Buckets:

hf-doc-build
/

doc

Files
xet
hf-doc-build/doc / diffusers /main /tr /api /pipelines /krea2.md
mishig
about 20 hours ago
preview code
download
raw
22.8 kB
# Krea 2

Krea 2 (K2), gruplu sorgu dikkati (grouped-query attention) içeren tek akışlı bir MMDiT etrafında inşa edilmiş, akış eşleştirmeli (flow-matching) metinden görüntüye bir modeldir. Koşullandırmayı (conditioning) bir Qwen3-VL metin kodlayıcı sağlar: son gizli durum (hidden state) yerine, her token için on iki decoder katmanından gizli durumlar alınır ve bunlar, transformer içinde küçük bir metin füzyon aşamasıyla birleştirilir. Görüntüler, Qwen-Image VAE ile çözümlenir.

İki checkpoint yayınlanmıştır; aynı mimariyi paylaşır ancak farklı önerilen örnekleyici ayarlarına sahiptir:

- **Temel (orta eğitim)** — sınıflandırıcıdan bağımsız yönlendirme ile tam örnekleyiciyi kullanın: `num_inference_steps=28`, `guidance_scale=4.5`.
- **TDM (damıtılmış)** — az adımlı örneklemeye damıtılmıştır, `num_inference_steps=8` ile ve yönlendirme devre dışı bırakılarak (`guidance_scale=0.0`) çalıştırılır.

`guidance_scale`, Krea 2 sözleşmesini izler: hız, `cond + guidance_scale * (cond - uncond)` olarak hesaplanır ve `guidance_scale > 0` olduğunda yönlendirme etkinleştirilir (bu, `1 + guidance_scale` ölçeğine sahip standart CFG formülasyonuna eşittir).

## Metinden görüntüye

```python
import torch
from diffusers import Krea2Pipeline
# Load from a local directory produced by the Krea 2 conversion (no hub repo yet).
pipe = Krea2Pipeline.from_pretrained("krea/Krea-2-Raw", dtype=torch.bfloat16)
pipe.to("cuda")  # or "mps", "xpu", "cpu"
prompt = "a fox in the snow"
image = pipe(
    prompt,
    height=1024,
    width=1024,
    num_inference_steps=28,
    guidance_scale=4.5,
    generator=torch.Generator("cuda").manual_seed(0),
).images[0]
image.save("krea2.png")
```

Ayrıca Krea2 Turbo kullanımı için bir örnek sunuyoruz:

```python
import torch
from diffusers import Krea2Pipeline
pipe = Krea2Pipeline.from_pretrained("krea/Krea-2-Turbo", dtype=torch.bfloat16)
pipe.to("cuda")  # or "mps", "xpu", "cpu"
image = pipe(
    "a fox in the snow",
    height=1024,
    width=1024,
    num_inference_steps=8,
    guidance_scale=0.0,
    generator=torch.Generator("cuda").manual_seed(0),
).images[0]
image.save("krea2_turbo.png")
```

## Tek dosyalık denetim noktalarını yükleme

```python
import torch
from diffusers import Krea2Pipeline, Krea2Transformer2DModel
transformer = Krea2Transformer2DModel.from_single_file(
    "https://huggingface.co/krea/Krea-2-Turbo/blob/main/turbo.safetensors", dtype=torch.bfloat16
)
pipe = Krea2Pipeline.from_pretrained("krea/Krea-2-Turbo", transformer=transformer, dtype=torch.bfloat16).to("cuda")
```

