Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /main /vi /modular_diffusers /custom_blocks.md

mishig

8 days ago

preview code

download

raw

13.9 kB

# Xây dựng các khối tùy chỉnh

[ModularPipelineBlocks](./pipeline_block) là các khối xây dựng cơ bản của một [ModularPipeline](/docs/diffusers/main/vi/api/modular_diffusers/pipeline#diffusers.ModularPipeline). Bạn có thể tạo các khối tùy chỉnh bằng cách xác định đầu vào, đầu ra và logic tính toán của chúng. Hướng dẫn này minh họa cách tạo và sử dụng một khối tùy chỉnh.

> [!TIP]
> Khám phá bộ sưu tập [Modular Diffusers Custom Blocks](https://huggingface.co/collections/diffusers/modular-diffusers-custom-blocks) để xem các khối tùy chỉnh chính thức.

## Cấu trúc dự án

Dự án khối tùy chỉnh của bạn nên sử dụng cấu trúc sau:

```shell
.
├── block.py
└── modular_config.json
```

- `block.py` chứa cài đặt khối tùy chỉnh
- `modular_config.json` chứa các metadata cần thiết để nạp khối

## Bắt đầu nhanh với Mẫu

Cách nhanh nhất để tạo một khối tùy chỉnh là bắt đầu từ mẫu của chúng tôi. Mẫu cung cấp cấu trúc dự án đã được cấu hình sẵn với các tệp `block.py` và `modular_config.json`, cùng các ví dụ có chú thích cho thấy cách định nghĩa các thành phần, đầu vào, đầu ra và phương thức `__call__`—để bạn có thể tập trung vào logic tùy chỉnh của mình thay vì các bước thiết lập lặp lại.

### Tải xuống mẫu

```python
from diffusers import ModularPipelineBlocks
model_id = "diffusers/custom-block-template"
local_dir = model_id.split("/")[-1]
blocks = ModularPipelineBlocks.from_pretrained(
    model_id, 
    trust_remote_code=True, 
    local_dir=local_dir
)
```

Điều này lưu các tệp mẫu vào `custom-block-template/` cục bộ hoặc bạn có thể sử dụng `local_dir` để lưu vào một vị trí cụ thể.

### Chỉnh sửa cục bộ

Mở `block.py` và triển khai block tùy chỉnh của bạn. Mẫu bao gồm các ví dụ được chú thích cho thấy cách định nghĩa từng thuộc tính. Xem [ví dụ Florence-2](#example-florence-2-image-annotator) bên dưới để có một triển khai hoàn chỉnh.

### Kiểm tra khối của bạn

```python
from diffusers import ModularPipelineBlocks
blocks = ModularPipelineBlocks.from_pretrained(local_dir, trust_remote_code=True)
pipeline = blocks.init_pipeline()
output = pipeline(...)  # your inputs here
```

### Tải lên Hub

```python
pipeline.save_pretrained(local_dir, repo_id="your-username/your-block-name", push_to_hub=True)
```

## Ví dụ: Công cụ chú thích hình ảnh Florence-2

Ví dụ này tạo một khối tùy chỉnh với [Florence-2](https://huggingface.co/docs/transformers/model_doc/florence2) để xử lý một hình ảnh đầu vào và tạo ra một mask cho inpainting.

### Định nghĩa các thành phần

Định nghĩa các thành phần mà khối cần, `Florence2ForConditionalGeneration` và bộ xử lý của nó. Khi định nghĩa các thành phần, hãy chỉ định `name` (cách bạn sẽ truy cập nó trong mã), `type_hint` (lớp mô hình), và `pretrained_model_name_or_path` (nơi để tải trọng số từ).

```python
# Inside block.py
from diffusers.modular_pipelines import ModularPipelineBlocks, ComponentSpec
from transformers import AutoProcessor, Florence2ForConditionalGeneration
class Florence2ImageAnnotatorBlock(ModularPipelineBlocks):
    @property
    def expected_components(self):
        return [
            ComponentSpec(
                name="image_annotator",
                type_hint=Florence2ForConditionalGeneration,
                pretrained_model_name_or_path="florence-community/Florence-2-base-ft",
            ),
            ComponentSpec(
                name="image_annotator_processor",
                type_hint=AutoProcessor,
                pretrained_model_name_or_path="florence-community/Florence-2-base-ft",
            ),
        ]
```

