Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /main /tr /modular_diffusers /quickstart.md

mishig

about 15 hours ago

preview code

download

raw

13.9 kB

# Hızlı Başlangıç

Modular Diffusers, esnek ve özelleştirilebilir pipeline'ları hızlı bir şekilde oluşturmak için bir çerçevedir. Bu pipeline'lar, standart `DiffusionPipeline`'ların yapabildiklerinin ötesine geçebilir. Modular Diffusers'ın çekirdeğinde, yeni iş akışlarına uyum sağlamak için diğer bloklarla birleştirilebilen [ModularPipelineBlocks](/docs/diffusers/main/tr/api/modular_diffusers/pipeline_blocks#diffusers.ModularPipelineBlocks) bulunur. Bloklar, üretim görevlerini çalıştırmak için kullanıcı dostu bir arayüz olan [ModularPipeline](/docs/diffusers/main/tr/api/modular_diffusers/pipeline#diffusers.ModularPipeline)'a dönüştürülür.

Bu kılavuz, modüler bir hattın (pipeline) nasıl çalıştırılacağını, yapısının nasıl anlaşıldığını ve onu oluşturan blokları değiştirerek nasıl özelleştirileceğini gösterir. [DiffusionPipeline](/docs/diffusers/main/tr/api/pipelines/overview#diffusers.DiffusionPipeline) ile aşinalığınız varsa, farklı çalışan konular için önce [DiffusionPipeline'dan Geliyorsanız](./coming_from_diffusion_pipeline) bölümünü okuyun.

## Bir pipeline çalıştırın

[ModularPipeline](/docs/diffusers/main/tr/api/modular_diffusers/pipeline#diffusers.ModularPipeline), modüler boru hatlarını yükleme, çalıştırma ve yönetme için ana arayüzdür.
```py
import torch
from diffusers import ModularPipeline, ComponentsManager
# Use ComponentsManager to enable auto CPU offloading for memory efficiency
manager = ComponentsManager()
manager.enable_auto_cpu_offload(device="cuda:0")
pipe = ModularPipeline.from_pretrained("Qwen/Qwen-Image", components_manager=manager)
pipe.load_components(dtype=torch.bfloat16)
image = pipe(
    prompt="cat wizard with red hat, gandalf, lord of the rings, detailed, fantasy, cute, adorable, Pixar, Disney",
).images[0]
image
```

[from_pretrained()](/docs/diffusers/main/tr/api/modular_diffusers/pipeline#diffusers.ModularPipeline.from_pretrained) tembel yükleme kullanır - her bileşenin nereden yükleneceğini öğrenmek için yapılandırmayı okur, ancak [load_components()](/docs/diffusers/main/tr/api/modular_diffusers/pipeline#diffusers.ModularPipeline.load_components) çağrılana kadar model ağırlıklarını gerçekten yüklemez. Bu, bileşenlerin ne zaman ve nasıl yükleneceği üzerinde size kontrol sağlar.

> [!TIP]
> `ComponentsManager`, `enable_auto_cpu_offload` ile birlikte, büyük modeller (ör. Qwen-Image) için bellek kullanımını azaltmak amacıyla modelleri gerektiğinde otomatik olarak CPU ile GPU arasında taşır. Daha fazla bilgi için [ComponentsManager](./components_manager) kılavuzuna göz atın.
>
> Offloading'e ihtiyacınız yoksa, `components_manager` argümanını kaldırın ve hattı `to("cuda")` ile cihazınıza manuel olarak taşıyın.

[Pipeline oluşturma](https://huggingface.co/docs/diffusers/modular_diffusers/modular_pipeline#creating-a-pipeline) ve [Bileşenleri yükleme](https://huggingface.co/docs/diffusers/modular_diffusers/modular_pipeline#loading-components) kılavuzlarında pipeline oluşturma ve yükleme hakkında daha fazla bilgi edinin.

## Yapıyı anlama

Bir [ModularPipeline](/docs/diffusers/main/tr/api/modular_diffusers/pipeline#diffusers.ModularPipeline) iki parçadan oluşur: bir **tanım** (bloklar) ve bir **durum** (yüklenmiş bileşenler ve yapılandırmalar).

