu argümanı `True` olarak ayarlamak bir hata verecektir. | |
| use_safetensors (`bool`, *isteğe bağlı*, varsayılan `None`) : `None` olarak ayarlanırsa, safetensors ağırlıkları mevcut **ve** safetensors kütüphanesi yüklüyse indirilir. `True` olarak ayarlanırsa, model zorla safetensors ağırlıklarından yüklenir. `False` olarak ayarlanırsa, safetensors ağırlıkları yüklenmez. | |
| kwargs (kalan anahtar kelime argümanları sözlüğü, *isteğe bağlı*) : Yüklenir ve kaydedilir değişkenleri (belirli pipeline sınıfının pipeline bileşenlerini) geçersiz kılmak için kullanılabilir. Geçersiz kılınan bileşenler doğrudan pipeline'ın `__init__` yöntemine iletilir. Daha fazla bilgi için aşağıdaki örneğe bakın. | |
| variant (`str`, *isteğe bağlı*) : Ağırlıkları, `"fp16"` veya `"ema"` gibi belirtilen bir varyant dosya adından yükler. | |
| Önceden eğitilmiş pipeline ağırlıklarından bir inpainting Pytorch difüzyon pipeline'ı örnekler. | |
| from_pretrained() metodu, doğru pipeline sınıfı örneğini döndürmek için şunları yapar: | |
| 1. pretrained_model_or_path'in config nesnesinin _class_name özelliğine dayanarak pipeline sınıfını algıla | |
| 2. Pipeline sınıfının adında desen eşleştirme kullanarak pipeline sınıfına bağlı inpainting hattını bulun. | |
| `controlnet` argümanı geçirilirse, bir [StableDiffusionControlNetInpaintPipeline](/docs/diffusers/main/tr/api/pipelines/controlnet#diffusers.StableDiffusionControlNetInpaintPipeline) nesnesi oluşturulur. | |
| Hattın varsayılan olarak değerlendirme modunda (`model.eval()`) ayarlanır. | |
| Aşağıdaki hata mesajını alıyorsanız, aşağı akış göreviniz için ağırlıkları ince ayar yapmanız gerekir: | |
| ``` | |
| Some weights of UNet2DConditionModel were not initialized from the model checkpoint at stable-diffusion-v1-5/stable-diffusion-v1-5 and are newly initialized because the shapes did not match: | |
| - conv_in.weight: found shape torch.Size([320, 4, 3, 3]) in the checkpoint and torch.Size([320, 9, 3, 3]) in the model instantiated | |
| You should probably TRAIN this model on a down-stream task to be able to use it for predictions and inference. | |
| ``` | |
| > [!TIP] > Özel veya [gated](https://huggingface.co/docs/hub/models-gated#gated-models) modelleri kullanmak için oturum açın | |
| `hf > auth login` ile. | |
| Örnekler: | |
| ```py | |
| >>> from diffusers import AutoPipelineForInpainting | |
| >>> pipeline = AutoPipelineForInpainting.from_pretrained("stable-diffusion-v1-5/stable-diffusion-v1-5") | |
| >>> image = pipeline(prompt, image=init_image, mask_image=mask_image).images[0] | |
| ``` | |
| #### from_pipe[[diffusers.AutoPipelineForInpainting.from_pipe]] | |
| ```python | |
| from_pipe(pipeline, **kwargs) | |
| ``` | |
| [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/auto_pipeline.py#L1179) | |
| **Parametreler:** | |
| pipeline (`DiffusionPipeline`) : örneklenmiş bir `DiffusionPipeline` nesnesi | |
| Diğer bir örneklenmiş difüzyon hattı sınıfından inpainting Pytorch difüzyon hattı örnekler. | |
| from_pipe() yöntemi, pipeline sınıf adında desen eşleştirme kullanarak pipeline sınıfına bağlı inpainting pipeline'ını bulmak suretiyle doğru pipeline sınıf örneğini döndürmekten sorumludur. | |
| pipeline sınıfının içerdiği tüm modüller, ek bellek tahsisi yapılmadan yeni hattın başlatılmasında kullanılacaktır. | |