## Krea2Pipeline[[diffusers.Krea2Pipeline]]

#### diffusers.Krea2Pipeline[[diffusers.Krea2Pipeline]]

```python
diffusers.Krea2Pipeline(scheduler: FlowMatchEulerDiscreteScheduler, vae: AutoencoderKLQwenImage, text_encoder: Qwen3VLModel, tokenizer: AutoTokenizer, transformer: Krea2Transformer2DModel, text_encoder_select_layers: tuple[int, ...] | list[int] | None = None, is_distilled: bool = False, patch_size: int = 2)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/krea2/pipeline_krea2.py#L134)

**Parametreler:**

scheduler ([FlowMatchEulerDiscreteScheduler](/docs/diffusers/main/tr/api/schedulers/flow_match_euler_discrete#diffusers.FlowMatchEulerDiscreteScheduler)) : Euler akış eşleştirme zamanlayıcısı. Krea 2 sigma zamanlaması, çözünürlük farkında üstel zaman kaymasıdır; bu nedenle zamanlayıcı yapılandırmasının `use_dynamic_shifting=True` değerini Krea 2 kaydırma parametreleriyle (`base_shift=0.5`, `max_shift=1.15`, `base_image_seq_len=256`, `max_image_seq_len=6400`) birlikte ayarlaması beklenir.

vae ([AutoencoderKLQwenImage](/docs/diffusers/main/tr/api/models/autoencoderkl_qwenimage#diffusers.AutoencoderKLQwenImage)) : Latentleri görüntülere çözmek için kullanılan Qwen-Image varyasyonel oto-kodlayıcı (f8, 16 latent kanal).

text_encoder ([PreTrainedModel](https://huggingface.co/docs/transformers/main/en/main_classes/model#transformers.PreTrainedModel)) : Bir Qwen3-VL modeli (ör. `Qwen/Qwen3-VL-4B-Instruct`'in `Qwen3VLModel`'i). Pipeline, son gizli durum yerine birkaç decoder katmanından alınan gizli durum yığınınu tüketir.
tokenizer ([AutoTokenizer](https://huggingface.co/docs/transformers/main/en/model_doc/auto#transformers.AutoTokenizer)) : Metin kodlayıcıyla eşleştirilen belirteç ayrıştırıcı.
transformer ([Krea2Transformer2DModel](/docs/diffusers/main/tr/api/models/krea2_transformer2d#diffusers.Krea2Transformer2DModel)) : Akış eşleştirme hızını tahmin eden Krea 2 tek akışlı MMDiT.
text_encoder_select_layers (`tuple[int, ...]`, *isteğe bağlı*) : Metin kodlayıcısının `hidden_states` demetindeki (0, gömme çıktısıdır) durumları, transformer'ın metin koşullandırması olarak token başına yığılan indeksler. `transformer.config.num_text_layers` girişine sahip olmalıdır.

is_distilled (`bool`, *isteğe bağlı*, varsayılan `False`) : Transformer'ın az adımlı damıtılmış (TDM/turbo) kontrol noktası olup olmadığı. `True` ise sabit zaman adımı kayması `mu=1.15` kullanılır; aksi halde `mu` görüntü çözünürlüğünden hesaplanır.
patch_size (`int`, *opsiyonel*, varsayılan 2) : Latentlerin transformer'a girmeden önce paketlenmek için kullanıldığı kare yamaların kenar uzunluğu. Etkili piksel-bağlam (token) indirgeme çarpanı `vae_scale_factor * patch_size`'dir.

Metinden görüntüye üretim için Krea 2 hattı.

#### __call__[[diffusers.Krea2Pipeline.__call__]]

```python
__call__(prompt: str | list[str] | None = None, negative_prompt: str | list[str] | None = None, height: int = 1024, width: int = 1024, num_inference_steps: int = 28, sigmas: list[float] | None = None, guidance_scale: float = 4.5, num_images_per_prompt: int = 1, generator: typing.Union[torch.Generator, list[torch.Generator], NoneType] = None, latents: typing.Optional[torch.Tensor] = None, prompt_embeds: typing.Optional[torch.Tensor] = None, prompt_embeds_mask: typing.Optional[torch.Tensor] = None, negative_prompt_embeds: typing.Optional[torch.Tensor] = None, negative_prompt_embeds_mask: typing.Optional[torch.Tensor] = None, output_type: str | None = 'pil', return_dict: bool = True, callback_on_step_end: typing.Optional[typing.Callable[[int, int, dict], NoneType]] = None, callback_on_step_end_tensor_inputs: list = ['latents'], attention_kwargs: dict[str, typing.Any] | None = None, max_sequence_length: int = 512)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/krea2/pipeline_krea2.py#L445)

**Parametreler:**

prompt (`str` veya `list[str]`, *isteğe bağlı*) : Görsel üretimi yönlendirmek için istem veya istemler. Tanımlanmadıysa `prompt_embeds` parametresinin geçirilmesi gerekir.

negative_prompt (`str` veya `list[str]`, *isteğe bağlı*) : Görsel üretimi yönlendirmemek için kullanılan istem veya istemler. `guidance_scale <= 0` olduğunda yok sayılır; yönlendirme etkin olduğunda varsayılan olarak boş bir istem kullanılır.

height (`int`, varsayılan 1024) : Üretilen görüntünün piksel cinsinden yüksekliği. Gerekirse 16'nın katına yuvarlanır.

