Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /main /tr /using-diffusers /other-formats.md

mishig

about 15 hours ago

preview code

download

raw

14.8 kB

# Model formatları

Diffusion modelleri genellikle Diffusers biçiminde veya tek dosya biçiminde saklanır. Model dosyaları, safetensors veya ckpt gibi çeşitli dosya türlerinde saklanabilir.

> [!TIP]
> Format, ağırlıkların bir dizin yapısında saklanıp saklanmadığına; dosya türü ise bu ağırlıkların nasıl serileştirildiğine (örneğin safetensors veya ckpt) işaret eder.

```text
Diffusers format                    Single-file format
model/                              model.safetensors   (or .ckpt)
├─ model_index.json                 └─ all components in one file
├─ unet/  (or transformer/)
├─ text_encoder/
├─ vae/
└─ scheduler/
```

Bu kılavuz, bu formatlardan ve dosyalardan pipeline ve modellerin nasıl yükleneceğini gösterecektir.

## Diffusers biçimi

Diffusers biçimi, her modeli (UNet, transformer, text encoder) ayrı bir alt klasörde saklar. Modelleri ayrı saklamanın çeşitli avantajları vardır.

- İhtiyacınız olan tekil modeli yükleyebileceğiniz veya hepsini paralel olarak yükleyebileceğiniz için genel pipeline başlatma işlemi daha hızlıdır.
- Sadece bir modele ihtiyacınız varsa tüm pipeline bileşenlerini yüklemenize gerek kalmadığı için bellek kullanımı azalır. Birden fazla pipeline arasında paylaşılan bir modeli [yeniden kullanın](./loading#reusing-models-in-multiple-pipelines).
- Birden çok boru hattı arasında paylaşılan ortak modeller yalnızca bir kez indirildiği için depolama gereksinimleri daha düşüktür.
- Bir boru hattında yeni veya geliştirilmiş modelleri kullanma esnekliği.

## Tek dosya biçimi

Tek dosya formatı, model ağırlıklarının *tümünü* (UNet, transformer, text encoder) tek bir dosyada saklar. Tek dosya formatlarının avantajları şunlardır:

- [ComfyUI](https://github.com/comfyanonymous/ComfyUI) veya [Automatic1111](https://github.com/AUTOMATIC1111/stable-diffusion-webui) ile daha yüksek uyumluluk.
- Tek bir dosyanın indirilmesi ve paylaşılması daha kolaydır.

Tek bir dosya yüklemek için [from_single_file()](/docs/diffusers/main/tr/api/loaders/single_file#diffusers.loaders.FromSingleFileMixin.from_single_file) kullanın.

```py
import torch
from diffusers import StableDiffusionXLPipeline
pipeline = StableDiffusionXLPipeline.from_single_file(
    "https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/blob/main/sd_xl_base_1.0.safetensors",
    dtype=torch.float16,
    device_map="cuda"  # or "mps", "xpu", "cpu"
)
```

[from_single_file()](/docs/diffusers/main/tr/api/loaders/single_file#diffusers.loaders.FromSingleFileMixin.from_single_file) metodu, yeni modeller veya zamanlayıcılar geçilmesini de destekler.

```py
import torch
from diffusers import FluxPipeline, FluxTransformer2DModel
transformer = FluxTransformer2DModel.from_single_file(
    "https://huggingface.co/Kijai/flux-fp8/blob/main/flux1-dev-fp8.safetensors", dtype=torch.bfloat16
)
pipeline = FluxPipeline.from_pretrained(
    "black-forest-labs/FLUX.1-dev",
    transformer=transformer,
    dtype=torch.bfloat16,
    device_map="cuda"  # or "mps", "xpu", "cpu"
)
```

### Yapılandırma seçenekleri

Diffusers format modelleri, katman sayısı ve dikkat başlıkları gibi önemli öznitelikleri içeren `config.json` dosyasına sahiptir. [from_single_file()](/docs/diffusers/main/tr/api/loaders/single_file#diffusers.loaders.FromSingleFileMixin.from_single_file) metodu, `config.json` dosyasından kullanılacak uygun yapılandırmayı otomatik olarak belirler. Ancak bu, nadir durumlarda başarısız olabilir; bu durumda `config` argümanını kullanmalısınız.

