Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /main /tr /api /pipelines /ideogram4.md

mishig

about 16 hours ago

preview code

download

raw

15.5 kB

# Ideogram 4

Ideogram 4, çok modlu bir metin kodlayıcı ve asimetrik bir sınıflandırıcı-ücretsiz yönlendirme şeması kullanan, akış eşleştirmeli metinden görüntüye bir modeldir: özel bir `unconditional_transformer`, sıfırlanmış metin özellikleriyle negatif dalı üretirken, ana `transformer` tam paketli metin + görüntü dizisini işler.

Pipeline varsayılanları, en iyi kalite için önerilen ayarlardır; bu nedenle düz bir `pipe(prompt)` çağrısı, kutudan çıktığı gibi en yüksek kalitede sonuçlar üretir: logit-normal zaman çizelgesinde (`mu=0.0`, `std=1.5`) 48 akış eşleştirme adımı, ana adımlarda sınıflandırıcı-ücretsiz yönlendirme 7.0'da tutulurken son 3 "parlatma" adımında 3.0'a düşürülür.

Temel çıkarım zamanı ayarları, pipeline çağrısı üzerinden sunulur:

- `num_inference_steps`, `mu` ve `std`, çözünürlük duyarlı logit-normal akış eşleştirme zamanlamasını kontrol eder.
- `guidance_scale` (veya tam adım başına `guidance_schedule`) koşullu ve koşulsuz hızları birleştirir.

## Metinden görüntüye

```python
import torch
from diffusers import Ideogram4Pipeline
pipe = Ideogram4Pipeline.from_pretrained("ideogram-ai/ideogram-v4", dtype=torch.bfloat16)
pipe.to("cuda")  # or "mps", "xpu", "cpu"
prompt = "A photo of a cat holding a sign that says hello world"
# The defaults are the recommended settings for best quality.
image = pipe(prompt, height=1024, width=1024, generator=torch.Generator("cuda").manual_seed(0)).images[0]
image.save("ideogram4.png")
```

## Prompt örnekleme

Ideogram 4, serbest biçimli bir istem yerine yapılandırılmış bir JSON açıklaması üzerinde eğitildiğinden, kısa bir istem üretimden önce bu yerel şemaya genişletilmelidir. Açıklamayı üretmenin iki yolu vardır.

### Remote (Ideogram API)

En iyi sonuçlar için, istemi Ideogram'ın barındırdığı magic-prompt API'siyle genişletin ve döndürülen başlığı doğrudan pipeline'a iletin (anahtar için [developer.ideogram.ai](https://developer.ideogram.ai/)):

```python
import json
import requests
import torch
from diffusers import Ideogram4Pipeline
pipe = Ideogram4Pipeline.from_pretrained("ideogram-ai/ideogram-4-nf4", dtype=torch.bfloat16)
pipe.to("cuda")  # or "mps", "xpu", "cpu"
# Expand the prompt into a structured JSON caption with Ideogram's hosted magic-prompt API.
response = requests.post(
    "https://api.ideogram.ai/v1/ideogram-v4/magic-prompt",
    headers={"Api-Key": "your_ideogram_api_key"},
    json={"text_prompt": "A photo of a cat holding a sign that says hello world", "aspect_ratio": "1x1"},
).json()
caption = json.dumps(response["json_prompt"])
# The caption is already upsampled, so pass it directly (no prompt_upsampling).
image = pipe(caption, height=1024, width=1024, generator=torch.Generator("cuda").manual_seed(0)).images[0]
image.save("ideogram4_upsampled.png")
```

### Local (cihaz üzerinde)

Tamamen yerel bir iş akışı için, küçük bir [Ideogram4PromptEnhancerHead](/docs/diffusers/main/tr/api/pipelines/ideogram4#diffusers.Ideogram4PromptEnhancerHead) (Qwen3-VL LM başlığı) bileşenini isteğe bağlı `prompt_enhancer_head` olarak yükleyin ve `prompt_upsampling=True` parametresini iletin. Bu başlık, paylaşılan `text_encoder` üzerine eklenir, bu nedenle ikinci bir metin kodlayıcı yüklenmez. Şema kısıtlamalı açıklamalar için `outlines` paketini kurun (nf4 kontrol noktası ayrıca `bitsandbytes` gerektirir):

```python
import torch
from diffusers import Ideogram4Pipeline, Ideogram4PromptEnhancerHead
prompt_enhancer_head = Ideogram4PromptEnhancerHead.from_pretrained(
    "diffusers/qwen3-vl-8b-instruct-lm-head", dtype=torch.bfloat16
)
pipe = Ideogram4Pipeline.from_pretrained(
    "ideogram-ai/ideogram-4-nf4", prompt_enhancer_head=prompt_enhancer_head, dtype=torch.bfloat16
)
pipe.to("cuda")  # or "mps", "xpu", "cpu"
prompt = "A photo of a cat holding a sign that says hello world"
image = pipe(
    prompt,
    height=1024,
    width=1024,
    prompt_upsampling=True,
    generator=torch.Generator("cuda").manual_seed(0),
).images[0]
image.save("ideogram4_upsampled.png")
```