### Định nghĩa đầu vào và đầu ra

Đầu vào bao gồm hình ảnh, tác vụ chú thích và prompt. Đầu ra bao gồm mask được tạo ra và các chú thích.

```python
from typing import List, Union
from PIL import Image
from diffusers.modular_pipelines import InputParam, OutputParam
class Florence2ImageAnnotatorBlock(ModularPipelineBlocks):
    # ... expected_components from above ...
    @property
    def inputs(self) -> List[InputParam]:
        return [
            InputParam(
                "image",
                type_hint=Union[Image.Image, List[Image.Image]],
                required=True,
                description="Image(s) to annotate",
            ),
            InputParam(
                "annotation_task",
                type_hint=str,
                default="<REFERRING_EXPRESSION_SEGMENTATION>",
                description="Annotation task to perform (e.g., <OD>, <CAPTION>, <REFERRING_EXPRESSION_SEGMENTATION>)",
            ),
            InputParam(
                "annotation_prompt",
                type_hint=str,
                required=True,
                description="Prompt to provide context for the annotation task",
            ),
            InputParam(
                "annotation_output_type",
                type_hint=str,
                default="mask_image",
                description="Output type: 'mask_image', 'mask_overlay', or 'bounding_box'",
            ),
        ]
    @property
    def intermediate_outputs(self) -> List[OutputParam]:
        return [
            OutputParam(
                "mask_image",
                type_hint=Image.Image,
                description="Inpainting mask for the input image",
            ),
            OutputParam(
                "annotations",
                type_hint=dict,
                description="Raw annotation predictions",
            ),
            OutputParam(
                "image",
                type_hint=Image.Image,
                description="Annotated image",
            ),
        ]
```

### Thực hiện phương thức `__call__`

Phương thức `__call__` chứa logic của khối. Truy cập đầu vào thông qua `block_state`, thực hiện phép tính của bạn và gán đầu ra trở lại `block_state`.

```python
import torch
from diffusers.modular_pipelines import PipelineState
class Florence2ImageAnnotatorBlock(ModularPipelineBlocks):
    # ... expected_components, inputs, intermediate_outputs from above ...
    @torch.no_grad()
    def __call__(self, components, state: PipelineState) -> PipelineState:
        block_state = self.get_block_state(state)
        
        images, annotation_task_prompt = self.prepare_inputs(
            block_state.image, block_state.annotation_prompt
        )
        task = block_state.annotation_task
        fill = block_state.fill
        
        annotations = self.get_annotations(
            components, images, annotation_task_prompt, task
        )
        block_state.annotations = annotations
        if block_state.annotation_output_type == "mask_image":
            block_state.mask_image = self.prepare_mask(images, annotations)
        else:
            block_state.mask_image = None
        if block_state.annotation_output_type == "mask_overlay":
            block_state.image = self.prepare_mask(images, annotations, overlay=True, fill=fill)
        elif block_state.annotation_output_type == "bounding_box":
            block_state.image = self.prepare_bounding_boxes(images, annotations)
        self.set_block_state(state, block_state)
        return components, state
    
    # Helper methods for mask/bounding box generation...
```

> [!TIP]
> Xem cài đặt hoàn chỉnh tại [diffusers/Florence2-image-Annotator](https://huggingface.co/diffusers/Florence2-image-Annotator).