Hattadaki modellerin orijinal uygulamadan farklı olması veya doğru yapılandırmayı belirlemek için gerekli üstverilere sahip olmaması durumunda `config` argümanını da kullanmalısınız.

```py
from diffusers import StableDiffusionXLPipeline
ckpt_path = "https://huggingface.co/segmind/SSD-1B/blob/main/SSD-1B.safetensors"
pipeline = StableDiffusionXLPipeline.from_single_file(ckpt_path, config="segmind/SSD-1B")
```

`original_config` parametresini `local_files_only=True` ile birlikte geçirdiğinizde Diffusers, pipeline bileşenlerini pipeline sınıfı imzasından çıkarır. Hub'dan yapılandırma dosyalarını indirmez; bu da çevrimdışıyken bozucu değişikliklerin önüne geçer. Bu yol, `config` parametresine yerel bir model yolu vermenin güvenilirliğinin altındadır ve hata verebilir. Çevrimdışıyken daha sonra bunlara ihtiyacınız olursa, yapılandırmaların yerel önbelleğe yerleşmesi için bir kez `local_files_only=False` ile çalıştırın.

Varsayılan yapılandırmaları, argümanları doğrudan [from_single_file()](/docs/diffusers/main/tr/api/loaders/single_file#diffusers.loaders.FromSingleFileMixin.from_single_file) fonksiyonuna geçirerek geçersiz kılabilirsiniz. Aşağıdaki örnekler, bir pipeline veya modelde yapılandırmaların nasıl geçersiz kılınacağını göstermektedir.

```py
from diffusers import StableDiffusionXLInstructPix2PixPipeline
ckpt_path = "https://huggingface.co/stabilityai/cosxl/blob/main/cosxl_edit.safetensors"
pipeline = StableDiffusionXLInstructPix2PixPipeline.from_single_file(
    ckpt_path, config="diffusers/sdxl-instructpix2pix-768", is_cosxl_edit=True
)
```

```py
from diffusers import UNet2DConditionModel
ckpt_path = "https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/blob/main/sd_xl_base_1.0_0.9vae.safetensors"
model = UNet2DConditionModel.from_single_file(ckpt_path, upcast_attention=True)
```

### Yerel dosyalar

[from_single_file()](/docs/diffusers/main/tr/api/loaders/single_file#diffusers.loaders.FromSingleFileMixin.from_single_file) yöntemi, checkpoint dosyasındaki anahtarlardan model türünü çıkararak bir pipeline veya model yapılandırmaya çalışır. Örneğin, Stable Diffusion XL taban modeline dayalı herhangi bir tek dosyalı checkpoint, [stabilityai/stable-diffusion-xl-base-1.0](https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0) üzerinden yapılandırılır.

Yerel dosyalarla çalışıyorsanız, yapılandırma dosyalarını [snapshot_download](https://huggingface.co/docs/huggingface_hub/main/en/package_reference/file_download#huggingface_hub.snapshot_download) yöntemiyle ve model kontrol noktasını [hf_hub_download](https://huggingface.co/docs/huggingface_hub/main/en/package_reference/file_download#huggingface_hub.hf_hub_download) ile indirin. Bu dosyalar [önbellek dizininize](https://huggingface.co/docs/huggingface_hub/en/guides/manage-cache) indirilir, ancak `local_dir` argümanını kullanarak belirli bir dizine indirebilirsiniz.

```py
from huggingface_hub import hf_hub_download, snapshot_download
from diffusers import StableDiffusionXLPipeline
my_local_checkpoint_path = hf_hub_download(
    repo_id="segmind/SSD-1B",
    filename="SSD-1B.safetensors"
)
my_local_config_path = snapshot_download(
    repo_id="segmind/SSD-1B",
    allow_patterns=["*.json", "**/*.json", "*.txt", "**/*.txt"]
)
pipeline = StableDiffusionXLPipeline.from_single_file(
    my_local_checkpoint_path, config=my_local_config_path, local_files_only=True
)
```