## Ideogram4Pipeline[[diffusers.Ideogram4Pipeline]]

#### diffusers.Ideogram4Pipeline[[diffusers.Ideogram4Pipeline]]

```python
diffusers.Ideogram4Pipeline(scheduler: FlowMatchEulerDiscreteScheduler, vae: AutoencoderKLFlux2, text_encoder: PreTrainedModel, tokenizer: AutoTokenizer, transformer: Ideogram4Transformer2DModel, unconditional_transformer: Ideogram4Transformer2DModel, prompt_enhancer_head: diffusers.pipelines.ideogram4.prompt_enhancer.Ideogram4PromptEnhancerHead | None = None)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/ideogram4/pipeline_ideogram4.py#L141)

**Parametreler:**

scheduler ([FlowMatchEulerDiscreteScheduler](/docs/diffusers/main/tr/api/schedulers/flow_match_euler_discrete#diffusers.FlowMatchEulerDiscreteScheduler)) : Akış eşleştirme zamanlayıcısı. Boru hattı, varsayılan sigma zamanlamasını çözünürlük duyarlı logit-normal zamanlama ile değiştirir.

vae (`AutoencoderKLFlux2`) : Gizli değişkenleri (latents) tekrar görüntülere dönüştürmek için kullanılan varyasyonel oto-kodlayıcı.

text_encoder (`PreTrainedModel`) : Çok modlu metin kodlayıcı. Boru hattı, sabit bir ara decoder katmanı kümesinden gizli durumları tüketir (bkz. `QWEN3_VL_ACTIVATION_LAYERS`).

tokenizer (`AutoTokenizer`) : `text_encoder` ile eşleştirilmiş tokenizer.

transformer ([Ideogram4Transformer2DModel](/docs/diffusers/main/tr/api/models/ideogram4_transformer2d#diffusers.Ideogram4Transformer2DModel)) : Koşullu akış eşleştirme dönüştürücüsü.

unconditional_transformer ([Ideogram4Transformer2DModel](/docs/diffusers/main/tr/api/models/ideogram4_transformer2d#diffusers.Ideogram4Transformer2DModel)) : Koşulsuz (asimetrik-CFG) akış eşleştirme (flow-matching) dönüştürücüsü (transformer).
Ideogram4 için metinden görüntüye pipeline.
Ideogram4, asimetrik sınıflandırıcı-ücretsiz yönlendirme ile eğitilmiş bir akış-eşleştirme modelidir: bir `transformer`, metin koşullu özelliklerin yanı sıra görüntü latentlerini tüketirken, ayrı bir `unconditional_transformer` sıfırlanmış metin özellikleriyle gürültü giderme yapar. İki hız tahmini her adımda doğrusal olarak birleştirilir.

#### __call__[[diffusers.Ideogram4Pipeline.__call__]]

```python
__call__(prompt: str | list[str] | None = None, height: int = 2048, width: int = 2048, num_inference_steps: int = 48, guidance_scale: float | None = None, guidance_schedule: typing.Union[list[float], torch.Tensor, NoneType] = (7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 3.0, 3.0, 3.0), mu: float = 0.0, std: float = 1.5, prompt_upsampling: bool = False, prompt_upsampling_temperature: float = 1.0, max_sequence_length: int = 2048, num_images_per_prompt: int = 1, generator: typing.Union[torch.Generator, list[torch.Generator], NoneType] = None, latents: typing.Optional[torch.Tensor] = None, output_type: str = 'pil', return_dict: bool = True, attention_kwargs: dict[str, typing.Any] | None = None, callback_on_step_end: typing.Optional[typing.Callable[[ForwardRef('Ideogram4Pipeline'), int, int, dict[str, typing.Any]], dict[str, typing.Any]]] = None, callback_on_step_end_tensor_inputs: list = ['latents'])
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/ideogram4/pipeline_ideogram4.py#L481)

**Parametreler:**

prompt (`str` veya `list[str]`) : Görsel üretimi yönlendirmek için istem(ler).