## Sử dụng Khối Tùy Chỉnh

Tải một khối tùy chỉnh bằng [from_pretrained()](/docs/diffusers/main/vi/api/modular_diffusers/pipeline#diffusers.ModularPipeline.from_pretrained) và đặt `trust_remote_code=True`.

```py
import torch
from diffusers import ModularPipeline
from diffusers.utils import load_image
# Load the Florence-2 annotator pipeline
image_annotator = ModularPipeline.from_pretrained(
    "diffusers/Florence2-image-Annotator",
    trust_remote_code=True
)
# Check the docstring to see inputs/outputs
print(image_annotator.blocks.doc)
```

Sử dụng khối để tạo một mặt nạ:

```python
image_annotator.load_components(dtype=torch.bfloat16)
image_annotator.to("cuda")  # or "mps", "xpu", "cpu"
image = load_image("https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg")
image = image.resize((1024, 1024))
prompt = ["A red car"]
annotation_task = "<REFERRING_EXPRESSION_SEGMENTATION>"
annotation_prompt = ["the car"]
mask_image = image_annotator_node(
    prompt=prompt,
    image=image,
    annotation_task=annotation_task,
    annotation_prompt=annotation_prompt,
    annotation_output_type="mask_image",
).images
mask_image[0].save("car-mask.png")
```

Kết hợp với các khối khác để tạo một pipeline mới:

```python
# Get the annotator block
annotator_block = image_annotator.blocks
# Get an inpainting workflow and insert the annotator at the beginning
inpaint_blocks = ModularPipeline.from_pretrained("Qwen/Qwen-Image").blocks.get_workflow("inpainting")
inpaint_blocks.sub_blocks.insert("image_annotator", annotator_block, 0)
# Initialize the combined pipeline
pipe = inpaint_blocks.init_pipeline()
pipe.load_components(dtype=torch.float16, device="cuda")  # or "mps", "xpu", "cpu"
# Now the pipeline automatically generates masks from prompts
output = pipe(
    prompt=prompt,
    image=image,
    annotation_task=annotation_task,
    annotation_prompt=annotation_prompt,
    annotation_output_type="mask_image",
    num_inference_steps=35,
    guidance_scale=7.5,
    strength=0.95,
    output="images"
)
output[0].save("florence-inpainting.png")
```

## Chỉnh sửa các khối tùy chỉnh

Chỉnh sửa các khối tùy chỉnh bằng cách tải xuống cục bộ. Đây là quy trình làm việc giống với [Bắt đầu nhanh với Mẫu](#quick-start-with-template), nhưng bắt đầu từ một khối có sẵn thay vì từ mẫu.

Sử dụng đối số `local_dir` để tải một khối tùy chỉnh xuống một thư mục cụ thể:

```python
from diffusers import ModularPipelineBlocks
# Download to a local folder for editing
annotator_block = ModularPipelineBlocks.from_pretrained(
    "diffusers/Florence2-image-Annotator",
    trust_remote_code=True,
    local_dir="./my-florence-block"
)
```

Mọi thay đổi được thực hiện trên các tệp khối trong thư mục này sẽ được phản ánh khi bạn tải khối lại. Khi bạn sẵn sàng chia sẻ các thay đổi của mình, hãy tải lên một kho lưu trữ mới:

```python
pipeline = annotator_block.init_pipeline()
pipeline.save_pretrained("./my-florence-block", repo_id="your-username/my-custom-florence", push_to_hub=True)
```

## Các bước tiếp theo

Hướng dẫn này đã đề cập đến việc tạo một khối tùy chỉnh đơn lẻ. Tìm hiểu cách kết hợp nhiều khối lại với nhau:

- [SequentialPipelineBlocks](./sequential_pipeline_blocks): Xâu các khối để thực hiện tuần tự
- [ConditionalPipelineBlocks](./auto_pipeline_blocks): Tạo các khối có điều kiện để chọn các đường dẫn thực thi khác nhau
- [LoopSequentialPipelineBlocks](./loop_sequential_pipeline_blocks): Định nghĩa các quy trình làm việc lặp lại như vòng lặp khử nhiễu

Kể block tùy chỉnh của bạn hoạt động với giao diện trực quan của Mellon. Xem hướng dẫn [Mellon Custom Blocks](./mellon).

Duyệt bộ sưu tập [Modular Diffusers Custom Blocks](https://huggingface.co/collections/diffusers/modular-diffusers-custom-blocks) để tìm cảm hứng và các khối sẵn sàng sử dụng.