### Simge bağlantısı

Simge bağlantılarını desteklemeyen bir dosya sistemiyle çalışıyorsanız, kontrol noktası dosyasını önce `local_dir` parametresiyle yerel bir dizine indirin. `local_dir` parametresini kullanmak simge bağlantılarını otomatik olarak devre dışı bırakır.

```py
from huggingface_hub import hf_hub_download, snapshot_download
from diffusers import StableDiffusionXLPipeline
my_local_checkpoint_path = hf_hub_download(
    repo_id="segmind/SSD-1B",
    filename="SSD-1B.safetensors",
    local_dir="my_local_checkpoints",
)
print("My local checkpoint: ", my_local_checkpoint_path)
my_local_config_path = snapshot_download(
    repo_id="segmind/SSD-1B",
    allow_patterns=["*.json", "**/*.json", "*.txt", "**/*.txt"]
)
print("My local config: ", my_local_config_path)
```

Bu yolları [from_single_file()](/docs/diffusers/main/tr/api/loaders/single_file#diffusers.loaders.FromSingleFileMixin.from_single_file) işlevine iletin.

```py
pipeline = StableDiffusionXLPipeline.from_single_file(
    my_local_checkpoint_path, config=my_local_config_path, local_files_only=True
)
```

## Dosya türleri

Modeller birden fazla dosya türünde saklanabilir. Safetensors en yaygın dosya türüdür ancak Hub'da veya difüzyon topluluğunda diğer dosya türleriyle karşılaşabilirsiniz.

### safetensors

[Safetensors](https://hf.co/docs/safetensors), tensörleri güvenli bir şekilde depolamak ve yüklemek için güvenli ve hızlı bir dosya türüdür. Belirli saldırı türlerini sınırlamak için başlık boyutunu kısıtlar, tembel yüklemeyi (lazy loading) destekler (dağıtık kurulumlar için faydalıdır) ve genel olarak daha hızlı yüklenir.

Diffusers, safetensors dosyaları mevcut ve Safetensors kütüphanesi yüklüyse varsayılan olarak (zorunlu bir bağımlılık) safetensors dosyasını yükler.

Safetensor dosyalarını yüklemek için [from_pretrained()](/docs/diffusers/main/tr/api/pipelines/overview#diffusers.DiffusionPipeline.from_pretrained) veya [from_single_file()](/docs/diffusers/main/tr/api/loaders/single_file#diffusers.loaders.FromSingleFileMixin.from_single_file) kullanın.

```py
import torch
from diffusers import DiffusionPipeline, StableDiffusionXLPipeline
pipeline = DiffusionPipeline.from_pretrained(
    "stabilityai/stable-diffusion-xl-base-1.0",
    dtype=torch.float16,
    device_map="cuda",  # or "mps", "xpu", "cpu"
)
pipeline = StableDiffusionXLPipeline.from_single_file(
    "https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/blob/main/sd_xl_base_1.0.safetensors",
    dtype=torch.float16,
)
```

Diffusers eğitim betiğiyle eğitilmiş bir checkpoint kullanıyorsanız, LoRA yapılandırması gibi meta veriler otomatik olarak kaydedilir. Dosya yüklendiğinde, bu meta veriler ayrıştırılır ve LoRA doğru şekilde yapılandırılır. Hub'daki dosyanın yanındaki  simgesine tıklayarak safetensors dosyasının meta verilerini inceleyebilirsiniz.

Diffusers ile eğitilmemiş kontrol noktaları için LoRA adaptör meta verilerini, bunları [save_lora_weights()](/docs/diffusers/main/tr/api/loaders/lora#diffusers.loaders.FluxLoraLoaderMixin.save_lora_weights) fonksiyonuna geçirerek kaydedin. Transformer için `transformer_lora_adapter_metadata`, metin kodlayıcı için `text_encoder_lora_adapter_metadata` kullanın. Ayrıca `save_directory` ve `transformer_lora_layers` veya `text_encoder_lora_layers` parametrelerinden en az birini de geçirmeniz gerekir. Bu yol yalnızca safetensors dosyaları için desteklenir.

```py
import torch
from peft.utils import get_peft_model_state_dict
from diffusers import FluxPipeline
pipeline = FluxPipeline.from_pretrained(
    "black-forest-labs/FLUX.1-dev", dtype=torch.bfloat16, device_map="cuda"  # or "mps", "xpu", "cpu"
)
pipeline.load_lora_weights("linoyts/yarn_art_Flux_LoRA")
transformer_lora_layers = get_peft_model_state_dict(pipeline.transformer)
pipeline.save_lora_weights(
    save_directory="path/to/lora",
    transformer_lora_layers=transformer_lora_layers,
    transformer_lora_adapter_metadata={"r": 8, "lora_alpha": 8},
)
```

### ckpt

Eski model ağırlıkları genellikle Python'un [pickle](https://docs.python.org/3/library/pickle.html) aracıyla bir ckpt dosyasında kaydedilir.