height (`int`, *isteğe bağlı*, varsayılan 2048) : Piksel cinsinden çıktı görüntü yüksekliği; `vae_scale_factor * patch_size`'in katı olmalıdır.

width (`int`, *isteğe bağlı*, varsayılan 2048) : Piksel cinsinden çıktı görüntü genişliği; `vae_scale_factor * patch_size`'nin katı olmalıdır.

num_inference_steps (`int`, *isteğe bağlı*, varsayılan 48) : Akış eşleştirme adım sayısı. Varsayılan değer, en iyi kalite için önerilen ayaradır.

guidance_scale (`float`, *isteğe bağlı*) : Her adımda uygulanan sabit classifier-free guidance ölçeği. Koşullu ve koşulsuz hız tahminleri `v = guidance_scale * v_pos + (1 - guidance_scale) * v_neg` olarak birleştirilir. `guidance_schedule` ile birbirini dışlar (her ikisi de ayarlanırsa hata verir). Varsayılan değeri `None`'dir.

guidance_schedule (`list[float]` veya `torch.Tensor`, *isteğe bağlı*) : Adım başına yönlendirme ölçeği zamanlaması; uzunluğu `num_inference_steps` olmalıdır. İlk giriş, ilk adıma (en yüksek gürültü seviyesine) karşılık gelir. `guidance_scale` ile birbirini dışlar; bunlardan tam olarak biri ayarlanmalıdır. Varsayılan olarak önerilen zamanlama kullanılır (ana adımlar için 7.0, son 3 "parlatma" adımı için 3.0'a düşer). Bunun yerine sabit bir ölçek kullanmak için `guidance_scale` ve `guidance_schedule=None` geçin.

mu (`float`, *opsiyonel*, varsayılan 0.0) : Logit-normal akış eşleştirme zamanlamasının taban ortalaması. Zamanlama ortalaması, 512x512'ye göre çözünürlük oranının logaritmasının yarısı kadar kaydırılır.

std (`float`, *isteğe bağlı*, varsayılan 1.5) : Logit-normal akış eşleştirme zamanlamasının standart sapması.

prompt_upsampling (`bool`, *isteğe bağlı*, varsayılan `False`) : `True` ise, kodlamadan önce `prompt` değeri [upsample_prompt()](/docs/diffusers/main/tr/api/pipelines/ideogram4#diffusers.Ideogram4Pipeline.upsample_prompt) aracılığıyla Ideogram4'ün yerleşik yapılandırılmış JSON açıklamasına dönüştürülür. İsteğe bağlı `prompt_enhancer_head` bileşenini gerektirir; şema kısıtlamalı açıklamalar için `outlines` paketini yükleyin. `generator`, örnekleme işleminin tekrarlanabilir olması için yeniden kullanılır.
prompt_upsampling_temperature (`float`, *isteğe bağlı*, varsayılan 1.0) : `prompt_upsampling=True` olduğunda prompt upsampling için örneklem sıcaklığı.

max_sequence_length (`int`, *isteğe bağlı*, varsayılan 2048) : İstek başına maksimum metin jetonu sayısı.

num_images_per_prompt (`int`, *isteğe bağlı*, varsayılan 1) : Her istem için üretilecek görsel sayısı.
generator (`torch.Generator` veya `list[torch.Generator]`, *isteğe bağlı*) : Örnekleme işlemini deterministik hale getirmek için kullanılan üreteç(ler).
latents (`torch.Tensor`, *isteğe bağlı*) : `(batch_size, num_image_tokens, latent_dim)` biçiminde önceden üretilmiş gürültü.
output_type (`str`, *isteğe bağlı*, varsayılan `"pil"`) : `"pil"`, `"np"`, `"pt"` veya `"latent"` değerlerinden biri.

return_dict (`bool`, *isteğe bağlı*, varsayılan `True`) : Bir [Ideogram4PipelineOutput](/docs/diffusers/main/tr/api/pipelines/ideogram4#diffusers.pipelines.ideogram4.Ideogram4PipelineOutput) döndürülüp döndürülmemesi.
attention_kwargs (`dict`, *isteğe bağlı*) : Her transformer'ın dikkat işlemcisine (attention processor) iletilen bir kwargs sözlüğü. PEFT arka ucu (backend) etkin olduğunda, `"scale"` girdisi yüklenen LoRA ağırlıklarını ölçekler (ör. `{"scale": 0.7}`).

callback_on_step_end (`Callable`, *isteğe bağlı*) : Her gürültü azaltma adımının sonunda çağrılan geri çağrı.
callback_on_step_end_tensor_inputs (`list[str]`, *isteğe bağlı*) : `callback_kwargs` üzerinden geri çağrıya (callback) açılacak tensörlerin adları.