## Phụ thuộc

Việc khai báo các phụ thuộc gói trong các khối tùy chỉnh giúp ngăn chặn các lỗi import thời gian chạy sau này. Diffusers sẽ xác thực các phụ thuộc và trả về một cảnh báo nếu một gói bị thiếu hoặc không tương thích.

Đặt thuộc tính `_requirements` trong lớp block của bạn, ánh xạ tên gói đến bộ chỉ định phiên bản.

```py
from diffusers.modular_pipelines import PipelineBlock
class MyCustomBlock(PipelineBlock):
    _requirements = {
        "transformers": ">=4.44.0",
        "sentencepiece": ">=0.2.0"
    }
```

Khi có các khối có yêu cầu khác nhau, Diffusers sẽ gộp các yêu cầu của chúng lại.

```py
from diffusers.modular_pipelines import SequentialPipelineBlocks
class BlockA(PipelineBlock):
    _requirements = {"transformers": ">=4.44.0"}
    # ...
class BlockB(PipelineBlock):
    _requirements = {"sentencepiece": ">=0.2.0"}
    # ...
pipe = SequentialPipelineBlocks.from_blocks_dict({
    "block_a": BlockA,
    "block_b": BlockB,
})
```

Khi khối này được lưu bằng [save_pretrained()](/docs/diffusers/main/vi/api/modular_diffusers/pipeline#diffusers.ModularPipeline.save_pretrained), các yêu cầu sẽ được lưu vào tệp `modular_config.json`. Khi khối này được tải, Diffusers sẽ kiểm tra từng yêu cầu so với môi trường hiện tại. Nếu có sự không khớp hoặc một gói không được tìm thấy, Diffusers sẽ trả về cảnh báo sau.

```md
# missing package
xyz-package was specified in the requirements but wasn't found in the current environment.
# version mismatch
xyz requirement 'specific-version' is not satisfied by the installed version 'actual-version'. Things might work unexpected.
```

Xet Storage Details

Size:: 13.9 kB
Xet hash:: fc2a494d485e040854d1145aaf4d27a903af664738967e29fee844e97c694904

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

	# Xây dựng các khối tùy chỉnh

	[ModularPipelineBlocks](./pipeline_block) là các khối xây dựng cơ bản của một [ModularPipeline](/docs/diffusers/main/vi/api/modular_diffusers/pipeline#diffusers.ModularPipeline). Bạn có thể tạo các khối tùy chỉnh bằng cách xác định đầu vào, đầu ra và logic tính toán của chúng. Hướng dẫn này minh họa cách tạo và sử dụng một khối tùy chỉnh.

	> [!TIP]
	> Khám phá bộ sưu tập [Modular Diffusers Custom Blocks](https://huggingface.co/collections/diffusers/modular-diffusers-custom-blocks) để xem các khối tùy chỉnh chính thức.

	## Cấu trúc dự án

	Dự án khối tùy chỉnh của bạn nên sử dụng cấu trúc sau:

	```shell
	.
	├── block.py
	└── modular_config.json
	```

	- `block.py` chứa cài đặt khối tùy chỉnh
	- `modular_config.json` chứa các metadata cần thiết để nạp khối

	## Bắt đầu nhanh với Mẫu

	Cách nhanh nhất để tạo một khối tùy chỉnh là bắt đầu từ mẫu của chúng tôi. Mẫu cung cấp cấu trúc dự án đã được cấu hình sẵn với các tệp `block.py` và `modular_config.json`, cùng các ví dụ có chú thích cho thấy cách định nghĩa các thành phần, đầu vào, đầu ra và phương thức `__call__`—để bạn có thể tập trung vào logic tùy chỉnh của mình thay vì các bước thiết lập lặp lại.

	### Tải xuống mẫu

	```python
	from diffusers import ModularPipelineBlocks

	model_id = "diffusers/custom-block-template"
	local_dir = model_id.split("/")[-1]

	blocks = ModularPipelineBlocks.from_pretrained(
	model_id,
	trust_remote_code=True,
	local_dir=local_dir
	)
	```

	Điều này lưu các tệp mẫu vào `custom-block-template/` cục bộ hoặc bạn có thể sử dụng `local_dir` để lưu vào một vị trí cụ thể.