width (`int`, varsayılan 1024) : Üretilen görüntünün piksel cinsinden genişliği. Gerekirse 16'nın katına yuvarlanır.

num_inference_steps (`int`, varsayılan 28) : Gürültü azaltma adım sayısı. Taban (midtrain) kontrol noktası için 28, az adım distile edilmiş (TDM) kontrol noktası için 8 kullanın.

sigmas (`list[float]`, *isteğe bağlı*) : Zamanlayıcı için özel sigmalar. Tanımlanmamışsa, varsayılan `linspace(1.0, 1/num_inference_steps, num_inference_steps)` ızgarası kullanılır (çözünürlük duyarlı kaydırma, zamanlayıcının içinde uygulanır).

guidance_scale (`float`, varsayılan 4.5) : Krea 2 sözleşmesine uygun olarak sınıfsız yönlendirme ölçeği: hız, `cond + guidance_scale * (cond - uncond)` olarak hesaplanır ve `guidance_scale > 0` olduğunda yönlendirme etkinleştirilir (bu, `1 + guidance_scale` ölçeğine sahip standart CFG formülasyonuna eşittir). Devre dışı bırakmak için `0.0` olarak ayarlayın (ör. TDM kontrol noktası için).

num_images_per_prompt (`int`, varsayılan 1) : Her istem için oluşturulacak görsel sayısı.
generator (`torch.Generator` veya `list[torch.Generator]`, *isteğe bağlı*) : Üretimi deterministik hale getirmek için bir veya daha fazla [torch üreteci](https://pytorch.org/docs/stable/generated/torch.Generator.html).
latents (`torch.Tensor`, *isteğe bağlı*) : `(batch_size, image_seq_len, in_channels)` biçiminde, Gauss dağılımından örneklenmiş, paketli formda önceden oluşturulmuş gürültülü latentler; görüntü üretimi için girdi olarak kullanılacaktır.
prompt_embeds (`torch.Tensor`, *isteğe bağlı*) : `(batch_size, text_seq_len, num_text_layers, text_hidden_dim)` biçiminde önceden oluşturulmuş metin gömme değerleri. Sağlanmazsa, gömme değerleri `prompt` üzerinden üretilir.

prompt_embeds_mask (`torch.Tensor`, *isteğe bağlı*) : `prompt_embeds` için Boolean maskesi; `prompt_embeds` iletildiğinde zorunludur.

negative_prompt_embeds (`torch.Tensor`, *isteğe bağlı*) : Önceden oluşturulmuş negatif metin gömme değerleri; `prompt_embeds` ile aynı yerleşime sahiptir.

negative_prompt_embeds_mask (`torch.Tensor`, *isteğe bağlı*) : `negative_prompt_embeds` için Boolean maskesi; `negative_prompt_embeds` iletildiğinde zorunludur.
output_type (`str`, *isteğe bağlı*, varsayılan `"pil"`) : Üretilen görüntünün çıktı biçimi. `"pil"`, `"np"`, `"pt"` veya `"latent"` arasında seçim yapın.

return_dict (`bool`, *isteğe bağlı*, varsayılan `True`) : Düz bir tuple yerine [Krea2PipelineOutput](/docs/diffusers/main/tr/api/pipelines/krea2#diffusers.pipelines.krea2.Krea2PipelineOutput) döndürülüp döndürülmemesi.
callback_on_step_end (`Callable`, *isteğe bağlı*) : Her gürültü azaltma adımının sonunda `callback_on_step_end(self, step, timestep, callback_kwargs)` ile çağrılan bir işlev.

callback_on_step_end_tensor_inputs (`list[str]`, *isteğe bağlı*, varsayılan `["latents"]`) : `callback_on_step_end` işlevi için girdi gerginlikleri listesi. `._callback_tensor_inputs`'in bir alt kümesi olmalıdır.
attention_kwargs (`dict`, *isteğe bağlı*) : Belirtilirse, [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py) içinde `self.processor` altında tanımlanan `AttentionProcessor`'a iletilen bir kwargs sözlüğü.

max_sequence_length (`int`, varsayılan 512) : Transformer tarafından tüketilen sabit metin dizisi uzunluğu; istekler bu uzunluğa göre dolgu yapılır veya kırpılır.

**Dönüş:** [Krea2PipelineOutput](/docs/diffusers/main/tr/api/pipelines/krea2#diffusers.pipelines.krea2.Krea2PipelineOutput) veya `tuple`

`return_dict` True ise [Krea2PipelineOutput](/docs/diffusers/main/tr/api/pipelines/krea2#diffusers.pipelines.krea2.Krea2PipelineOutput), aksi halde ilk öğesi üretilen görsellerin listesini içeren bir `tuple`.