**Dönüş:**

[Ideogram4PipelineOutput](/docs/diffusers/main/tr/api/pipelines/ideogram4#diffusers.pipelines.ideogram4.Ideogram4PipelineOutput) veya `tuple`.

Metinden görüntüye üretim çalıştırın.

Örnekler:
```py
>>> import torch
>>> from diffusers import Ideogram4Pipeline
>>> pipe = Ideogram4Pipeline.from_pretrained("ideogram-ai/ideogram-v4", torch_dtype=torch.bfloat16)
>>> pipe.to("cuda")
>>> prompt = "A photo of a cat holding a sign that says hello world"
>>> # The defaults are the recommended settings for best quality.
>>> image = pipe(prompt, height=2048, width=2048, generator=torch.Generator("cuda").manual_seed(0)).images[0]
>>> image.save("ideogram4.png")
```

#### encode_prompt[[diffusers.Ideogram4Pipeline.encode_prompt]]

```python
encode_prompt(prompt: str | list[str], grid_h: int, grid_w: int, max_sequence_length: int, device: device)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/ideogram4/pipeline_ideogram4.py#L335)

Paketli metin+görsel dizisi için koşullandırmayı hazırlayın (her istem için bir giriş).

Düz bir demet döndürür: `(prompt_embeds, position_ids, segment_ids, indicator)`. Koşulsuz dal metin içermediğinden, boru hattı negatif bir prompt kodlamak yerine (sıfırlanmış) girdilerini doğrudan oluşturur.

#### upsample_prompt[[diffusers.Ideogram4Pipeline.upsample_prompt]]

```python
upsample_prompt(prompt: str | list[str], height: int = 2048, width: int = 2048, temperature: float = 1.0, max_new_tokens: int = 1024, generator: typing.Union[torch.Generator, list[torch.Generator], NoneType] = None, device: typing.Optional[torch.device] = None)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/ideogram4/pipeline_ideogram4.py#L204)

Her istemi Ideogram4'ün yerleşik yapılandırılmış JSON başlığına yeniden yazın.

Opsiyonel `prompt_enhancer_head` bileşenini gerektirir; bu bileşen, onu üretken hale getirmek için paylaşılan `text_encoder` gövdesine eklenir. `outlines` yüklüyse üretim şema kısıtlamalıdır, aksi halde kısıtsız çalışır. Örnekleme işlemini tekrarlanabilir kılmak için `generator` ( `__call__` tarafından kabul edilen aynı nesne) parametresini iletin.

## Ideogram4PromptEnhancerHead[[diffusers.Ideogram4PromptEnhancerHead]]

#### diffusers.Ideogram4PromptEnhancerHead[[diffusers.Ideogram4PromptEnhancerHead]]

```python
diffusers.Ideogram4PromptEnhancerHead(hidden_size: int = 4096, vocab_size: int = 151936)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/ideogram4/prompt_enhancer.py#L42)

Başlıksız Qwen3-VL `text_encoder`'ini prompt örneklemesi için üretken hale getiren LM başlığı.

İsteğe bağlı bir pipeline bileşeni (`prompt_enhancer_head`): ağırlıkları, pipeline içi bir indirme yerine normal bir `from_pretrained` ile yüklenir (kendi küçük deposu veya model deposunda paketlenmiş olarak). Upsample sırasında pipeline, bu bileşeni paylaşılan `text_encoder` gövdesiyle birleştirerek üretken modeli oluşturur.

## Ideogram4PipelineOutput[[diffusers.pipelines.ideogram4.Ideogram4PipelineOutput]]

#### diffusers.pipelines.ideogram4.Ideogram4PipelineOutput[[diffusers.pipelines.ideogram4.Ideogram4PipelineOutput]]

```python
diffusers.pipelines.ideogram4.Ideogram4PipelineOutput(images: list[PIL.Image.Image] | numpy.ndarray)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/ideogram4/pipeline_output.py#L24)

**Parametreler:**

images (`list[PIL.Image.Image]` veya `np.ndarray`) : `batch_size` uzunluğunda gürültüsü azaltılmış PIL görüntülerinin listesi veya `(batch_size, height, width, num_channels)` biçiminde bir numpy dizisi.

Ideogram 4 hattı için çıktı sınıfı.

Xet Storage Details

Size:: 15.5 kB
Xet hash:: d5e449813e10add0b18c4a4523da30feb2186df8c21c0b348cf67456fbc27ddc

Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.