	### Chỉnh sửa cục bộ

	Mở `block.py` và triển khai block tùy chỉnh của bạn. Mẫu bao gồm các ví dụ được chú thích cho thấy cách định nghĩa từng thuộc tính. Xem [ví dụ Florence-2](#example-florence-2-image-annotator) bên dưới để có một triển khai hoàn chỉnh.

	### Kiểm tra khối của bạn

	```python
	from diffusers import ModularPipelineBlocks

	blocks = ModularPipelineBlocks.from_pretrained(local_dir, trust_remote_code=True)
	pipeline = blocks.init_pipeline()
	output = pipeline(...) # your inputs here
	```

	### Tải lên Hub

	```python
	pipeline.save_pretrained(local_dir, repo_id="your-username/your-block-name", push_to_hub=True)
	```

	## Ví dụ: Công cụ chú thích hình ảnh Florence-2

	Ví dụ này tạo một khối tùy chỉnh với [Florence-2](https://huggingface.co/docs/transformers/model_doc/florence2) để xử lý một hình ảnh đầu vào và tạo ra một mask cho inpainting.

	### Định nghĩa các thành phần

	Định nghĩa các thành phần mà khối cần, `Florence2ForConditionalGeneration` và bộ xử lý của nó. Khi định nghĩa các thành phần, hãy chỉ định `name` (cách bạn sẽ truy cập nó trong mã), `type_hint` (lớp mô hình), và `pretrained_model_name_or_path` (nơi để tải trọng số từ).

	```python
	# Inside block.py
	from diffusers.modular_pipelines import ModularPipelineBlocks, ComponentSpec
	from transformers import AutoProcessor, Florence2ForConditionalGeneration

	class Florence2ImageAnnotatorBlock(ModularPipelineBlocks):

	@property
	def expected_components(self):
	return [
	ComponentSpec(
	name="image_annotator",
	type_hint=Florence2ForConditionalGeneration,
	pretrained_model_name_or_path="florence-community/Florence-2-base-ft",
	),
	ComponentSpec(
	name="image_annotator_processor",
	type_hint=AutoProcessor,
	pretrained_model_name_or_path="florence-community/Florence-2-base-ft",
	),
	]
	```

	### Định nghĩa đầu vào và đầu ra

	Đầu vào bao gồm hình ảnh, tác vụ chú thích và prompt. Đầu ra bao gồm mask được tạo ra và các chú thích.

	```python
	from typing import List, Union
	from PIL import Image
	from diffusers.modular_pipelines import InputParam, OutputParam

	class Florence2ImageAnnotatorBlock(ModularPipelineBlocks):

	# ... expected_components from above ...

	@property
	def inputs(self) -> List[InputParam]:
	return [
	InputParam(
	"image",
	type_hint=Union[Image.Image, List[Image.Image]],
	required=True,
	description="Image(s) to annotate",
	),
	InputParam(
	"annotation_task",
	type_hint=str,
	default="<REFERRING_EXPRESSION_SEGMENTATION>",
	description="Annotation task to perform (e.g., <OD>, <CAPTION>, <REFERRING_EXPRESSION_SEGMENTATION>)",
	),
	InputParam(
	"annotation_prompt",
	type_hint=str,
	required=True,
	description="Prompt to provide context for the annotation task",
	),
	InputParam(
	"annotation_output_type",
	type_hint=str,
	default="mask_image",
	description="Output type: 'mask_image', 'mask_overlay', or 'bounding_box'",
	),
	]

	@property
	def intermediate_outputs(self) -> List[OutputParam]:
	return [
	OutputParam(
	"mask_image",
	type_hint=Image.Image,
	description="Inpainting mask for the input image",
	),
	OutputParam(
	"annotations",
	type_hint=dict,
	description="Raw annotation predictions",
	),
	OutputParam(
	"image",
	type_hint=Image.Image,
	description="Annotated image",
	),
	]
	```