Üretim için pipeline çağrıldığında tetiklenen işlev.

Örnekler:
```py
>>> import torch
>>> from diffusers import Krea2Pipeline
>>> # Load from a local directory produced by the Krea 2 conversion (no hub repo yet).
>>> pipe = Krea2Pipeline.from_pretrained("path/to/krea2-diffusers", torch_dtype=torch.bfloat16)
>>> pipe.to("cuda")
>>> prompt = "a fox in the snow"
>>> # Base (midtrain) checkpoint defaults. For the few-step distilled (TDM) checkpoint use
>>> # `num_inference_steps=8, guidance_scale=0.0` instead.
>>> image = pipe(prompt, num_inference_steps=28, guidance_scale=4.5).images[0]
>>> image.save("krea2.png")
```

#### encode_prompt[[diffusers.Krea2Pipeline.encode_prompt]]

```python
encode_prompt(prompt: str | list[str], device: typing.Optional[torch.device] = None, num_images_per_prompt: int = 1, prompt_embeds: typing.Optional[torch.Tensor] = None, prompt_embeds_mask: typing.Optional[torch.Tensor] = None, max_sequence_length: int = 512)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/krea2/pipeline_krea2.py#L263)

**Parametreler:**

prompt (`str` veya `list[str]`, *isteğe bağlı*) : kodlanacak istem

device : (`torch.device`): torch cihazı

num_images_per_prompt (`int`) : her istem için oluşturulacak görsel sayısı
prompt_embeds (`torch.Tensor`, *isteğe bağlı*) : `(batch_size, text_seq_len, num_text_layers, text_hidden_dim)` biçiminde önceden oluşturulmuş metin gömme değerleri. Metin girdilerini kolayca ayarlamak için kullanılabilir, *ör.* istem ağırlıklandırması. Sağlanmazsa, metin gömme değerleri `prompt` girdi argümanından oluşturulur.

prompt_embeds_mask (`torch.Tensor`, *isteğe bağlı*) : Geçerli metin jetonlarını işaretleyen, `(batch_size, text_seq_len)` biçiminde önceden oluşturulmuş bir mantıksal maske. `prompt_embeds` iletildiğinde gereklidir.

max_sequence_length (`int`, varsayılan 512) : Transformer tarafından tüketilen sabit metin dizisi uzunluğu; istekler bu uzunluğa göre dolgu yapılır veya kırpılır.

#### get_text_hidden_states[[diffusers.Krea2Pipeline.get_text_hidden_states]]

```python
get_text_hidden_states(prompt: str | list[str], max_sequence_length: int = 512, device: typing.Optional[torch.device] = None)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/krea2/pipeline_krea2.py#L214)

`prompt`’u sabit uzunluklu Krea 2 yerleşimine göre belirteçlere ayırın ve seçilen kodlayıcı gizli durumlarını alın.

`(hidden_states, attention_mask)` biçiminde, `(batch_size, text_seq_len, num_text_layers, text_hidden_dim)` ve `(batch_size, text_seq_len)` (bool) boyutlarında bir demet döndürür.

#### prepare_position_ids[[diffusers.Krea2Pipeline.prepare_position_ids]]

```python
prepare_position_ids(text_seq_len: int, grid_height: int, grid_width: int, device: device)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/krea2/pipeline_krea2.py#L381)

Birleşik dizi için `(text_seq_len + grid_height * grid_width, 3)` boyutlu döner koordinatları oluşturun: metin jetonları orijinde yer alırken, görüntü jetonları `(0, h, w)` gizli ızgara koordinatlarını taşır.

## Krea2PipelineOutput[[diffusers.pipelines.krea2.Krea2PipelineOutput]]

#### diffusers.pipelines.krea2.Krea2PipelineOutput[[diffusers.pipelines.krea2.Krea2PipelineOutput]]

```python
diffusers.pipelines.krea2.Krea2PipelineOutput(images: list[PIL.Image.Image] | numpy.ndarray)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/krea2/pipeline_output.py#L24)

**Parametreler:**

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

Krea 2 hattı için çıktı sınıfı.