	# Ideogram 4

	Ideogram 4, çok modlu bir metin kodlayıcı ve asimetrik bir sınıflandırıcı-ücretsiz yönlendirme şeması kullanan, akış eşleştirmeli metinden görüntüye bir modeldir: özel bir `unconditional_transformer`, sıfırlanmış metin özellikleriyle negatif dalı üretirken, ana `transformer` tam paketli metin + görüntü dizisini işler.

	Pipeline varsayılanları, en iyi kalite için önerilen ayarlardır; bu nedenle düz bir `pipe(prompt)` çağrısı, kutudan çıktığı gibi en yüksek kalitede sonuçlar üretir: logit-normal zaman çizelgesinde (`mu=0.0`, `std=1.5`) 48 akış eşleştirme adımı, ana adımlarda sınıflandırıcı-ücretsiz yönlendirme 7.0'da tutulurken son 3 "parlatma" adımında 3.0'a düşürülür.

	Temel çıkarım zamanı ayarları, pipeline çağrısı üzerinden sunulur:

	- `num_inference_steps`, `mu` ve `std`, çözünürlük duyarlı logit-normal akış eşleştirme zamanlamasını kontrol eder.
	- `guidance_scale` (veya tam adım başına `guidance_schedule`) koşullu ve koşulsuz hızları birleştirir.

	## Metinden görüntüye

	```python
	import torch
	from diffusers import Ideogram4Pipeline

	pipe = Ideogram4Pipeline.from_pretrained("ideogram-ai/ideogram-v4", dtype=torch.bfloat16)
	pipe.to("cuda") # or "mps", "xpu", "cpu"

	prompt = "A photo of a cat holding a sign that says hello world"
	# The defaults are the recommended settings for best quality.
	image = pipe(prompt, height=1024, width=1024, generator=torch.Generator("cuda").manual_seed(0)).images[0]
	image.save("ideogram4.png")
	```

	## Prompt örnekleme

	Ideogram 4, serbest biçimli bir istem yerine yapılandırılmış bir JSON açıklaması üzerinde eğitildiğinden, kısa bir istem üretimden önce bu yerel şemaya genişletilmelidir. Açıklamayı üretmenin iki yolu vardır.

	### Remote (Ideogram API)

	En iyi sonuçlar için, istemi Ideogram'ın barındırdığı magic-prompt API'siyle genişletin ve döndürülen başlığı doğrudan pipeline'a iletin (anahtar için [developer.ideogram.ai](https://developer.ideogram.ai/)):

	```python
	import json
	import requests
	import torch
	from diffusers import Ideogram4Pipeline

	pipe = Ideogram4Pipeline.from_pretrained("ideogram-ai/ideogram-4-nf4", dtype=torch.bfloat16)
	pipe.to("cuda") # or "mps", "xpu", "cpu"

	# Expand the prompt into a structured JSON caption with Ideogram's hosted magic-prompt API.
	response = requests.post(
	"https://api.ideogram.ai/v1/ideogram-v4/magic-prompt",
	headers={"Api-Key": "your_ideogram_api_key"},
	json={"text_prompt": "A photo of a cat holding a sign that says hello world", "aspect_ratio": "1x1"},
	).json()
	caption = json.dumps(response["json_prompt"])

	# The caption is already upsampled, so pass it directly (no prompt_upsampling).
	image = pipe(caption, height=1024, width=1024, generator=torch.Generator("cuda").manual_seed(0)).images[0]
	image.save("ideogram4_upsampled.png")
	```

	### Local (cihaz üzerinde)

	Tamamen yerel bir iş akışı için, küçük bir [Ideogram4PromptEnhancerHead](/docs/diffusers/main/tr/api/pipelines/ideogram4#diffusers.Ideogram4PromptEnhancerHead) (Qwen3-VL LM başlığı) bileşenini isteğe bağlı `prompt_enhancer_head` olarak yükleyin ve `prompt_upsampling=True` parametresini iletin. Bu başlık, paylaşılan `text_encoder` üzerine eklenir, bu nedenle ikinci bir metin kodlayıcı yüklenmez. Şema kısıtlamalı açıklamalar için `outlines` paketini kurun (nf4 kontrol noktası ayrıca `bitsandbytes` gerektirir):

	```python
	import torch
	from diffusers import Ideogram4Pipeline, Ideogram4PromptEnhancerHead

	prompt_enhancer_head = Ideogram4PromptEnhancerHead.from_pretrained(
	"diffusers/qwen3-vl-8b-instruct-lm-head", dtype=torch.bfloat16
	)
	pipe = Ideogram4Pipeline.from_pretrained(
	"ideogram-ai/ideogram-4-nf4", prompt_enhancer_head=prompt_enhancer_head, dtype=torch.bfloat16
	)
	pipe.to("cuda") # or "mps", "xpu", "cpu"

	prompt = "A photo of a cat holding a sign that says hello world"
	image = pipe(
	prompt,
	height=1024,
	width=1024,
	prompt_upsampling=True,
	generator=torch.Generator("cuda").manual_seed(0),
	).images[0]
	image.save("ideogram4_upsampled.png")
	```