| Hattın varsayılan olarak değerlendirme modunda (`model.eval()`) ayarlanır. | |
| Örnekler: | |
| ```py | |
| >>> from diffusers import AutoPipelineForText2Image, AutoPipelineForInpainting | |
| >>> pipe_t2i = AutoPipelineForText2Image.from_pretrained( | |
| ... "DeepFloyd/IF-I-XL-v1.0", requires_safety_checker=False | |
| ... ) | |
| >>> pipe_inpaint = AutoPipelineForInpainting.from_pipe(pipe_t2i) | |
| >>> image = pipe_inpaint(prompt, image=init_image, mask_image=mask_image).images[0] | |
| ``` | |
| ## AutoPipelineForText2Audio[[diffusers.AutoPipelineForText2Audio]] | |
| #### diffusers.AutoPipelineForText2Audio[[diffusers.AutoPipelineForText2Audio]] | |
| ```python | |
| diffusers.AutoPipelineForText2Audio(*args, **kwargs) | |
| ``` | |
| [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/auto_pipeline.py#L1298) | |
| [AutoPipelineForText2Audio](/docs/diffusers/main/tr/api/pipelines/auto_pipeline#diffusers.AutoPipelineForText2Audio), bir metinden ses üretimine (text-to-audio) yönelik pipeline sınıfını örnekleyen genel bir pipeline sınıfıdır. Altta yatan belirli pipeline sınıfı, [from_pretrained()](/docs/diffusers/main/tr/api/pipelines/auto_pipeline#diffusers.AutoPipelineForText2Audio.from_pretrained) veya [from_pipe()](/docs/diffusers/main/tr/api/pipelines/auto_pipeline#diffusers.AutoPipelineForText2Audio.from_pipe) yöntemlerinden biri tarafından otomatik olarak seçilir. | |
| Bu sınıf `__init__()` kullanılarak örneklenemez (hata fırlatır). | |
| Sınıf özellikleri: | |
| - **config_name** (`str`) -- Tüm difüzyon hattı bileşenlerinin sınıf ve modül adlarını saklayan yapılandırma dosya adı. | |
| #### from_pretrained[[diffusers.AutoPipelineForText2Audio.from_pretrained]] | |
| ```python | |
| from_pretrained(pretrained_model_or_path, **kwargs) | |
| ``` | |
| [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/auto_pipeline.py#L1323) | |
| **Parametreler:** | |
| pretrained_model_or_path (`str` veya `os.PathLike`, *isteğe bağlı*) : Şunlardan biri olabilir: - Hub'da barındırılan önceden eğitilmiş bir pipeline'ın *repo kimliği* (örneğin `stabilityai/stable-audio-open-1.0`) olan bir dize. - [save_pretrained()](/docs/diffusers/main/tr/api/pipelines/overview#diffusers.DiffusionPipeline.save_pretrained) kullanılarak kaydedilmiş pipeline ağırlıklarını içeren bir *dizin* yolu (örneğin `./my_pipeline_directory/`). | |
| dtype (`torch.dtype`, *isteğe bağlı*) : Varsayılan `torch.dtype` değerini geçersiz kılar ve modeli başka bir dtype ile yükler. | |
| force_download (`bool`, *isteğe bağlı*, varsayılan `False`) : Model ağırlıklarının ve yapılandırma dosyalarının (yeniden) indirilmesinin zorlanıp zorlanmayacağını belirler; önbellekteki sürümler varsa bunların üzerine yazar. | |
| cache_dir (`str | os.PathLike`, *isteğe bağlı*) : Standart önbellek kullanılmıyorsa, indirilen önceden eğitilmiş model yapılandırmasının önbelleğe alındığı dizinin yolu. | |
| proxies (`dict[str, str]`, *isteğe bağlı*) : Protokol veya uç nokta bazında kullanılacak vekil sunucuların sözlüğü, örneğin `{'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}`. Vekiller her istekte kullanılır. | |
| output_loading_info(`bool`, *isteğe bağlı*, varsayılan `False`) : Eksik anahtarlar, beklenmeyen anahtarlar ve hata mesajlarını içeren bir sözlüğün de döndürülüp döndürülmeyeceğini belirtir. | |