## Modüler

Krea 2 ayrıca [modüler bir pipeline](../../modular_diffusers/overview) olarak da kullanılabilir. Classifier-free guidance, `guidance_scale` çağrı argümanı yerine `guider` bileşeni üzerinden yapılandırılır. Krea 2, `use_original_formulation=True` parametresiyle [ClassifierFreeGuidance](/docs/diffusers/main/tr/api/modular_diffusers/guiders#diffusers.ClassifierFreeGuidance) olan cond-anchored CFG kullanır.

```python
import torch
from diffusers import ClassifierFreeGuidance, ModularPipeline
pipe = ModularPipeline.from_pretrained("krea/Krea-2-Raw")
pipe.load_components(dtype=torch.bfloat16)
pipe.to("cuda")  # or "mps", "xpu", "cpu"
image = pipe(
    prompt="a fox in the snow",
    height=1024,
    width=1024,
    num_inference_steps=28,
    generator=torch.Generator("cuda").manual_seed(0),
).images[0]
image.save("krea2.png")
```

Ayrıca Krea2 Turbo kullanımı için bir örnek sunuyoruz. Distilled checkpoint, kendi blok setine ([Krea2TurboAutoBlocks](/docs/diffusers/main/tr/api/pipelines/krea2#diffusers.Krea2TurboAutoBlocks)) eşlenir: rehberlik olmadan (no `guider`) çalışır, negatif prompt almaz ve birkaç adımda örnekler. `ModularPipeline.from_pretrained`, checkpoint'in `is_distilled` yapılandırmasından turbo bloklarını otomatik olarak seçer, bu nedenle rehberlik yapılandırmasına gerek yoktur:

```python
import torch
from diffusers import ModularPipeline
pipe = ModularPipeline.from_pretrained("krea/Krea-2-Turbo")
pipe.load_components(dtype=torch.bfloat16)
pipe.to("cuda")  # or "mps", "xpu", "cpu"
image = pipe(
    prompt="a fox in the snow",
    height=1024,
    width=1024,
    num_inference_steps=8,
    generator=torch.Generator("cuda").manual_seed(0),
).images[0]
image.save("krea2_turbo.png")
```

## Krea2ModularPipeline[[diffusers.Krea2ModularPipeline]]

#### diffusers.Krea2ModularPipeline[[diffusers.Krea2ModularPipeline]]

```python
diffusers.Krea2ModularPipeline(blocks: diffusers.modular_pipelines.modular_pipeline.ModularPipelineBlocks | None = None, pretrained_model_name_or_path: str | os.PathLike | None = None, components_manager: diffusers.modular_pipelines.components_manager.ComponentsManager | None = None, collection: str | None = None, workflow: str | None = None, modular_config_dict: dict[str, typing.Any] | None = None, config_dict: dict[str, typing.Any] | None = None, **kwargs)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/modular_pipelines/krea2/modular_pipeline.py#L19)

Krea 2 için bir ModularPipeline.

## Krea2AutoBlocks[[diffusers.Krea2AutoBlocks]]

#### diffusers.Krea2AutoBlocks[[diffusers.Krea2AutoBlocks]]

```python
diffusers.Krea2AutoBlocks()
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/modular_pipelines/krea2/modular_blocks_krea2.py#L106)

Krea 2 kullanılarak metinden görüntüye üretim için otomatik modüler pipeline: metni kodla -> çekirdek gürültü azaltma (simetrik CFG) -> çöz.

Desteklenen iş akışları:
- `text2image`: `prompt` gerektirir

Bileşenler: text_encoder (`Qwen3VLModel`): Qwen3-VL metin kodlayıcısı. tokenizer (`AutoTokenizer`): Metin kodlayıcıyla eşleştirilen belirteçleştirici. guider (`ClassifierFreeGuidance`) transformer (`Krea2Transformer2DModel`) scheduler (`FlowMatchEulerDiscreteScheduler`) vae (`AutoencoderKLQwenImage`) image_processor (`VaeImageProcessor`)