Pickled dosyalar, kötü amaçlı kodun çalıştırılmasına izin verebileceği için güvensiz olabilir. Safetensors dosyaları kullanmak veya ağırlıkları safetensors dosyalarına dönüştürmek önerilir.

Bir ckpt dosyasını yüklemek için [from_single_file()](/docs/diffusers/main/tr/api/loaders/single_file#diffusers.loaders.FromSingleFileMixin.from_single_file) kullanın.

```py
from diffusers import StableDiffusionPipeline
pipeline = StableDiffusionPipeline.from_single_file(
    "https://huggingface.co/stable-diffusion-v1-5/stable-diffusion-v1-5/blob/main/v1-5-pruned.ckpt"
)
```

### GGUF

GGUF, önceden kuantize edilmiş ağırlıkları tek bir dosyada saklar. Diffusers, GGUF'i [GGUFQuantizationConfig](/docs/diffusers/main/tr/api/quantization#diffusers.GGUFQuantizationConfig) ile model [from_single_file()](/docs/diffusers/main/tr/api/loaders/single_file#diffusers.loaders.FromSingleFileMixin.from_single_file) üzerinden yükler. Pipeline düzeyinde GGUF yükleme desteklenmez.

Kurulum adımları ve tam örnekler için [GGUF](../quantization/gguf) sayfasına bakın.

```py
import torch
from diffusers import FluxTransformer2DModel, GGUFQuantizationConfig
transformer = FluxTransformer2DModel.from_single_file(
    "https://huggingface.co/city96/FLUX.1-dev-gguf/blob/main/flux1-dev-Q2_K.gguf",
    quantization_config=GGUFQuantizationConfig(compute_dtype=torch.bfloat16),
)
```

## Biçim ve dosyaları dönüştürme

Diffusers, difüzyon ekosistemindeki daha fazla aracın bu formatları ve dosyaları kullanabilmesi için format ve dosya dönüştürme betikleri ve yöntemleri sağlar.

Dönüştürme betiğini bulmak için [diffusers/scripts](https://github.com/huggingface/diffusers/tree/main/scripts) klasörüne göz atın. Sonuna `"to_diffusers"` eklenmiş betikler, bir modeli Diffusers biçimine dönüştürür. Her betiğin, dönüştürmeyi yapılandırmak için belirli bir argüman seti vardır. Kullanılabilir argümanları kontrol etmeyi unutmayın.

Aşağıdaki örnek, Diffusers biçiminde saklanan bir modeli tek dosya biçimine dönüştürür. Dönüştürülecek modelin yolunu ve dönüştürülmüş modelin kaydedileceği konumu belirtin. İsteğe bağlı olarak, modelin hangi dosya türü ve veri türü olarak kaydedileceğini de belirtebilirsiniz.

```bash
python convert_diffusers_to_original_sdxl.py --model_path path/to/model/to/convert --checkpoint_path path/to/save/model/to --use_safetensors
```

[save_pretrained()](/docs/diffusers/main/tr/api/pipelines/overview#diffusers.DiffusionPipeline.save_pretrained) metodu, bir modeli Diffusers biçiminde de kaydeder ve her model için alt klasörlerin oluşturulmasını sağlar. Varsayılan olarak dosyaları safetensor dosyaları olarak kaydeder.

```py
from diffusers import StableDiffusionXLPipeline
pipeline = StableDiffusionXLPipeline.from_single_file(
    "https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/blob/main/sd_xl_base_1.0.safetensors",
)
pipeline.save_pretrained("path/to/save/model")
```

## Sonraki adımlar

- Tasarım kararları hakkında ve model ağırlıklarının kaydedilmesi ve yüklenmesi için neden [Safetensors audited as really safe and becoming the default](https://blog.eleuther.ai/safetensors-security-audit/) blog gönderisinde de belirtildiği gibi safetensor dosyalarının tercih edildiği hakkında daha fazla bilgi edinin.