Halinizi görmek için pipeline'ı yazdırın — bileşenler ve yükleme durumları ile yapılandırmaları.
```py
print(pipe)
```
```
QwenImageModularPipeline {
  "_blocks_class_name": "QwenImageAutoBlocks",
  "_class_name": "QwenImageModularPipeline",
  "_diffusers_version": "0.37.0.dev0",
  "transformer": [
    "diffusers",
    "QwenImageTransformer2DModel",
    {
      "pretrained_model_name_or_path": "Qwen/Qwen-Image",
      "revision": null,
      "subfolder": "transformer",
      "type_hint": [
        "diffusers",
        "QwenImageTransformer2DModel"
      ],
      "variant": null
    }
  ],
  ...
}
```

Tanıma `pipe.blocks` üzerinden erişin — bu, hattın iş akışlarını, girdilerini, çıktılarını ve hesaplama mantığını tanımlayan [ModularPipelineBlocks](/docs/diffusers/main/tr/api/modular_diffusers/pipeline_blocks#diffusers.ModularPipelineBlocks)'tür.
```py
print(pipe.blocks)
```
```
QwenImageAutoBlocks(
  Class: SequentialPipelineBlocks
  Description: Auto Modular pipeline for text-to-image, image-to-image, inpainting, and controlnet tasks using QwenImage.
      
      Supported workflows:
        - `text2image`: requires `prompt`
        - `image2image`: requires `prompt`, `image`
        - `inpainting`: requires `prompt`, `mask_image`, `image`
        - `controlnet_text2image`: requires `prompt`, `control_image`
        ...
  Components:
      text_encoder (`Qwen2_5_VLForConditionalGeneration`)
      vae (`AutoencoderKLQwenImage`)
      transformer (`QwenImageTransformer2DModel`)
      ...
  Sub-Blocks:
    [0] text_encoder (QwenImageAutoTextEncoderStep)
    [1] vae_encoder (QwenImageAutoVaeEncoderStep)
    [2] controlnet_vae_encoder (QwenImageOptionalControlNetVaeEncoderStep)
    [3] denoise (QwenImageAutoCoreDenoiseStep)
    [4] decode (QwenImageAutoDecodeStep)
)
```

Çıktı şunu döndürür:
- Desteklenen iş akışları (text2image, image2image, inpainting vb.)
- Bileşen olarak içerdiği Alt-Bloklar (text_encoder, vae_encoder, denoise, decode)

### İş Akışları

Bu pipeline birden çok iş akışını destekler ve sağladığınız girdilere göre davranışını uyarlar. Örneğin, pipeline'a `image` geçirirseniz, metinden görüntüye değil, görüntüden görüntüye iş akışını çalıştırır. Bunun alt yapısında nasıl çalıştığı hakkında daha fazla bilgi için [AutoPipelineBlocks](https://huggingface.co/docs/diffusers/modular_diffusers/auto_pipeline_blocks) kılavuzuna göz atın.

```py
from diffusers.utils import load_image
input_image = load_image("https://github.com/Trgtuan10/Image_storage/blob/main/cute_cat.png?raw=true")
image = pipe(
    prompt="cat wizard with red hat, gandalf, lord of the rings, detailed, fantasy, cute, adorable, Pixar, Disney",
    image=input_image,
).images[0]
```

Belirli bir iş akışının bloklarını çıkarmak için `get_workflow()` kullanın. Yalnızca o iş akışına ait blokları almak için iş akışı adını (ör. `"image2image"`, `"inpainting"`, `"controlnet_text2image"`) iletin. Bu, belirli bir iş akışını özelleştirmek veya hata ayıklamak istediğinizde kullanışlıdır. Kullanılabilir tüm iş akışlarını görmek için `pipe.blocks.available_workflows` öğesini kontrol edebilirsiniz.
```py
img2img_blocks = pipe.blocks.get_workflow("image2image")
```

### Alt bloklar

Bloklar, diğer blokları içerebilir. `pipe.blocks` üst düzey blok tanımını (burada `QwenImageAutoBlocks`) size verirken, `sub_blocks` içindeki daha küçük bloklara erişmenizi sağlar.