Girdiler: prompt (`str`): Görsel üretimi yönlendirmek için istem veya istemler. negative_prompt (`str`, *isteğe bağlı*): CFG için negatif istem(ler). max_sequence_length (`int`, *isteğe bağlı*, varsayılan 512): İstem kodlaması için maksimum dizi uzunluğu. num_images_per_prompt (`int`, *isteğe bağlı*, varsayılan 1): İstem başına üretilecek görsel sayısı. latents (`Tensor`, *isteğe bağlı*): Görsel üretimi için önceden oluşturulmuş gürültülü latensler. height (`int`, *isteğe bağlı*, varsayılan 1024): Üretilen görselin piksel cinsinden yüksekliği. width (`int`, *isteğe bağlı*, varsayılan 1024): Üretilen görselin piksel cinsinden genişliği. generator (`Generator`, *isteğe bağlı*): Belirleyici üretim için Torch üreteci. num_inference_steps (`int`, *isteğe bağlı*, varsayılan 28): Gürültü azaltma adım sayısı. sigmas (`list`, *isteğe bağlı*): Özel sigma zamanlaması (varsayılan olarak doğrusal bir eğim). attention_kwargs (`dict`, *isteğe bağlı*): Dikkat işlemcileri için ek kwargs. output_type (`str`, *isteğe bağlı*, varsayılan pil): Çıktı biçimi: 'pil', 'np', 'pt'.

Çıktılar: görüntüler (`list`): Oluşturulan görüntüler.

## Krea2TurboModularPipeline[[diffusers.Krea2TurboModularPipeline]]

#### diffusers.Krea2TurboModularPipeline[[diffusers.Krea2TurboModularPipeline]]

```python
diffusers.Krea2TurboModularPipeline(blocks: diffusers.modular_pipelines.modular_pipeline.ModularPipelineBlocks | None = None, pretrained_model_name_or_path: str | os.PathLike | None = None, components_manager: diffusers.modular_pipelines.components_manager.ComponentsManager | None = None, collection: str | None = None, workflow: str | None = None, modular_config_dict: dict[str, typing.Any] | None = None, config_dict: dict[str, typing.Any] | None = None, **kwargs)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/modular_pipelines/krea2/modular_pipeline.py#L54)

Distilled Krea 2 turbo (TDM) checkpoint için bir ModularPipeline. Sınıflandırıcı-ücretsiz yönlendirme (classifier-free guidance) olmadan çalıştığı için negatif prompt almaz ve bir yönlendirici (guider) içermez.

## Krea2TurboAutoBlocks[[diffusers.Krea2TurboAutoBlocks]]

#### diffusers.Krea2TurboAutoBlocks[[diffusers.Krea2TurboAutoBlocks]]

```python
diffusers.Krea2TurboAutoBlocks()
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/modular_pipelines/krea2/modular_blocks_krea2_turbo.py#L102)

Distilled Krea 2 turbo checkpoint kullanılarak metinden görüntüye üretim için Auto Modular pipeline: metni kodla -> çekirdek gürültü azaltma (yönlendirmesiz) -> çöz.

Desteklenen iş akışları:
- `text2image`: `prompt` gerektirir

Bileşenler: text_encoder (`Qwen3VLModel`): Qwen3-VL metin kodlayıcısı. tokenizer (`AutoTokenizer`): Metin kodlayıcıyla eşleştirilen belirteçleştirici. transformer (`Krea2Transformer2DModel`) scheduler (`FlowMatchEulerDiscreteScheduler`) vae (`AutoencoderKLQwenImage`) image_processor (`VaeImageProcessor`)

Girdiler: prompt (`str`): Görsel üretimi yönlendirmek için istem veya istemler. max_sequence_length (`int`, *isteğe bağlı*, varsayılan 512): İstem kodlaması için maksimum dizi uzunluğu. num_images_per_prompt (`int`, *isteğe bağlı*, varsayılan 1): Her istem için üretilecek görsel sayısı. latents (`Tensor`, *isteğe bağlı*): Görsel üretimi için önceden oluşturulmuş gürültülü latensler. height (`int`, *isteğe bağlı*, varsayılan 1024): Üretilen görselin piksel cinsinden yüksekliği. width (`int`, *isteğe bağlı*, varsayılan 1024): Üretilen görselin piksel cinsinden genişliği. generator (`Generator`, *isteğe bağlı*): Belirleyici üretim için Torch üreteci. num_inference_steps (`int`, *isteğe bağlı*, varsayılan 8): Gürültü azaltma adım sayısı. sigmas (`list`, *isteğe bağlı*): Özel sigma zamanlaması (varsayılan olarak doğrusal bir eğim). attention_kwargs (`dict`, *isteğe bağlı*): Dikkat işlemcileri için ek kwargs. output_type (`str`, *isteğe bağlı*, varsayılan pil): Çıktı biçimi: 'pil', 'np', 'pt'.
Çıktılar: görüntüler (`list`): Oluşturulan görüntüler.
Xet Storage Details

Size:: 22.8 kB
Xet hash:: 9452b14ebaeec6f2fd151d06a768adaca4fa11726e257bbd18c3c32c3b4746ff
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.