| local_files_only (`bool`, *isteğe bağlı*, varsayılan `False`) : Sadece yerel model ağırlıklarının ve yapılandırma dosyalarının yüklenip yüklenmeyeceğini belirtir. `True` olarak ayarlanırsa, model Hub'dan indirilmez. | |
| token (`str` veya *bool*, *isteğe bağlı*) : Uzaktaki dosyalar için HTTP bearer yetkilendirmesi olarak kullanılacak jeton. `True` ise, `diffusers-cli login` ile oluşturulan jeton (`~/.huggingface` içinde saklanır) kullanılır. | |
| revision (`str`, *isteğe bağlı*, varsayılan `"main"`) : Kullanılacak belirli model sürümü. Bir dal adı, etiket adı, commit kimliği veya Git tarafından izin verilen herhangi bir tanımlayıcı olabilir. | |
| custom_revision (`str`, *isteğe bağlı*, varsayılan `"main"`) : Kullanılacak belirli model sürümü. Hub'dan özel bir pipeline yüklenirken `revision` ile benzer şekilde bir dal adı, bir etiket adı veya bir commit id olabilir. GitHub'dan özel bir pipeline yüklenirken bir 🤗 Diffusers sürümü olabilir, aksi takdirde Hub'dan yüklenirken varsayılan olarak `"main"` kullanılır. | |
| mirror (`str`, *isteğe bağlı*) : Çin'de bir model indiriyorsanız erişilebilirlik sorunlarını çözmek için ayna kaynağı. Kaynağın güncelliğini veya güvenliğini garanti etmiyoruz; daha fazla bilgi için ayna sitesine başvurmalısınız. | |
| device_map (`str` veya `dict[str, int | str | torch.device]`, *isteğe bağlı*) : Her alt modülün nereye gideceğini belirten bir eşleme. Her parametre/buffer adı için tanımlanması gerekmez; belirli bir modül adı bir kez eklendikten sonra, onun tüm alt modülleri aynı cihaza gönderilir. 🤗 Accelerate'in en optimize `device_map`'i otomatik olarak hesaplaması için `device_map="auto"` olarak ayarlayın. Her seçenek hakkında daha fazla bilgi için [cihar haritası tasarımı](https://hf.co/docs/accelerate/main/en/usage_guides/big_modeling#designing-a-device-map) bölümüne bakın. | |
| max_memory (`Dict`, *isteğe bağlı*) : Maksimum bellek için bir sözlük cihaz tanımlayıcısı. Ayarlanmazsa, varsayılan olarak her GPU için kullanılabilir maksimum bellek ve kullanılabilir CPU RAM'i olacaktır. | |
| offload_folder (`str` veya `os.PathLike`, *isteğe bağlı*) : `"disk"` değerini içeren bir device_map varsa, ağırlıkların taşınacağı yol. | |
| offload_state_dict (`bool`, *isteğe bağlı*) : `True` ise, CPU durum sözlüğünün ağırlığı + checkpoint'in en büyük dilimi sığmıyorsa CPU RAM'inin dolmasını önlemek için CPU durum sözlüğü geçici olarak sabit diske aktarılır. Disk aktarımı varsa varsayılan olarak `True` değerine ayarlanır. | |
| low_cpu_mem_usage (`bool`, *isteğe bağlı*, varsayılan olarak PyTorch sürümü >= 1.9.0 ise `True`, aksi halde `False`) : Ağırlıkları başlatmadan yalnızca önceden eğitilmiş ağırlıkları yükleyerek model yüklemesini hızlandırır. Bu, model yüklenirken (tepe bellek dahil) CPU belleğinde model boyutunun 1 katından fazlasını kullanmamaya da çalışır. Yalnızca PyTorch >= 1.9.0 için desteklenir. PyTorch'un daha eski bir sürümünü kullanıyorsanız, bu argümanı `True` olarak ayarlamak bir hata verecektir. | |
| use_safetensors (`bool`, *isteğe bağlı*, varsayılan `None`) : `None` olarak ayarlanırsa, safetensors ağırlıkları mevcut **ve** safetensors kütüphanesi yüklüyse indirilir. `True` olarak ayarlanırsa, model zorla safetensors ağırlıklarından yüklenir. `False` olarak ayarlanırsa, safetensors ağırlıkları yüklenmez. | |