	## Ideogram4Pipeline[[diffusers.Ideogram4Pipeline]]

	#### diffusers.Ideogram4Pipeline[[diffusers.Ideogram4Pipeline]]

	```python
	diffusers.Ideogram4Pipeline(scheduler: FlowMatchEulerDiscreteScheduler, vae: AutoencoderKLFlux2, text_encoder: PreTrainedModel, tokenizer: AutoTokenizer, transformer: Ideogram4Transformer2DModel, unconditional_transformer: Ideogram4Transformer2DModel, prompt_enhancer_head: diffusers.pipelines.ideogram4.prompt_enhancer.Ideogram4PromptEnhancerHead \| None = None)
	```

	[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/ideogram4/pipeline_ideogram4.py#L141)

	Parametreler:

	scheduler ([FlowMatchEulerDiscreteScheduler](/docs/diffusers/main/tr/api/schedulers/flow_match_euler_discrete#diffusers.FlowMatchEulerDiscreteScheduler)) : Akış eşleştirme zamanlayıcısı. Boru hattı, varsayılan sigma zamanlamasını çözünürlük duyarlı logit-normal zamanlama ile değiştirir.

	vae (`AutoencoderKLFlux2`) : Gizli değişkenleri (latents) tekrar görüntülere dönüştürmek için kullanılan varyasyonel oto-kodlayıcı.

	text_encoder (`PreTrainedModel`) : Çok modlu metin kodlayıcı. Boru hattı, sabit bir ara decoder katmanı kümesinden gizli durumları tüketir (bkz. `QWEN3_VL_ACTIVATION_LAYERS`).

	tokenizer (`AutoTokenizer`) : `text_encoder` ile eşleştirilmiş tokenizer.

	transformer ([Ideogram4Transformer2DModel](/docs/diffusers/main/tr/api/models/ideogram4_transformer2d#diffusers.Ideogram4Transformer2DModel)) : Koşullu akış eşleştirme dönüştürücüsü.

	unconditional_transformer ([Ideogram4Transformer2DModel](/docs/diffusers/main/tr/api/models/ideogram4_transformer2d#diffusers.Ideogram4Transformer2DModel)) : Koşulsuz (asimetrik-CFG) akış eşleştirme (flow-matching) dönüştürücüsü (transformer).

	Ideogram4 için metinden görüntüye pipeline.

	Ideogram4, asimetrik sınıflandırıcı-ücretsiz yönlendirme ile eğitilmiş bir akış-eşleştirme modelidir: bir `transformer`, metin koşullu özelliklerin yanı sıra görüntü latentlerini tüketirken, ayrı bir `unconditional_transformer` sıfırlanmış metin özellikleriyle gürültü giderme yapar. İki hız tahmini her adımda doğrusal olarak birleştirilir.

	#### __call__[[diffusers.Ideogram4Pipeline.__call__]]

	```python
	__call__(prompt: str \| list[str] \| None = None, height: int = 2048, width: int = 2048, num_inference_steps: int = 48, guidance_scale: float \| None = None, guidance_schedule: typing.Union[list[float], torch.Tensor, NoneType] = (7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 3.0, 3.0, 3.0), mu: float = 0.0, std: float = 1.5, prompt_upsampling: bool = False, prompt_upsampling_temperature: float = 1.0, max_sequence_length: int = 2048, num_images_per_prompt: int = 1, generator: typing.Union[torch.Generator, list[torch.Generator], NoneType] = None, latents: typing.Optional[torch.Tensor] = None, output_type: str = 'pil', return_dict: bool = True, attention_kwargs: dict[str, typing.Any] \| None = None, callback_on_step_end: typing.Optional[typing.Callable[[ForwardRef('Ideogram4Pipeline'), int, int, dict[str, typing.Any]], dict[str, typing.Any]]] = None, callback_on_step_end_tensor_inputs: list = ['latents'])
	```

	[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/ideogram4/pipeline_ideogram4.py#L481)

	Parametreler:

	prompt (`str` veya `list[str]`) : Görsel üretimi yönlendirmek için istem(ler).