Xet Storage Details

Size:: 14.8 kB
Xet hash:: 379e4cd5b9858f52f8d53a657becf162aebb718f6e9f0003475252d9224c7291

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

	# Model formatları

	Diffusion modelleri genellikle Diffusers biçiminde veya tek dosya biçiminde saklanır. Model dosyaları, safetensors veya ckpt gibi çeşitli dosya türlerinde saklanabilir.

	> [!TIP]
	> Format, ağırlıkların bir dizin yapısında saklanıp saklanmadığına; dosya türü ise bu ağırlıkların nasıl serileştirildiğine (örneğin safetensors veya ckpt) işaret eder.

	```text
	Diffusers format Single-file format
	model/ model.safetensors (or .ckpt)
	├─ model_index.json └─ all components in one file
	├─ unet/ (or transformer/)
	├─ text_encoder/
	├─ vae/
	└─ scheduler/
	```

	Bu kılavuz, bu formatlardan ve dosyalardan pipeline ve modellerin nasıl yükleneceğini gösterecektir.

	## Diffusers biçimi

	Diffusers biçimi, her modeli (UNet, transformer, text encoder) ayrı bir alt klasörde saklar. Modelleri ayrı saklamanın çeşitli avantajları vardır.

	- İhtiyacınız olan tekil modeli yükleyebileceğiniz veya hepsini paralel olarak yükleyebileceğiniz için genel pipeline başlatma işlemi daha hızlıdır.
	- Sadece bir modele ihtiyacınız varsa tüm pipeline bileşenlerini yüklemenize gerek kalmadığı için bellek kullanımı azalır. Birden fazla pipeline arasında paylaşılan bir modeli [yeniden kullanın](./loading#reusing-models-in-multiple-pipelines).
	- Birden çok boru hattı arasında paylaşılan ortak modeller yalnızca bir kez indirildiği için depolama gereksinimleri daha düşüktür.
	- Bir boru hattında yeni veya geliştirilmiş modelleri kullanma esnekliği.

	## Tek dosya biçimi

	Tek dosya formatı, model ağırlıklarının tümünü (UNet, transformer, text encoder) tek bir dosyada saklar. Tek dosya formatlarının avantajları şunlardır:

	- [ComfyUI](https://github.com/comfyanonymous/ComfyUI) veya [Automatic1111](https://github.com/AUTOMATIC1111/stable-diffusion-webui) ile daha yüksek uyumluluk.
	- Tek bir dosyanın indirilmesi ve paylaşılması daha kolaydır.

	Tek bir dosya yüklemek için [from_single_file()](/docs/diffusers/main/tr/api/loaders/single_file#diffusers.loaders.FromSingleFileMixin.from_single_file) kullanın.

	```py
	import torch
	from diffusers import StableDiffusionXLPipeline

	pipeline = StableDiffusionXLPipeline.from_single_file(
	"https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/blob/main/sd_xl_base_1.0.safetensors",
	dtype=torch.float16,
	device_map="cuda" # or "mps", "xpu", "cpu"
	)
	```

	[from_single_file()](/docs/diffusers/main/tr/api/loaders/single_file#diffusers.loaders.FromSingleFileMixin.from_single_file) metodu, yeni modeller veya zamanlayıcılar geçilmesini de destekler.

	```py
	import torch
	from diffusers import FluxPipeline, FluxTransformer2DModel

	transformer = FluxTransformer2DModel.from_single_file(
	"https://huggingface.co/Kijai/flux-fp8/blob/main/flux1-dev-fp8.safetensors", dtype=torch.bfloat16
	)
	pipeline = FluxPipeline.from_pretrained(
	"black-forest-labs/FLUX.1-dev",
	transformer=transformer,
	dtype=torch.bfloat16,
	device_map="cuda" # or "mps", "xpu", "cpu"
	)
	```

	### Yapılandırma seçenekleri

	Diffusers format modelleri, katman sayısı ve dikkat başlıkları gibi önemli öznitelikleri içeren `config.json` dosyasına sahiptir. [from_single_file()](/docs/diffusers/main/tr/api/loaders/single_file#diffusers.loaders.FromSingleFileMixin.from_single_file) metodu, `config.json` dosyasından kullanılacak uygun yapılandırmayı otomatik olarak belirler. Ancak bu, nadir durumlarda başarısız olabilir; bu durumda `config` argümanını kullanmalısınız.

