Buckets:
| # SequentialPipelineBlocks | |
| [SequentialPipelineBlocks](/docs/diffusers/main/tr/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks), diğer [ModularPipelineBlocks](/docs/diffusers/main/tr/api/modular_diffusers/pipeline_blocks#diffusers.ModularPipelineBlocks) öğelerini bir dizi halinde bir araya getiren çoklu blok türüdür. Veri, `inputs` ve `intermediate_outputs` kullanılarak bir bloktan diğerine doğrusal olarak akar. [SequentialPipelineBlocks](/docs/diffusers/main/tr/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks) içindeki her blok genellikle hattın bir adımını temsil eder ve bunları birleştirerek hattı kademeli olarak oluşturursunuz. | |
| Bu kılavuz, iki bloğu [SequentialPipelineBlocks](/docs/diffusers/main/tr/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks) içine nasıl bağlayacağınızı gösterir. | |
| İki [ModularPipelineBlocks](/docs/diffusers/main/tr/api/modular_diffusers/pipeline_blocks#diffusers.ModularPipelineBlocks) oluşturun. İlk blok olan `InputBlock`, bir `batch_size` değeri üretir; ikinci blok olan `ImageEncoderBlock` ise `batch_size` değerini `inputs` olarak kullanır. | |
| ```py | |
| from diffusers.modular_pipelines import ModularPipelineBlocks, InputParam, OutputParam | |
| class InputBlock(ModularPipelineBlocks): | |
| @property | |
| def inputs(self): | |
| return [ | |
| InputParam(name="prompt", type_hint=list, description="list of text prompts"), | |
| InputParam(name="num_images_per_prompt", type_hint=int, description="number of images per prompt"), | |
| ] | |
| @property | |
| def intermediate_outputs(self): | |
| return [ | |
| OutputParam(name="batch_size", description="calculated batch size"), | |
| ] | |
| @property | |
| def description(self): | |
| return "A block that determines batch_size based on the number of prompts and num_images_per_prompt argument." | |
| def __call__(self, components, state): | |
| block_state = self.get_block_state(state) | |
| batch_size = len(block_state.prompt) | |
| block_state.batch_size = batch_size * block_state.num_images_per_prompt | |
| self.set_block_state(state, block_state) | |
| return components, state | |
| ``` | |
| ```py | |
| import torch | |
| from diffusers.modular_pipelines import ModularPipelineBlocks, InputParam, OutputParam | |
| class ImageEncoderBlock(ModularPipelineBlocks): | |
| @property | |
| def inputs(self): | |
| return [ | |
| InputParam(name="image", type_hint="PIL.Image", description="raw input image to process"), | |
| InputParam(name="batch_size", type_hint=int), | |
| ] | |
| @property | |
| def intermediate_outputs(self): | |
| return [ | |
| OutputParam(name="image_latents", description="latents representing the image"), | |
| ] | |
| @property | |
| def description(self): | |
| return "Encode raw image into its latent presentation" | |
| def __call__(self, components, state): | |
| block_state = self.get_block_state(state) | |
| # Simulate processing the image | |
| # This will change the state of the image from a PIL image to a tensor for all blocks | |
| block_state.image = torch.randn(1, 3, 512, 512) | |
| block_state.batch_size = block_state.batch_size * 2 | |
| block_state.image_latents = torch.randn(1, 4, 64, 64) | |
| self.set_block_state(state, block_state) | |
| return components, state | |
| ``` | |
| İki bloğu [SequentialPipelineBlocks](/docs/diffusers/main/tr/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks) tanımlayarak bağlayın. Blok örneklerini `block_classes` içinde, bunlara karşılık gelen adları ise `block_names` içinde listeleyin. Bloklar, `block_classes` içinde göründükleri sırada çalıştırılır ve veri, bir bloktan diğerine [PipelineState](/docs/diffusers/main/tr/api/modular_diffusers/pipeline_states#diffusers.modular_pipelines.PipelineState) üzerinden akar. | |
| ```py | |
| class ImageProcessingStep(SequentialPipelineBlocks): | |
| """ | |
| # auto_docstring | |
| """ | |
| model_name = "my_model" | |
| block_classes = [InputBlock(), ImageEncoderBlock()] | |
| block_names = ["input", "image_encoder"] | |
| @property | |
| def description(self): | |
| return ( | |
| "Process text prompts and images for the pipeline. It:\n" | |
| " - Determines the batch size from the prompts.\n" | |
| " - Encodes the image into latent space." | |
| ) | |
| ``` | |
| Bir [SequentialPipelineBlocks](/docs/diffusers/main/tr/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks) oluşturduğunuzda, `inputs`, `intermediate_outputs` ve `expected_components` gibi özellikler alt bloklardan otomatik olarak toplanır, bu nedenle bunları yeniden tanımlamanıza gerek yoktur. | |
| Belirlemeniz gereken birkaç özellik var: | |
| - `description`: Birleştirilen blok için, birleştirilen adımın ne yaptığını açıklayan bir açıklama eklemenizi öneririz. | |
| - `model_name`: Bu, alt bloklardan otomatik olarak türetilir ancak her zaman doğru olmayabilir, bu nedenle devre dışı bırakmanız gerekebilir. | |
| - `outputs`: Varsayılan olarak bu, `intermediate_outputs` ile aynıdır ancak belgede hangi değerlerin görüneceğini kontrol etmek için manuel olarak ayarlayabilirsiniz. Bu, tüm ara değerler yerine yalnızca nihai çıktıları göstermek için kullanışlıdır. | |
| Bu özellikler, toplanmış `inputs`, `intermediate_outputs` ve `expected_components` ile birlikte, `doc` özelliğinin otomatik olarak oluşturulmasında kullanılır. | |
| Alt blokları incelemek için `ImageProcessingStep` bloğunu yazdırın ve bloğun girdileri, çıktıları ve bileşenlerinin tam bir özetini almak için `doc` kullanın. | |
| ```py | |
| blocks = ImageProcessingStep() | |
| print(blocks) | |
| print(blocks.doc) | |
| ``` | |
Xet Storage Details
- Size:
- 5.73 kB
- Xet hash:
- ff4eafc4be17fe74364158f491cdea61bc9ffefff74b3895b1e141daf92d8a14
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.