Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /v0.43.0 /fr /modular_diffusers /custom_blocks.md

mishig

2 days ago

preview code

download

raw

13.6 kB

# Création de blocs personnalisés

Les [ModularPipelineBlocks](./pipeline_block) sont les briques de base d'un [ModularPipeline](/docs/diffusers/v0.43.0/fr/api/modular_diffusers/pipeline#diffusers.ModularPipeline). Vous pouvez créer des blocs personnalisés en définissant leurs entrées, leurs sorties et leur logique de calcul. Ce guide montre comment créer et utiliser un bloc personnalisé.

> [!TIP]
> Explorez la collection [Modular Diffusers Custom Blocks](https://huggingface.co/collections/diffusers/modular-diffusers-custom-blocks) pour les blocs personnalisés officiels.

## Structure du projet

Votre projet de bloc personnalisé doit utiliser la structure suivante :

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

- `block.py` contient l'implémentation du bloc personnalisé
- `modular_config.json` contient les métadonnées nécessaires pour charger le bloc

## Démarrage rapide avec un modèle

La méthode la plus rapide pour créer un bloc personnalisé consiste à partir de notre modèle. Le modèle fournit une structure de projet préconfigurée avec les fichiers `block.py` et `modular_config.json`, ainsi que des exemples commentés montrant comment définir les composants, les entrées, les sorties et la méthode `__call__`—vous permettant ainsi de vous concentrer sur votre logique personnalisée plutôt que sur la configuration de base.

### Télécharger le modèle

```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
)
```

Cela enregistre les fichiers de modèle dans `custom-block-template/` localement, ou vous pouvez utiliser `local_dir` pour les enregistrer à un emplacement spécifique.

### Modifier localement

Ouvrez `block.py` et implémentez votre bloc personnalisé. Le modèle contient des exemples commentés montrant comment définir chaque propriété. Consultez l'[exemple Florence-2](#example-florence-2-image-annotator) ci-dessous pour une implémentation complète.

### Testez votre bloc

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

### Téléverser sur le Hub

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

## Exemple : Annotateur d'images Florence-2

Cet exemple crée un bloc personnalisé avec [Florence-2](https://huggingface.co/docs/transformers/model_doc/florence2) pour traiter une image d'entrée et générer un masque pour l'inpainting.

### Définir des composants

Définissez les composants dont le bloc a besoin, `Florence2ForConditionalGeneration` et son processeur. Lors de la définition des composants, spécifiez le `name` (la manière dont vous y accéderez dans le code), le `type_hint` (la classe du modèle) et le `pretrained_model_name_or_path` (l’emplacement de chargement des poids).

```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",
            ),
        ]
```

### Définir les entrées et les sorties

Les entrées comprennent l'image, la tâche d'annotation et le prompt. Les sorties comprennent le masque généré et les annotations.

```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",
            ),
        ]
```

### Implémenter la méthode `__call__`

La méthode `__call__` contient la logique du bloc. Accédez aux entrées via `block_state`, exécutez votre calcul, puis réaffectez les sorties à `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]
> Consultez l'implémentation complète sur [diffusers/Florence2-image-Annotator](https://huggingface.co/diffusers/Florence2-image-Annotator).

## Utilisation de blocs personnalisés

Chargez un bloc personnalisé avec [from_pretrained()](/docs/diffusers/v0.43.0/fr/api/modular_diffusers/pipeline#diffusers.ModularPipeline.from_pretrained) et définissez `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)
```

Utilisez le bloc pour générer un masque :

```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")
```

Composez-le avec d'autres blocs pour créer un nouveau pipeline :

```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")
```

## Édition de blocs personnalisés

Modifier des blocs personnalisés en les téléchargeant localement. Il s’agit du même flux de travail que le [Démarrage rapide avec un modèle](#quick-start-with-template), mais en partant d’un bloc existant plutôt que du modèle.

Utilisez l'argument `local_dir` pour télécharger un bloc personnalisé dans un dossier spécifique :

```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"
)
```

Toute modification apportée aux fichiers de blocs de ce dossier sera prise en compte lors du rechargement du bloc. Lorsque vous êtes prêt à partager vos modifications, téléversez-les dans un nouveau dépôt :

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

## Étapes suivantes

Ce guide a couvert la création d'un bloc personnalisé unique. Découvrez comment composer plusieurs blocs ensemble :

- [SequentialPipelineBlocks](./sequential_pipeline_blocks) : Enchaîner des blocs pour les exécuter séquentiellement
- [ConditionalPipelineBlocks](./auto_pipeline_blocks) : crée des blocs conditionnels qui sélectionnent différents chemins d'exécution
- [LoopSequentialPipelineBlocks](./loop_sequential_pipeline_blocks) : définit des workflows itératifs comme la boucle de débruitage

Faites en sorte que votre bloc personnalisé fonctionne avec l'interface visuelle de Mellon. Consultez le guide [Mellon Custom Blocks](./mellon).

Parcourez la collection [Modular Diffusers Custom Blocks](https://huggingface.co/collections/diffusers/modular-diffusers-custom-blocks) pour trouver de l'inspiration et des blocs prêts à l'emploi.

## Dépendances

Déclarer les dépendances de paquets dans les blocs personnalisés permet d'éviter les erreurs d'importation au moment de l'exécution. Diffusers valide les dépendances et renvoie un avertissement si un paquet est manquant ou incompatible.

Définissez un attribut `_requirements` dans votre classe de bloc, associant les noms de packages aux spécificateurs de version.

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

Lorsqu'il existe des blocs aux exigences différentes, Diffusers fusionne leurs exigences.

