diffusers/v0.43.0/fr/installation.md

Installation

Diffusers nécessite Python 3.10+ et est testé avec PyTorch 2.6+. Installez PyTorch en fonction de votre système et de votre configuration.

Créez un environnement virtuel pour une gestion plus aisée des projets distincts et pour éviter les problèmes de compatibilité entre les dépendances. Utilisez uv, un gestionnaire de paquets et de projets Python basé sur Rust, pour créer un environnement virtuel et installer Diffusers.

uv venv my-env
source my-env/bin/activate

Installez Diffusers à l'aide de l'une des méthodes suivantes.

uv pip install diffusers["torch"] transformers

Pour installer Diffusers avec PyTorch sur des appareils NVIDIA Spark (tels qu'un ordinateur portable RTX Spark) exécutant ARM64, installez PyTorch à partir de l'index PyPI de NVIDIA. Ces appareils nécessitent les versions ARM64 de PyTorch fournies par NVIDIA, qui ne sont pas disponibles sur l'index PyPI par défaut ni sur l'index standard des roues PyTorch.

Exécutez la commande ci-dessous pour vérifier si votre système détecte un GPU NVIDIA.

nvidia-smi

Installez PyTorch depuis l'index PyPI de NVIDIA, puis installez Diffusers.

uv pip install torch --index-url https://pypi.nvidia.com
uv pip install diffusers

conda install -c conda-forge diffusers

Une installation depuis la source installe la version main au lieu de la dernière version stable. La version main est utile pour rester à jour avec les dernières modifications, mais elle n'est pas toujours stable. Si vous rencontrez un problème, ouvrez un Issue et nous essaierons de le résoudre dans les plus brefs délais.

Vérifiez que Accelerate est installé.

uv pip install accelerate

Installez Diffusers à partir du code source avec la commande ci-dessous.

uv pip install git+https://github.com/huggingface/diffusers

Installez les extras lorsque vous en avez besoin. diffusers["torch"] installe PyTorch et Accelerate. D’autres extras couvrent les backends de quantification, l’entraînement et la documentation. Consultez setup.py pour la liste complète.

Appareils

Diffusers fonctionne sur tout accélérateur pris en charge par PyTorch. Les exemples tout au long de la documentation utilisent "cuda" car c'est la configuration la plus courante, mais rien n'est spécifique à CUDA. Remplacez la chaîne de caractères du dispositif par celle correspondant à votre matériel, par exemple "xpu" pour les GPU Intel, "mps" pour la puce Apple, ou "cpu".

device = "cuda"  # or "mps", "xpu", "cpu"
pipeline.to(device)

Pour sélectionner l'appareil à l'exécution plutôt que de le coder en dur, utilisez torch.accelerator.

import torch

device = torch.accelerator.current_accelerator().type if torch.accelerator.is_available() else "cpu"

Installation modifiable

Une installation en mode éditable est recommandée pour les flux de travail de développement ou si vous utilisez la version main du code source. Un lien spécial est créé entre le dépôt cloné et les chemins de la bibliothèque Python. Cela évite de réinstaller le paquet après chaque modification.

Clonez le dépôt et installez Diffusers à l'aide des commandes suivantes.

git clone https://github.com/huggingface/diffusers.git
cd diffusers
uv pip install -e ".[torch]"

Vous devez conserver le dossier diffusers si vous souhaitez continuer à utiliser la bibliothèque avec l'installation en mode éditable.

Mettez à jour votre dépôt cloné vers la dernière version de Diffusers avec la commande ci-dessous.

cd ~/diffusers/
git pull

Cache

Les poids et fichiers du modèle sont téléchargés depuis le Hub vers un cache, généralement situé dans votre répertoire personnel. Modifiez l’emplacement du cache à l’aide des variables d’environnement HF_HOME ou HF_HUB_CACHE, ou en configurant le paramètre cache_dir dans des méthodes telles que from_pretrained().

export HF_HOME="/path/to/your/cache"
export HF_HUB_CACHE="/path/to/your/hub/cache"

from diffusers import DiffusionPipeline

pipeline = DiffusionPipeline.from_pretrained(
    "black-forest-labs/FLUX.1-dev",
    cache_dir="/path/to/your/cache"
)

Les fichiers en cache vous permettent d’utiliser Diffusers hors ligne. Définissez la variable d’environnement HF_HUB_OFFLINE sur 1 pour empêcher Diffusers de se connecter à Internet.

export HF_HUB_OFFLINE=1

Pour plus de détails sur la gestion et le nettoyage du cache, consultez le guide Comprendre la mise en cache.

Journalisation de la télémétrie

Diffusers collecte des informations de télémétrie lors des requêtes from_pretrained(). Les données collectées incluent la version de Diffusers et de PyTorch, la classe de modèle ou de pipeline demandée, ainsi que le chemin vers un point de contrôle préentraîné s’il est hébergé sur le Hub.

Ces données d’utilisation nous aident à déboguer les problèmes et à prioriser les nouvelles fonctionnalités. La télémétrie n’est envoyée que lors du chargement de modèles et de pipelines depuis le Hub, et elle n’est pas collectée si vous chargez des fichiers locaux.

Désactivez la collecte de télémétrie avec la variable d’environnement HF_HUB_DISABLE_TELEMETRY.

export HF_HUB_DISABLE_TELEMETRY=1

set HF_HUB_DISABLE_TELEMETRY=1