	### Thực hiện phương thức `__call__`

	Phương thức `__call__` chứa logic của khối. Truy cập đầu vào thông qua `block_state`, thực hiện phép tính của bạn và gán đầu ra trở lại `block_state`.

	```python
	import torch
	from diffusers.modular_pipelines import PipelineState

	class Florence2ImageAnnotatorBlock(ModularPipelineBlocks):

	# ... expected_components, inputs, intermediate_outputs from above ...

	@torch.no_grad()
	def __call__(self, components, state: PipelineState) -> PipelineState:
	block_state = self.get_block_state(state)

	images, annotation_task_prompt = self.prepare_inputs(
	block_state.image, block_state.annotation_prompt
	)
	task = block_state.annotation_task
	fill = block_state.fill

	annotations = self.get_annotations(
	components, images, annotation_task_prompt, task
	)
	block_state.annotations = annotations
	if block_state.annotation_output_type == "mask_image":
	block_state.mask_image = self.prepare_mask(images, annotations)
	else:
	block_state.mask_image = None

	if block_state.annotation_output_type == "mask_overlay":
	block_state.image = self.prepare_mask(images, annotations, overlay=True, fill=fill)

	elif block_state.annotation_output_type == "bounding_box":
	block_state.image = self.prepare_bounding_boxes(images, annotations)

	self.set_block_state(state, block_state)

	return components, state

	# Helper methods for mask/bounding box generation...
	```

	> [!TIP]
	> Xem cài đặt hoàn chỉnh tại [diffusers/Florence2-image-Annotator](https://huggingface.co/diffusers/Florence2-image-Annotator).

	## Sử dụng Khối Tùy Chỉnh

	Tải một khối tùy chỉnh bằng [from_pretrained()](/docs/diffusers/main/vi/api/modular_diffusers/pipeline#diffusers.ModularPipeline.from_pretrained) và đặt `trust_remote_code=True`.

	```py
	import torch
	from diffusers import ModularPipeline
	from diffusers.utils import load_image

	# Load the Florence-2 annotator pipeline
	image_annotator = ModularPipeline.from_pretrained(
	"diffusers/Florence2-image-Annotator",
	trust_remote_code=True
	)

	# Check the docstring to see inputs/outputs
	print(image_annotator.blocks.doc)
	```

	Sử dụng khối để tạo một mặt nạ:

	```python
	image_annotator.load_components(dtype=torch.bfloat16)
	image_annotator.to("cuda") # or "mps", "xpu", "cpu"

	image = load_image("https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg")
	image = image.resize((1024, 1024))
	prompt = ["A red car"]
	annotation_task = "<REFERRING_EXPRESSION_SEGMENTATION>"
	annotation_prompt = ["the car"]

	mask_image = image_annotator_node(
	prompt=prompt,
	image=image,
	annotation_task=annotation_task,
	annotation_prompt=annotation_prompt,
	annotation_output_type="mask_image",
	).images
	mask_image[0].save("car-mask.png")
	```

	Kết hợp với các khối khác để tạo một pipeline mới:

	```python
	# Get the annotator block
	annotator_block = image_annotator.blocks

	# Get an inpainting workflow and insert the annotator at the beginning
	inpaint_blocks = ModularPipeline.from_pretrained("Qwen/Qwen-Image").blocks.get_workflow("inpainting")
	inpaint_blocks.sub_blocks.insert("image_annotator", annotator_block, 0)

	# Initialize the combined pipeline
	pipe = inpaint_blocks.init_pipeline()
	pipe.load_components(dtype=torch.float16, device="cuda") # or "mps", "xpu", "cpu"

	# Now the pipeline automatically generates masks from prompts
	output = pipe(
	prompt=prompt,
	image=image,
	annotation_task=annotation_task,
	annotation_prompt=annotation_prompt,
	annotation_output_type="mask_image",
	num_inference_steps=35,
	guidance_scale=7.5,
	strength=0.95,
	output="images"
	)
	output[0].save("florence-inpainting.png")
	```

	## Chỉnh sửa các khối tùy chỉnh

	Chỉnh sửa các khối tùy chỉnh bằng cách tải xuống cục bộ. Đây là quy trình làm việc giống với [Bắt đầu nhanh với Mẫu](#quick-start-with-template), nhưng bắt đầu từ một khối có sẵn thay vì từ mẫu.