`QwenImageAutoBlocks` şu bileşenlerden oluşur: `text_encoder`, `vae_encoder`, `controlnet_vae_encoder`, `denoise` ve `decode`.

Bu alt bloklar sırayla çalışır ve veri bir bloktan diğerine doğrusal olarak akar — her bloğun `intermediate_outputs` değeri, bir sonraki blok için `inputs` olarak kullanılabilir hale gelir. [`SequentialPipelineBlocks`](./sequential_pipeline_blocks) tam olarak bu şekilde çalışır.

Bunlara `sub_blocks` özelliği üzerinden erişebilirsiniz. `doc` özelliği, girdileri, çıktıları ve bileşenleri dahil olmak üzere herhangi bir bloğun tam dokümantasyonunu görmek için kullanışlıdır.
```py
vae_encoder_block = pipe.blocks.sub_blocks["vae_encoder"]
print(vae_encoder_block.doc)
```

Bu blok, [init_pipeline()](/docs/diffusers/main/tr/api/modular_diffusers/pipeline_blocks#diffusers.ModularPipelineBlocks.init_pipeline) ile kendi başına çalışabilmesi için bir pipeline'a dönüştürülebilir.
```py
vae_encoder_pipe = vae_encoder_block.init_pipeline()
# Reuse the VAE we already loaded, we can reuse it with update_components() method
vae_encoder_pipe.update_components(vae=pipe.vae)
# Run just this block
image_latents = vae_encoder_pipe(image=input_image).image_latents
print(image_latents.shape)
```

Orijinal hattımızdaki VAE'yi yeniden yüklemek yerine yeniden kullanır ve bellek kullanımını verimli tutar. Daha fazla bilgi için [Bileşenleri yükleme](https://huggingface.co/docs/diffusers/modular_diffusers/modular_pipeline#loading-components) kılavuzuna göz atın.

Bloklar birleştirilebilir olduğundan, yeni iş akışları oluşturmak için hattın tanımına blok ekleyerek, çıkararak veya değiştirerek değişiklik yapabilirsiniz. Bir sonraki bölümde, ControlNet hattına bir canny kenar algılama bloğu ekleyeceğiz; böylece önceden işlenmiş bir canny kenar haritası yerine normal bir görsel geçebilirsiniz.

## Yeni iş akışları oluşturun

Bir ControlNet hattına canny kenar algılama bloğu ekleyelim. Önce, Hub'dan hazır bir canny bloğu yükleyin (kendi bloğunuzu oluşturmak için [Özel Blokların Oluşturulması](https://huggingface.co/docs/diffusers/modular_diffusers/custom_blocks) bölümüne bakın).
```py
from diffusers.modular_pipelines import ModularPipelineBlocks
# Load a canny block from the Hub
canny_block = ModularPipelineBlocks.from_pretrained(
    "diffusers-internal-dev/canny-filtering",
    trust_remote_code=True,
)
print(canny_block.doc)
```
```
class CannyBlock
  Inputs:
      image (`Union[Image, ndarray]`):
          Image to compute canny filter on
      low_threshold (`int`, *optional*, defaults to 50):
          Low threshold for the canny filter.
      high_threshold (`int`, *optional*, defaults to 200):
          High threshold for the canny filter.
      ...
  Outputs:
      control_image (`PIL.Image`):
          Canny map for input image
```

`get_workflow` işlevini kullanarak `QwenImageAutoBlocks` içinden ControlNet iş akışını çıkarın.
```py
# Get the controlnet workflow that we want to work with
blocks = pipe.blocks.get_workflow("controlnet_text2image")
print(blocks.doc)
```
```
class SequentialPipelineBlocks
  Inputs:
      prompt (`str`):
          The prompt or prompts to guide image generation.
      control_image (`Image`):
          Control image for ControlNet conditioning.
      ...
```