	height (`int`, isteğe bağlı, varsayılan 2048) : Piksel cinsinden çıktı görüntü yüksekliği; `vae_scale_factor * patch_size`'in katı olmalıdır.

	width (`int`, isteğe bağlı, varsayılan 2048) : Piksel cinsinden çıktı görüntü genişliği; `vae_scale_factor * patch_size`'nin katı olmalıdır.

	num_inference_steps (`int`, isteğe bağlı, varsayılan 48) : Akış eşleştirme adım sayısı. Varsayılan değer, en iyi kalite için önerilen ayaradır.

	guidance_scale (`float`, isteğe bağlı) : Her adımda uygulanan sabit classifier-free guidance ölçeği. Koşullu ve koşulsuz hız tahminleri `v = guidance_scale * v_pos + (1 - guidance_scale) * v_neg` olarak birleştirilir. `guidance_schedule` ile birbirini dışlar (her ikisi de ayarlanırsa hata verir). Varsayılan değeri `None`'dir.

	guidance_schedule (`list[float]` veya `torch.Tensor`, isteğe bağlı) : Adım başına yönlendirme ölçeği zamanlaması; uzunluğu `num_inference_steps` olmalıdır. İlk giriş, ilk adıma (en yüksek gürültü seviyesine) karşılık gelir. `guidance_scale` ile birbirini dışlar; bunlardan tam olarak biri ayarlanmalıdır. Varsayılan olarak önerilen zamanlama kullanılır (ana adımlar için 7.0, son 3 "parlatma" adımı için 3.0'a düşer). Bunun yerine sabit bir ölçek kullanmak için `guidance_scale` ve `guidance_schedule=None` geçin.

	mu (`float`, opsiyonel, varsayılan 0.0) : Logit-normal akış eşleştirme zamanlamasının taban ortalaması. Zamanlama ortalaması, 512x512'ye göre çözünürlük oranının logaritmasının yarısı kadar kaydırılır.

	std (`float`, isteğe bağlı, varsayılan 1.5) : Logit-normal akış eşleştirme zamanlamasının standart sapması.

	prompt_upsampling (`bool`, isteğe bağlı, varsayılan `False`) : `True` ise, kodlamadan önce `prompt` değeri [upsample_prompt()](/docs/diffusers/main/tr/api/pipelines/ideogram4#diffusers.Ideogram4Pipeline.upsample_prompt) aracılığıyla Ideogram4'ün yerleşik yapılandırılmış JSON açıklamasına dönüştürülür. İsteğe bağlı `prompt_enhancer_head` bileşenini gerektirir; şema kısıtlamalı açıklamalar için `outlines` paketini yükleyin. `generator`, örnekleme işleminin tekrarlanabilir olması için yeniden kullanılır.

	prompt_upsampling_temperature (`float`, isteğe bağlı, varsayılan 1.0) : `prompt_upsampling=True` olduğunda prompt upsampling için örneklem sıcaklığı.

	max_sequence_length (`int`, isteğe bağlı, varsayılan 2048) : İstek başına maksimum metin jetonu sayısı.

	num_images_per_prompt (`int`, isteğe bağlı, varsayılan 1) : Her istem için üretilecek görsel sayısı.

	generator (`torch.Generator` veya `list[torch.Generator]`, isteğe bağlı) : Örnekleme işlemini deterministik hale getirmek için kullanılan üreteç(ler).

	latents (`torch.Tensor`, isteğe bağlı) : `(batch_size, num_image_tokens, latent_dim)` biçiminde önceden üretilmiş gürültü.

	output_type (`str`, isteğe bağlı, varsayılan `"pil"`) : `"pil"`, `"np"`, `"pt"` veya `"latent"` değerlerinden biri.

	return_dict (`bool`, isteğe bağlı, varsayılan `True`) : Bir [Ideogram4PipelineOutput](/docs/diffusers/main/tr/api/pipelines/ideogram4#diffusers.pipelines.ideogram4.Ideogram4PipelineOutput) döndürülüp döndürülmemesi.

	attention_kwargs (`dict`, isteğe bağlı) : Her transformer'ın dikkat işlemcisine (attention processor) iletilen bir kwargs sözlüğü. PEFT arka ucu (backend) etkin olduğunda, `"scale"` girdisi yüklenen LoRA ağırlıklarını ölçekler (ör. `{"scale": 0.7}`).

	callback_on_step_end (`Callable`, isteğe bağlı) : Her gürültü azaltma adımının sonunda çağrılan geri çağrı.

	callback_on_step_end_tensor_inputs (`list[str]`, isteğe bağlı) : `callback_kwargs` üzerinden geri çağrıya (callback) açılacak tensörlerin adları.