	Sử dụng đối số `local_dir` để tải một khối tùy chỉnh xuống một thư mục cụ thể:

	```python
	from diffusers import ModularPipelineBlocks

	# Download to a local folder for editing
	annotator_block = ModularPipelineBlocks.from_pretrained(
	"diffusers/Florence2-image-Annotator",
	trust_remote_code=True,
	local_dir="./my-florence-block"
	)
	```

	Mọi thay đổi được thực hiện trên các tệp khối trong thư mục này sẽ được phản ánh khi bạn tải khối lại. Khi bạn sẵn sàng chia sẻ các thay đổi của mình, hãy tải lên một kho lưu trữ mới:

	```python
	pipeline = annotator_block.init_pipeline()
	pipeline.save_pretrained("./my-florence-block", repo_id="your-username/my-custom-florence", push_to_hub=True)
	```

	## Các bước tiếp theo

	Hướng dẫn này đã đề cập đến việc tạo một khối tùy chỉnh đơn lẻ. Tìm hiểu cách kết hợp nhiều khối lại với nhau:

	- [SequentialPipelineBlocks](./sequential_pipeline_blocks): Xâu các khối để thực hiện tuần tự
	- [ConditionalPipelineBlocks](./auto_pipeline_blocks): Tạo các khối có điều kiện để chọn các đường dẫn thực thi khác nhau
	- [LoopSequentialPipelineBlocks](./loop_sequential_pipeline_blocks): Định nghĩa các quy trình làm việc lặp lại như vòng lặp khử nhiễu

	Kể block tùy chỉnh của bạn hoạt động với giao diện trực quan của Mellon. Xem hướng dẫn [Mellon Custom Blocks](./mellon).

	Duyệt bộ sưu tập [Modular Diffusers Custom Blocks](https://huggingface.co/collections/diffusers/modular-diffusers-custom-blocks) để tìm cảm hứng và các khối sẵn sàng sử dụng.

	## Phụ thuộc

	Việc khai báo các phụ thuộc gói trong các khối tùy chỉnh giúp ngăn chặn các lỗi import thời gian chạy sau này. Diffusers sẽ xác thực các phụ thuộc và trả về một cảnh báo nếu một gói bị thiếu hoặc không tương thích.

	Đặt thuộc tính `_requirements` trong lớp block của bạn, ánh xạ tên gói đến bộ chỉ định phiên bản.

	```py
	from diffusers.modular_pipelines import PipelineBlock

	class MyCustomBlock(PipelineBlock):
	_requirements = {
	"transformers": ">=4.44.0",
	"sentencepiece": ">=0.2.0"
	}
	```

	Khi có các khối có yêu cầu khác nhau, Diffusers sẽ gộp các yêu cầu của chúng lại.

	```py
	from diffusers.modular_pipelines import SequentialPipelineBlocks

	class BlockA(PipelineBlock):
	_requirements = {"transformers": ">=4.44.0"}
	# ...

	class BlockB(PipelineBlock):
	_requirements = {"sentencepiece": ">=0.2.0"}
	# ...

	pipe = SequentialPipelineBlocks.from_blocks_dict({
	"block_a": BlockA,
	"block_b": BlockB,
	})
	```

	Khi khối này được lưu bằng [save_pretrained()](/docs/diffusers/main/vi/api/modular_diffusers/pipeline#diffusers.ModularPipeline.save_pretrained), các yêu cầu sẽ được lưu vào tệp `modular_config.json`. Khi khối này được tải, Diffusers sẽ kiểm tra từng yêu cầu so với môi trường hiện tại. Nếu có sự không khớp hoặc một gói không được tìm thấy, Diffusers sẽ trả về cảnh báo sau.

	```md
	# missing package
	xyz-package was specified in the requirements but wasn't found in the current environment.

	# version mismatch
	xyz requirement 'specific-version' is not satisfied by the installed version 'actual-version'. Things might work unexpected.
	```