Çıkarılan iş akışı bir [`SequentialPipelineBlocks`](./sequential_pipeline_blocks) olup şu anda girdi olarak `control_image` gerektirir. Hattın bir düzenli görüntü kabul etmesi için canny bloğunu başa ekleyin.
```py
# Insert canny at the beginning
blocks.sub_blocks.insert("canny", canny_block, 0)
# Check the updated structure: CannyBlock is now listed as first sub-block
print(blocks)
# Check the updated doc
print(blocks.doc)
```
```
class SequentialPipelineBlocks
  Inputs:
      image (`Union[Image, ndarray]`):
          Image to compute canny filter on
      low_threshold (`int`, *optional*, defaults to 50):
          Low threshold for the canny filter.
      high_threshold (`int`, *optional*, defaults to 200):
          High threshold for the canny filter.
      prompt (`str`):
          The prompt or prompts to guide image generation.
      ...
```

Artık pipeline, `control_image` yerine `image` girdisi alır. Bir dizideki bloklar verileri otomatik olarak paylaştığı için, canny bloğunun çıktısı (`control_image`) buna ihtiyaç duyan denoise bloğuna akar ve canny bloğunun girdisi (`image`), daha önceki bir blok tarafından sağlanmadığı için bir pipeline girdisi haline gelir.

Değiştirilen bloklardan bir pipeline oluşturun ve bir ControlNet modeli yükleyin. ControlNet, orijinal model deposunun bir parçası değildir, bu nedenle ayrı olarak yükleyin ve [update_components()](/docs/diffusers/main/tr/api/modular_diffusers/pipeline#diffusers.ModularPipeline.update_components) ile ekleyin.
```py
pipeline = blocks.init_pipeline("Qwen/Qwen-Image", components_manager=manager)
pipeline.load_components(dtype=torch.bfloat16)
# Load the ControlNet model
controlnet_spec = pipeline.get_component_spec("controlnet")
controlnet_spec.pretrained_model_name_or_path = "InstantX/Qwen-Image-ControlNet-Union"
controlnet = controlnet_spec.load(dtype=torch.bfloat16)
pipeline.update_components(controlnet=controlnet)
```

Şimdi hattı çalıştırın - canny bloğu, görüntüyü ControlNet için ön işler.
```py
from diffusers.utils import load_image
prompt = "cat wizard with red hat, gandalf, lord of the rings, detailed, fantasy, cute, adorable, Pixar, Disney"
image = load_image("https://github.com/Trgtuan10/Image_storage/blob/main/cute_cat.png?raw=true")
output = pipeline(
    prompt=prompt,
    image=image,
).images[0]
output
```

## Sonraki adımlar

Modular Diffusers'ın temel yapı taşlarını anlayın:

- [ModularPipelineBlocks](./pipeline_block): Bir pipeline'da bir adım tanımlamak için temel birim.
- [SequentialPipelineBlocks](./sequential_pipeline_blocks): Blokları sırayla çalışacak şekilde zincirle.
- [AutoPipelineBlocks](./auto_pipeline_blocks): Birden fazla iş akışını destekleyen boru hatları oluşturun.
- [Durumlar](./modular_diffusers_states): Bloklar arasında verilerin nasıl paylaşıldığı.

Özel mantık içeren kendi bloklarınızı nasıl oluşturacağınızı [Özel Bloklar Oluşturma](./custom_blocks) kılavuzunda öğrenin.

Birden çok hattın arasında modelleri paylaşmak ve belleği verimli bir şekilde yönetmek için [`ComponentsManager`](./components_manager) kullanın.

Modüler boru hatlarını, iş akışları oluşturmak için görsel, düğüme dayalı bir arayüz olan [Mellon](https://github.com/cubiq/Mellon) ile bağlayın. Modular Diffusers ile oluşturulan özel bloklar, Mellon ile hazır olarak çalışır - arayüz kodu gerekmez. Daha fazla bilgi için Mellon kılavuzunu okuyun.