	Hattadaki modellerin orijinal uygulamadan farklı olması veya doğru yapılandırmayı belirlemek için gerekli üstverilere sahip olmaması durumunda `config` argümanını da kullanmalısınız.

	```py
	from diffusers import StableDiffusionXLPipeline

	ckpt_path = "https://huggingface.co/segmind/SSD-1B/blob/main/SSD-1B.safetensors"

	pipeline = StableDiffusionXLPipeline.from_single_file(ckpt_path, config="segmind/SSD-1B")
	```

	`original_config` parametresini `local_files_only=True` ile birlikte geçirdiğinizde Diffusers, pipeline bileşenlerini pipeline sınıfı imzasından çıkarır. Hub'dan yapılandırma dosyalarını indirmez; bu da çevrimdışıyken bozucu değişikliklerin önüne geçer. Bu yol, `config` parametresine yerel bir model yolu vermenin güvenilirliğinin altındadır ve hata verebilir. Çevrimdışıyken daha sonra bunlara ihtiyacınız olursa, yapılandırmaların yerel önbelleğe yerleşmesi için bir kez `local_files_only=False` ile çalıştırın.

	Varsayılan yapılandırmaları, argümanları doğrudan [from_single_file()](/docs/diffusers/main/tr/api/loaders/single_file#diffusers.loaders.FromSingleFileMixin.from_single_file) fonksiyonuna geçirerek geçersiz kılabilirsiniz. Aşağıdaki örnekler, bir pipeline veya modelde yapılandırmaların nasıl geçersiz kılınacağını göstermektedir.

	```py
	from diffusers import StableDiffusionXLInstructPix2PixPipeline

	ckpt_path = "https://huggingface.co/stabilityai/cosxl/blob/main/cosxl_edit.safetensors"
	pipeline = StableDiffusionXLInstructPix2PixPipeline.from_single_file(
	ckpt_path, config="diffusers/sdxl-instructpix2pix-768", is_cosxl_edit=True
	)
	```

	```py
	from diffusers import UNet2DConditionModel

	ckpt_path = "https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/blob/main/sd_xl_base_1.0_0.9vae.safetensors"
	model = UNet2DConditionModel.from_single_file(ckpt_path, upcast_attention=True)
	```

	### Yerel dosyalar

	[from_single_file()](/docs/diffusers/main/tr/api/loaders/single_file#diffusers.loaders.FromSingleFileMixin.from_single_file) yöntemi, checkpoint dosyasındaki anahtarlardan model türünü çıkararak bir pipeline veya model yapılandırmaya çalışır. Örneğin, Stable Diffusion XL taban modeline dayalı herhangi bir tek dosyalı checkpoint, [stabilityai/stable-diffusion-xl-base-1.0](https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0) üzerinden yapılandırılır.

	Yerel dosyalarla çalışıyorsanız, yapılandırma dosyalarını [snapshot_download](https://huggingface.co/docs/huggingface_hub/main/en/package_reference/file_download#huggingface_hub.snapshot_download) yöntemiyle ve model kontrol noktasını [hf_hub_download](https://huggingface.co/docs/huggingface_hub/main/en/package_reference/file_download#huggingface_hub.hf_hub_download) ile indirin. Bu dosyalar [önbellek dizininize](https://huggingface.co/docs/huggingface_hub/en/guides/manage-cache) indirilir, ancak `local_dir` argümanını kullanarak belirli bir dizine indirebilirsiniz.

	```py
	from huggingface_hub import hf_hub_download, snapshot_download
	from diffusers import StableDiffusionXLPipeline

	my_local_checkpoint_path = hf_hub_download(
	repo_id="segmind/SSD-1B",
	filename="SSD-1B.safetensors"
	)

	my_local_config_path = snapshot_download(
	repo_id="segmind/SSD-1B",
	allow_patterns=[".json", "/.json", ".txt", "/.txt"]
	)

	pipeline = StableDiffusionXLPipeline.from_single_file(
	my_local_checkpoint_path, config=my_local_config_path, local_files_only=True
	)
	```