	Dönüş:

	[Ideogram4PipelineOutput](/docs/diffusers/main/tr/api/pipelines/ideogram4#diffusers.pipelines.ideogram4.Ideogram4PipelineOutput) veya `tuple`.

	Metinden görüntüye üretim çalıştırın.

	Örnekler:
	```py
	>>> import torch
	>>> from diffusers import Ideogram4Pipeline

	>>> pipe = Ideogram4Pipeline.from_pretrained("ideogram-ai/ideogram-v4", torch_dtype=torch.bfloat16)
	>>> pipe.to("cuda")

	>>> prompt = "A photo of a cat holding a sign that says hello world"
	>>> # The defaults are the recommended settings for best quality.
	>>> image = pipe(prompt, height=2048, width=2048, generator=torch.Generator("cuda").manual_seed(0)).images[0]
	>>> image.save("ideogram4.png")
	```

	#### encode_prompt[[diffusers.Ideogram4Pipeline.encode_prompt]]

	```python
	encode_prompt(prompt: str \| list[str], grid_h: int, grid_w: int, max_sequence_length: int, device: device)
	```

	[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/ideogram4/pipeline_ideogram4.py#L335)

	Paketli metin+görsel dizisi için koşullandırmayı hazırlayın (her istem için bir giriş).

	Düz bir demet döndürür: `(prompt_embeds, position_ids, segment_ids, indicator)`. Koşulsuz dal metin içermediğinden, boru hattı negatif bir prompt kodlamak yerine (sıfırlanmış) girdilerini doğrudan oluşturur.

	#### upsample_prompt[[diffusers.Ideogram4Pipeline.upsample_prompt]]

	```python
	upsample_prompt(prompt: str \| list[str], height: int = 2048, width: int = 2048, temperature: float = 1.0, max_new_tokens: int = 1024, generator: typing.Union[torch.Generator, list[torch.Generator], NoneType] = None, device: typing.Optional[torch.device] = None)
	```

	[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/ideogram4/pipeline_ideogram4.py#L204)

	Her istemi Ideogram4'ün yerleşik yapılandırılmış JSON başlığına yeniden yazın.

	Opsiyonel `prompt_enhancer_head` bileşenini gerektirir; bu bileşen, onu üretken hale getirmek için paylaşılan `text_encoder` gövdesine eklenir. `outlines` yüklüyse üretim şema kısıtlamalıdır, aksi halde kısıtsız çalışır. Örnekleme işlemini tekrarlanabilir kılmak için `generator` ( `__call__` tarafından kabul edilen aynı nesne) parametresini iletin.

	## Ideogram4PromptEnhancerHead[[diffusers.Ideogram4PromptEnhancerHead]]

	#### diffusers.Ideogram4PromptEnhancerHead[[diffusers.Ideogram4PromptEnhancerHead]]

	```python
	diffusers.Ideogram4PromptEnhancerHead(hidden_size: int = 4096, vocab_size: int = 151936)
	```

	[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/ideogram4/prompt_enhancer.py#L42)

	Başlıksız Qwen3-VL `text_encoder`'ini prompt örneklemesi için üretken hale getiren LM başlığı.

	İsteğe bağlı bir pipeline bileşeni (`prompt_enhancer_head`): ağırlıkları, pipeline içi bir indirme yerine normal bir `from_pretrained` ile yüklenir (kendi küçük deposu veya model deposunda paketlenmiş olarak). Upsample sırasında pipeline, bu bileşeni paylaşılan `text_encoder` gövdesiyle birleştirerek üretken modeli oluşturur.

	## Ideogram4PipelineOutput[[diffusers.pipelines.ideogram4.Ideogram4PipelineOutput]]

	#### diffusers.pipelines.ideogram4.Ideogram4PipelineOutput[[diffusers.pipelines.ideogram4.Ideogram4PipelineOutput]]

	```python
	diffusers.pipelines.ideogram4.Ideogram4PipelineOutput(images: list[PIL.Image.Image] \| numpy.ndarray)
	```

	[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/ideogram4/pipeline_output.py#L24)

	Parametreler:

	images (`list[PIL.Image.Image]` veya `np.ndarray`) : `batch_size` uzunluğunda gürültüsü azaltılmış PIL görüntülerinin listesi veya `(batch_size, height, width, num_channels)` biçiminde bir numpy dizisi.

	Ideogram 4 hattı için çıktı sınıfı.