Xet Storage Details

Size:: 13.9 kB
Xet hash:: a2c91b990aebff17c426ecbdc9f889d422eb04569adf7fb93a4dd79f933ea3ed

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

	# Hızlı Başlangıç

	Modular Diffusers, esnek ve özelleştirilebilir pipeline'ları hızlı bir şekilde oluşturmak için bir çerçevedir. Bu pipeline'lar, standart `DiffusionPipeline`'ların yapabildiklerinin ötesine geçebilir. Modular Diffusers'ın çekirdeğinde, yeni iş akışlarına uyum sağlamak için diğer bloklarla birleştirilebilen [ModularPipelineBlocks](/docs/diffusers/main/tr/api/modular_diffusers/pipeline_blocks#diffusers.ModularPipelineBlocks) bulunur. Bloklar, üretim görevlerini çalıştırmak için kullanıcı dostu bir arayüz olan [ModularPipeline](/docs/diffusers/main/tr/api/modular_diffusers/pipeline#diffusers.ModularPipeline)'a dönüştürülür.

	Bu kılavuz, modüler bir hattın (pipeline) nasıl çalıştırılacağını, yapısının nasıl anlaşıldığını ve onu oluşturan blokları değiştirerek nasıl özelleştirileceğini gösterir. [DiffusionPipeline](/docs/diffusers/main/tr/api/pipelines/overview#diffusers.DiffusionPipeline) ile aşinalığınız varsa, farklı çalışan konular için önce [DiffusionPipeline'dan Geliyorsanız](./coming_from_diffusion_pipeline) bölümünü okuyun.

	## Bir pipeline çalıştırın

	[ModularPipeline](/docs/diffusers/main/tr/api/modular_diffusers/pipeline#diffusers.ModularPipeline), modüler boru hatlarını yükleme, çalıştırma ve yönetme için ana arayüzdür.
	```py
	import torch
	from diffusers import ModularPipeline, ComponentsManager

	# Use ComponentsManager to enable auto CPU offloading for memory efficiency
	manager = ComponentsManager()
	manager.enable_auto_cpu_offload(device="cuda:0")

	pipe = ModularPipeline.from_pretrained("Qwen/Qwen-Image", components_manager=manager)
	pipe.load_components(dtype=torch.bfloat16)

	image = pipe(
	prompt="cat wizard with red hat, gandalf, lord of the rings, detailed, fantasy, cute, adorable, Pixar, Disney",
	).images[0]
	image
	```

	[from_pretrained()](/docs/diffusers/main/tr/api/modular_diffusers/pipeline#diffusers.ModularPipeline.from_pretrained) tembel yükleme kullanır - her bileşenin nereden yükleneceğini öğrenmek için yapılandırmayı okur, ancak [load_components()](/docs/diffusers/main/tr/api/modular_diffusers/pipeline#diffusers.ModularPipeline.load_components) çağrılana kadar model ağırlıklarını gerçekten yüklemez. Bu, bileşenlerin ne zaman ve nasıl yükleneceği üzerinde size kontrol sağlar.

	> [!TIP]
	> `ComponentsManager`, `enable_auto_cpu_offload` ile birlikte, büyük modeller (ör. Qwen-Image) için bellek kullanımını azaltmak amacıyla modelleri gerektiğinde otomatik olarak CPU ile GPU arasında taşır. Daha fazla bilgi için [ComponentsManager](./components_manager) kılavuzuna göz atın.
	>
	> Offloading'e ihtiyacınız yoksa, `components_manager` argümanını kaldırın ve hattı `to("cuda")` ile cihazınıza manuel olarak taşıyın.

	[Pipeline oluşturma](https://huggingface.co/docs/diffusers/modular_diffusers/modular_pipeline#creating-a-pipeline) ve [Bileşenleri yükleme](https://huggingface.co/docs/diffusers/modular_diffusers/modular_pipeline#loading-components) kılavuzlarında pipeline oluşturma ve yükleme hakkında daha fazla bilgi edinin.

	## Yapıyı anlama

	Bir [ModularPipeline](/docs/diffusers/main/tr/api/modular_diffusers/pipeline#diffusers.ModularPipeline) iki parçadan oluşur: bir tanım (bloklar) ve bir durum (yüklenmiş bileşenler ve yapılandırmalar).