| kwargs (kalan anahtar kelime argümanları sözlüğü, *isteğe bağlı*) : Yüklenir ve kaydedilir değişkenleri (belirli pipeline sınıfının pipeline bileşenlerini) geçersiz kılmak için kullanılabilir. Geçersiz kılınan bileşenler doğrudan pipeline'ın `__init__` yöntemine iletilir. Daha fazla bilgi için aşağıdaki örneğe bakın. | |
| variant (`str`, *isteğe bağlı*) : Ağırlıkları, `"fp16"` veya `"ema"` gibi belirtilen bir varyant dosya adından yükler. | |
| Önceden eğitilmiş pipeline ağırlıklarından bir metinden sese Pytorch difüzyon pipeline'ı örnekler. | |
| from_pretrained() metodu, doğru pipeline sınıfı örneğini döndürmek için şunları yapar: | |
| 1. pretrained_model_or_path'in config nesnesinin _class_name özelliğine dayanarak pipeline sınıfını algıla | |
| 2. Pipeline sınıfının adında desen eşleştirme kullanarak pipeline sınıfına bağlı metinden ses üretim hattını bulun. | |
| Hattın varsayılan olarak değerlendirme modunda (`model.eval()`) ayarlanır. | |
| > [!TIP] > Özel veya [gated](https://huggingface.co/docs/hub/models-gated#gated-models) modelleri kullanmak için oturum açın | |
| `hf > auth login` ile. | |
| Örnekler: | |
| ```py | |
| >>> import torch | |
| >>> import soundfile as sf | |
| >>> from diffusers import AutoPipelineForText2Audio | |
| >>> pipeline = AutoPipelineForText2Audio.from_pretrained( | |
| ... "stabilityai/stable-audio-open-1.0", torch_dtype=torch.float16 | |
| ... ) | |
| >>> pipeline = pipeline.to("cuda") | |
| >>> output = pipeline( | |
| ... "Generate a male voice reading a paragraph", | |
| ... num_inference_steps=200, | |
| ... audio_end_in_s=10.0, | |
| ... ) | |
| >>> audio = output.audios[0].T.float().cpu().numpy() | |
| >>> sf.write("audio.wav", audio, pipeline.vae.sampling_rate) | |
| ``` | |
| #### from_pipe[[diffusers.AutoPipelineForText2Audio.from_pipe]] | |
| ```python | |
| from_pipe(pipeline, **kwargs) | |
| ``` | |
| [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/auto_pipeline.py#L1467) | |
| **Parametreler:** | |
| pipeline (`DiffusionPipeline`) : örneklenmiş bir `DiffusionPipeline` nesnesi | |
| Diğer bir örneklenmiş difüzyon hattı sınıfından bir metinden sese Pytorch difüzyon hattı örnekler. | |
| from_pipe() metodu, pipeline sınıf adında desen eşleştirme kullanarak pipeline sınıfına bağlı metinden sese pipeline'ı bulup doğru pipeline sınıf örneğini döndürmekten sorumludur. | |
| Hattın içerdiği tüm modüller, ek bellek tahsisi yapılmadan yeni hattı başlatmak için kullanılacaktır. | |
| Hattın varsayılan olarak değerlendirme modunda (`model.eval()`) ayarlanır. | |
| ```py | |
| >>> import torch | |
| >>> import soundfile as sf | |
| >>> from diffusers import AutoPipelineForText2Audio, StableAudioPipeline | |
| >>> pipe = StableAudioPipeline.from_pretrained("stabilityai/stable-audio-open-1.0", torch_dtype=torch.float16) | |
| >>> pipe_audio = AutoPipelineForText2Audio.from_pipe(pipe) | |
| >>> output = pipe_audio( | |
| ... "Generate a sound", | |
| ... num_inference_steps=200, | |
| ... audio_end_in_s=10.0, | |
| ... ) | |
| >>> audio = output.audios[0].T.float().cpu().numpy() | |
| >>> sf.write("audio.wav", audio, pipe_audio.vae.sampling_rate) | |
| ``` | |
Xet Storage Details
- Size:
- 39.3 kB
- Xet hash:
- 7dcb4ce1bfe1efb060e435e4f7c6682f2c76b62ba119b7a8530921f6e20f4c63
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.