	### Simge bağlantısı

	Simge bağlantılarını desteklemeyen bir dosya sistemiyle çalışıyorsanız, kontrol noktası dosyasını önce `local_dir` parametresiyle yerel bir dizine indirin. `local_dir` parametresini kullanmak simge bağlantılarını otomatik olarak devre dışı bırakır.

	```py
	from huggingface_hub import hf_hub_download, snapshot_download
	from diffusers import StableDiffusionXLPipeline

	my_local_checkpoint_path = hf_hub_download(
	repo_id="segmind/SSD-1B",
	filename="SSD-1B.safetensors",
	local_dir="my_local_checkpoints",
	)
	print("My local checkpoint: ", my_local_checkpoint_path)

	my_local_config_path = snapshot_download(
	repo_id="segmind/SSD-1B",
	allow_patterns=[".json", "/.json", ".txt", "/.txt"]
	)
	print("My local config: ", my_local_config_path)
	```

	Bu yolları [from_single_file()](/docs/diffusers/main/tr/api/loaders/single_file#diffusers.loaders.FromSingleFileMixin.from_single_file) işlevine iletin.

	```py
	pipeline = StableDiffusionXLPipeline.from_single_file(
	my_local_checkpoint_path, config=my_local_config_path, local_files_only=True
	)
	```

	## Dosya türleri

	Modeller birden fazla dosya türünde saklanabilir. Safetensors en yaygın dosya türüdür ancak Hub'da veya difüzyon topluluğunda diğer dosya türleriyle karşılaşabilirsiniz.

	### safetensors

	[Safetensors](https://hf.co/docs/safetensors), tensörleri güvenli bir şekilde depolamak ve yüklemek için güvenli ve hızlı bir dosya türüdür. Belirli saldırı türlerini sınırlamak için başlık boyutunu kısıtlar, tembel yüklemeyi (lazy loading) destekler (dağıtık kurulumlar için faydalıdır) ve genel olarak daha hızlı yüklenir.

	Diffusers, safetensors dosyaları mevcut ve Safetensors kütüphanesi yüklüyse varsayılan olarak (zorunlu bir bağımlılık) safetensors dosyasını yükler.

	Safetensor dosyalarını yüklemek için [from_pretrained()](/docs/diffusers/main/tr/api/pipelines/overview#diffusers.DiffusionPipeline.from_pretrained) veya [from_single_file()](/docs/diffusers/main/tr/api/loaders/single_file#diffusers.loaders.FromSingleFileMixin.from_single_file) kullanın.

	```py
	import torch
	from diffusers import DiffusionPipeline, StableDiffusionXLPipeline

	pipeline = DiffusionPipeline.from_pretrained(
	"stabilityai/stable-diffusion-xl-base-1.0",
	dtype=torch.float16,
	device_map="cuda", # or "mps", "xpu", "cpu"
	)

	pipeline = StableDiffusionXLPipeline.from_single_file(
	"https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/blob/main/sd_xl_base_1.0.safetensors",
	dtype=torch.float16,
	)
	```

	Diffusers eğitim betiğiyle eğitilmiş bir checkpoint kullanıyorsanız, LoRA yapılandırması gibi meta veriler otomatik olarak kaydedilir. Dosya yüklendiğinde, bu meta veriler ayrıştırılır ve LoRA doğru şekilde yapılandırılır. Hub'daki dosyanın yanındaki simgesine tıklayarak safetensors dosyasının meta verilerini inceleyebilirsiniz.

	Diffusers ile eğitilmemiş kontrol noktaları için LoRA adaptör meta verilerini, bunları [save_lora_weights()](/docs/diffusers/main/tr/api/loaders/lora#diffusers.loaders.FluxLoraLoaderMixin.save_lora_weights) fonksiyonuna geçirerek kaydedin. Transformer için `transformer_lora_adapter_metadata`, metin kodlayıcı için `text_encoder_lora_adapter_metadata` kullanın. Ayrıca `save_directory` ve `transformer_lora_layers` veya `text_encoder_lora_layers` parametrelerinden en az birini de geçirmeniz gerekir. Bu yol yalnızca safetensors dosyaları için desteklenir.

	```py
	import torch
	from peft.utils import get_peft_model_state_dict
	from diffusers import FluxPipeline

	pipeline = FluxPipeline.from_pretrained(
	"black-forest-labs/FLUX.1-dev", dtype=torch.bfloat16, device_map="cuda" # or "mps", "xpu", "cpu"
	)
	pipeline.load_lora_weights("linoyts/yarn_art_Flux_LoRA")

	transformer_lora_layers = get_peft_model_state_dict(pipeline.transformer)
	pipeline.save_lora_weights(
	save_directory="path/to/lora",
	transformer_lora_layers=transformer_lora_layers,
	transformer_lora_adapter_metadata={"r": 8, "lora_alpha": 8},
	)
	```

	### ckpt

	Eski model ağırlıkları genellikle Python'un [pickle](https://docs.python.org/3/library/pickle.html) aracıyla bir ckpt dosyasında kaydedilir.