	Halinizi görmek için pipeline'ı yazdırın — bileşenler ve yükleme durumları ile yapılandırmaları.
	```py
	print(pipe)
	```
	```
	QwenImageModularPipeline {
	"_blocks_class_name": "QwenImageAutoBlocks",
	"_class_name": "QwenImageModularPipeline",
	"_diffusers_version": "0.37.0.dev0",
	"transformer": [
	"diffusers",
	"QwenImageTransformer2DModel",
	{
	"pretrained_model_name_or_path": "Qwen/Qwen-Image",
	"revision": null,
	"subfolder": "transformer",
	"type_hint": [
	"diffusers",
	"QwenImageTransformer2DModel"
	],
	"variant": null
	}
	],
	...
	}
	```

	Tanıma `pipe.blocks` üzerinden erişin — bu, hattın iş akışlarını, girdilerini, çıktılarını ve hesaplama mantığını tanımlayan [ModularPipelineBlocks](/docs/diffusers/main/tr/api/modular_diffusers/pipeline_blocks#diffusers.ModularPipelineBlocks)'tür.
	```py
	print(pipe.blocks)
	```
	```
	QwenImageAutoBlocks(
	Class: SequentialPipelineBlocks

	Description: Auto Modular pipeline for text-to-image, image-to-image, inpainting, and controlnet tasks using QwenImage.

	Supported workflows:
	- `text2image`: requires `prompt`
	- `image2image`: requires `prompt`, `image`
	- `inpainting`: requires `prompt`, `mask_image`, `image`
	- `controlnet_text2image`: requires `prompt`, `control_image`
	...

	Components:
	text_encoder (`Qwen2_5_VLForConditionalGeneration`)
	vae (`AutoencoderKLQwenImage`)
	transformer (`QwenImageTransformer2DModel`)
	...

	Sub-Blocks:
	[0] text_encoder (QwenImageAutoTextEncoderStep)
	[1] vae_encoder (QwenImageAutoVaeEncoderStep)
	[2] controlnet_vae_encoder (QwenImageOptionalControlNetVaeEncoderStep)
	[3] denoise (QwenImageAutoCoreDenoiseStep)
	[4] decode (QwenImageAutoDecodeStep)
	)
	```

	Çıktı şunu döndürür:
	- Desteklenen iş akışları (text2image, image2image, inpainting vb.)
	- Bileşen olarak içerdiği Alt-Bloklar (text_encoder, vae_encoder, denoise, decode)

	### İş Akışları

	Bu pipeline birden çok iş akışını destekler ve sağladığınız girdilere göre davranışını uyarlar. Örneğin, pipeline'a `image` geçirirseniz, metinden görüntüye değil, görüntüden görüntüye iş akışını çalıştırır. Bunun alt yapısında nasıl çalıştığı hakkında daha fazla bilgi için [AutoPipelineBlocks](https://huggingface.co/docs/diffusers/modular_diffusers/auto_pipeline_blocks) kılavuzuna göz atın.

	```py
	from diffusers.utils import load_image

	input_image = load_image("https://github.com/Trgtuan10/Image_storage/blob/main/cute_cat.png?raw=true")

	image = pipe(
	prompt="cat wizard with red hat, gandalf, lord of the rings, detailed, fantasy, cute, adorable, Pixar, Disney",
	image=input_image,
	).images[0]
	```

	Belirli bir iş akışının bloklarını çıkarmak için `get_workflow()` kullanın. Yalnızca o iş akışına ait blokları almak için iş akışı adını (ör. `"image2image"`, `"inpainting"`, `"controlnet_text2image"`) iletin. Bu, belirli bir iş akışını özelleştirmek veya hata ayıklamak istediğinizde kullanışlıdır. Kullanılabilir tüm iş akışlarını görmek için `pipe.blocks.available_workflows` öğesini kontrol edebilirsiniz.
	```py
	img2img_blocks = pipe.blocks.get_workflow("image2image")
	```

	### Alt bloklar

	Bloklar, diğer blokları içerebilir. `pipe.blocks` üst düzey blok tanımını (burada `QwenImageAutoBlocks`) size verirken, `sub_blocks` içindeki daha küçük bloklara erişmenizi sağlar.

	`QwenImageAutoBlocks` şu bileşenlerden oluşur: `text_encoder`, `vae_encoder`, `controlnet_vae_encoder`, `denoise` ve `decode`.

	Bu alt bloklar sırayla çalışır ve veri bir bloktan diğerine doğrusal olarak akar — her bloğun `intermediate_outputs` değeri, bir sonraki blok için `inputs` olarak kullanılabilir hale gelir. [`SequentialPipelineBlocks`](./sequential_pipeline_blocks) tam olarak bu şekilde çalışır.

	Bunlara `sub_blocks` özelliği üzerinden erişebilirsiniz. `doc` özelliği, girdileri, çıktıları ve bileşenleri dahil olmak üzere herhangi bir bloğun tam dokümantasyonunu görmek için kullanışlıdır.
	```py
	vae_encoder_block = pipe.blocks.sub_blocks["vae_encoder"]
	print(vae_encoder_block.doc)
	```

	Bu blok, [init_pipeline()](/docs/diffusers/main/tr/api/modular_diffusers/pipeline_blocks#diffusers.ModularPipelineBlocks.init_pipeline) ile kendi başına çalışabilmesi için bir pipeline'a dönüştürülebilir.
	```py
	vae_encoder_pipe = vae_encoder_block.init_pipeline()

	# Reuse the VAE we already loaded, we can reuse it with update_components() method
	vae_encoder_pipe.update_components(vae=pipe.vae)

	# Run just this block
	image_latents = vae_encoder_pipe(image=input_image).image_latents
	print(image_latents.shape)
	```

	Orijinal hattımızdaki VAE'yi yeniden yüklemek yerine yeniden kullanır ve bellek kullanımını verimli tutar. Daha fazla bilgi için [Bileşenleri yükleme](https://huggingface.co/docs/diffusers/modular_diffusers/modular_pipeline#loading-components) kılavuzuna göz atın.

	Bloklar birleştirilebilir olduğundan, yeni iş akışları oluşturmak için hattın tanımına blok ekleyerek, çıkararak veya değiştirerek değişiklik yapabilirsiniz. Bir sonraki bölümde, ControlNet hattına bir canny kenar algılama bloğu ekleyeceğiz; böylece önceden işlenmiş bir canny kenar haritası yerine normal bir görsel geçebilirsiniz.

	## Yeni iş akışları oluşturun

	Bir ControlNet hattına canny kenar algılama bloğu ekleyelim. Önce, Hub'dan hazır bir canny bloğu yükleyin (kendi bloğunuzu oluşturmak için [Özel Blokların Oluşturulması](https://huggingface.co/docs/diffusers/modular_diffusers/custom_blocks) bölümüne bakın).
	```py
	from diffusers.modular_pipelines import ModularPipelineBlocks

	# Load a canny block from the Hub
	canny_block = ModularPipelineBlocks.from_pretrained(
	"diffusers-internal-dev/canny-filtering",
	trust_remote_code=True,
	)

	print(canny_block.doc)
	```
	```
	class CannyBlock

	Inputs:
	image (`Union[Image, ndarray]`):
	Image to compute canny filter on
	low_threshold (`int`, optional, defaults to 50):
	Low threshold for the canny filter.
	high_threshold (`int`, optional, defaults to 200):
	High threshold for the canny filter.
	...

	Outputs:
	control_image (`PIL.Image`):
	Canny map for input image
	```

	`get_workflow` işlevini kullanarak `QwenImageAutoBlocks` içinden ControlNet iş akışını çıkarın.
	```py
	# Get the controlnet workflow that we want to work with
	blocks = pipe.blocks.get_workflow("controlnet_text2image")
	print(blocks.doc)
	```
	```
	class SequentialPipelineBlocks

	Inputs:
	prompt (`str`):
	The prompt or prompts to guide image generation.
	control_image (`Image`):
	Control image for ControlNet conditioning.
	...
	```