	Pickled dosyalar, kötü amaçlı kodun çalıştırılmasına izin verebileceği için güvensiz olabilir. Safetensors dosyaları kullanmak veya ağırlıkları safetensors dosyalarına dönüştürmek önerilir.

	Bir ckpt dosyasını yüklemek için [from_single_file()](/docs/diffusers/main/tr/api/loaders/single_file#diffusers.loaders.FromSingleFileMixin.from_single_file) kullanın.

	```py
	from diffusers import StableDiffusionPipeline

	pipeline = StableDiffusionPipeline.from_single_file(
	"https://huggingface.co/stable-diffusion-v1-5/stable-diffusion-v1-5/blob/main/v1-5-pruned.ckpt"
	)
	```

	### GGUF

	GGUF, önceden kuantize edilmiş ağırlıkları tek bir dosyada saklar. Diffusers, GGUF'i [GGUFQuantizationConfig](/docs/diffusers/main/tr/api/quantization#diffusers.GGUFQuantizationConfig) ile model [from_single_file()](/docs/diffusers/main/tr/api/loaders/single_file#diffusers.loaders.FromSingleFileMixin.from_single_file) üzerinden yükler. Pipeline düzeyinde GGUF yükleme desteklenmez.

	Kurulum adımları ve tam örnekler için [GGUF](../quantization/gguf) sayfasına bakın.

	```py
	import torch
	from diffusers import FluxTransformer2DModel, GGUFQuantizationConfig

	transformer = FluxTransformer2DModel.from_single_file(
	"https://huggingface.co/city96/FLUX.1-dev-gguf/blob/main/flux1-dev-Q2_K.gguf",
	quantization_config=GGUFQuantizationConfig(compute_dtype=torch.bfloat16),
	)
	```

	## Biçim ve dosyaları dönüştürme

	Diffusers, difüzyon ekosistemindeki daha fazla aracın bu formatları ve dosyaları kullanabilmesi için format ve dosya dönüştürme betikleri ve yöntemleri sağlar.

	Dönüştürme betiğini bulmak için [diffusers/scripts](https://github.com/huggingface/diffusers/tree/main/scripts) klasörüne göz atın. Sonuna `"to_diffusers"` eklenmiş betikler, bir modeli Diffusers biçimine dönüştürür. Her betiğin, dönüştürmeyi yapılandırmak için belirli bir argüman seti vardır. Kullanılabilir argümanları kontrol etmeyi unutmayın.

	Aşağıdaki örnek, Diffusers biçiminde saklanan bir modeli tek dosya biçimine dönüştürür. Dönüştürülecek modelin yolunu ve dönüştürülmüş modelin kaydedileceği konumu belirtin. İsteğe bağlı olarak, modelin hangi dosya türü ve veri türü olarak kaydedileceğini de belirtebilirsiniz.

	```bash
	python convert_diffusers_to_original_sdxl.py --model_path path/to/model/to/convert --checkpoint_path path/to/save/model/to --use_safetensors
	```

	[save_pretrained()](/docs/diffusers/main/tr/api/pipelines/overview#diffusers.DiffusionPipeline.save_pretrained) metodu, bir modeli Diffusers biçiminde de kaydeder ve her model için alt klasörlerin oluşturulmasını sağlar. Varsayılan olarak dosyaları safetensor dosyaları olarak kaydeder.

	```py
	from diffusers import StableDiffusionXLPipeline

	pipeline = StableDiffusionXLPipeline.from_single_file(
	"https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/blob/main/sd_xl_base_1.0.safetensors",
	)
	pipeline.save_pretrained("path/to/save/model")
	```

	## Sonraki adımlar

	- Tasarım kararları hakkında ve model ağırlıklarının kaydedilmesi ve yüklenmesi için neden [Safetensors audited as really safe and becoming the default](https://blog.eleuther.ai/safetensors-security-audit/) blog gönderisinde de belirtildiği gibi safetensor dosyalarının tercih edildiği hakkında daha fazla bilgi edinin.