	Çıkarılan iş akışı bir [`SequentialPipelineBlocks`](./sequential_pipeline_blocks) olup şu anda girdi olarak `control_image` gerektirir. Hattın bir düzenli görüntü kabul etmesi için canny bloğunu başa ekleyin.
	```py
	# Insert canny at the beginning
	blocks.sub_blocks.insert("canny", canny_block, 0)

	# Check the updated structure: CannyBlock is now listed as first sub-block
	print(blocks)
	# Check the updated doc
	print(blocks.doc)
	```
	```
	class SequentialPipelineBlocks

	Inputs:
	image (`Union[Image, ndarray]`):
	Image to compute canny filter on
	low_threshold (`int`, optional, defaults to 50):
	Low threshold for the canny filter.
	high_threshold (`int`, optional, defaults to 200):
	High threshold for the canny filter.
	prompt (`str`):
	The prompt or prompts to guide image generation.
	...
	```

	Artık pipeline, `control_image` yerine `image` girdisi alır. Bir dizideki bloklar verileri otomatik olarak paylaştığı için, canny bloğunun çıktısı (`control_image`) buna ihtiyaç duyan denoise bloğuna akar ve canny bloğunun girdisi (`image`), daha önceki bir blok tarafından sağlanmadığı için bir pipeline girdisi haline gelir.

	Değiştirilen bloklardan bir pipeline oluşturun ve bir ControlNet modeli yükleyin. ControlNet, orijinal model deposunun bir parçası değildir, bu nedenle ayrı olarak yükleyin ve [update_components()](/docs/diffusers/main/tr/api/modular_diffusers/pipeline#diffusers.ModularPipeline.update_components) ile ekleyin.
	```py
	pipeline = blocks.init_pipeline("Qwen/Qwen-Image", components_manager=manager)

	pipeline.load_components(dtype=torch.bfloat16)

	# Load the ControlNet model
	controlnet_spec = pipeline.get_component_spec("controlnet")
	controlnet_spec.pretrained_model_name_or_path = "InstantX/Qwen-Image-ControlNet-Union"
	controlnet = controlnet_spec.load(dtype=torch.bfloat16)
	pipeline.update_components(controlnet=controlnet)
	```

	Şimdi hattı çalıştırın - canny bloğu, görüntüyü ControlNet için ön işler.
	```py
	from diffusers.utils import load_image

	prompt = "cat wizard with red hat, gandalf, lord of the rings, detailed, fantasy, cute, adorable, Pixar, Disney"
	image = load_image("https://github.com/Trgtuan10/Image_storage/blob/main/cute_cat.png?raw=true")

	output = pipeline(
	prompt=prompt,
	image=image,
	).images[0]
	output
	```

	## Sonraki adımlar

	Modular Diffusers'ın temel yapı taşlarını anlayın:

	- [ModularPipelineBlocks](./pipeline_block): Bir pipeline'da bir adım tanımlamak için temel birim.
	- [SequentialPipelineBlocks](./sequential_pipeline_blocks): Blokları sırayla çalışacak şekilde zincirle.
	- [AutoPipelineBlocks](./auto_pipeline_blocks): Birden fazla iş akışını destekleyen boru hatları oluşturun.
	- [Durumlar](./modular_diffusers_states): Bloklar arasında verilerin nasıl paylaşıldığı.

	Özel mantık içeren kendi bloklarınızı nasıl oluşturacağınızı [Özel Bloklar Oluşturma](./custom_blocks) kılavuzunda öğrenin.

	Birden çok hattın arasında modelleri paylaşmak ve belleği verimli bir şekilde yönetmek için [`ComponentsManager`](./components_manager) kullanın.

	Modüler boru hatlarını, iş akışları oluşturmak için görsel, düğüme dayalı bir arayüz olan [Mellon](https://github.com/cubiq/Mellon) ile bağlayın. Modular Diffusers ile oluşturulan özel bloklar, Mellon ile hazır olarak çalışır - arayüz kodu gerekmez. Daha fazla bilgi için Mellon kılavuzunu okuyun.