```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,
})
```

Lorsque ce bloc est enregistré avec [save_pretrained()](/docs/diffusers/v0.43.0/fr/api/modular_diffusers/pipeline#diffusers.ModularPipeline.save_pretrained), les dépendances sont enregistrées dans le fichier `modular_config.json`. Lors du chargement de ce bloc, Diffusers vérifie chaque dépendance par rapport à l'environnement actuel. En cas d'incompatibilité ou si un package n'est pas trouvé, Diffusers renvoie l'avertissement suivant.

```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:: 13.6 kB
Xet hash:: 4d4e49797817930634716c00a03f779f311ab6b03669754563ee4ac42d310ae9

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

	# Création de blocs personnalisés

	Les [ModularPipelineBlocks](./pipeline_block) sont les briques de base d'un [ModularPipeline](/docs/diffusers/v0.43.0/fr/api/modular_diffusers/pipeline#diffusers.ModularPipeline). Vous pouvez créer des blocs personnalisés en définissant leurs entrées, leurs sorties et leur logique de calcul. Ce guide montre comment créer et utiliser un bloc personnalisé.

	> [!TIP]
	> Explorez la collection [Modular Diffusers Custom Blocks](https://huggingface.co/collections/diffusers/modular-diffusers-custom-blocks) pour les blocs personnalisés officiels.

	## Structure du projet

	Votre projet de bloc personnalisé doit utiliser la structure suivante :

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

	- `block.py` contient l'implémentation du bloc personnalisé
	- `modular_config.json` contient les métadonnées nécessaires pour charger le bloc

	## Démarrage rapide avec un modèle

	La méthode la plus rapide pour créer un bloc personnalisé consiste à partir de notre modèle. Le modèle fournit une structure de projet préconfigurée avec les fichiers `block.py` et `modular_config.json`, ainsi que des exemples commentés montrant comment définir les composants, les entrées, les sorties et la méthode `__call__`—vous permettant ainsi de vous concentrer sur votre logique personnalisée plutôt que sur la configuration de base.

	### Télécharger le modèle

	```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
	)
	```

	Cela enregistre les fichiers de modèle dans `custom-block-template/` localement, ou vous pouvez utiliser `local_dir` pour les enregistrer à un emplacement spécifique.

	### Modifier localement

	Ouvrez `block.py` et implémentez votre bloc personnalisé. Le modèle contient des exemples commentés montrant comment définir chaque propriété. Consultez l'[exemple Florence-2](#example-florence-2-image-annotator) ci-dessous pour une implémentation complète.

	### Testez votre bloc

	```python
	from diffusers import ModularPipelineBlocks

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

	### Téléverser sur le Hub

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

	## Exemple : Annotateur d'images Florence-2

	Cet exemple crée un bloc personnalisé avec [Florence-2](https://huggingface.co/docs/transformers/model_doc/florence2) pour traiter une image d'entrée et générer un masque pour l'inpainting.

	### Définir des composants

	Définissez les composants dont le bloc a besoin, `Florence2ForConditionalGeneration` et son processeur. Lors de la définition des composants, spécifiez le `name` (la manière dont vous y accéderez dans le code), le `type_hint` (la classe du modèle) et le `pretrained_model_name_or_path` (l’emplacement de chargement des poids).

	```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",
	),
	]
	```

	### Définir les entrées et les sorties

	Les entrées comprennent l'image, la tâche d'annotation et le prompt. Les sorties comprennent le masque généré et les annotations.

	```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",
	),
	]
	```

	### Implémenter la méthode `__call__`

	La méthode `__call__` contient la logique du bloc. Accédez aux entrées via `block_state`, exécutez votre calcul, puis réaffectez les sorties à `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]
	> Consultez l'implémentation complète sur [diffusers/Florence2-image-Annotator](https://huggingface.co/diffusers/Florence2-image-Annotator).

	## Utilisation de blocs personnalisés

	Chargez un bloc personnalisé avec [from_pretrained()](/docs/diffusers/v0.43.0/fr/api/modular_diffusers/pipeline#diffusers.ModularPipeline.from_pretrained) et définissez `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)
	```

	Utilisez le bloc pour générer un masque :

	```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")
	```

	Composez-le avec d'autres blocs pour créer un nouveau pipeline :

	```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")
	```

	## Édition de blocs personnalisés

	Modifier des blocs personnalisés en les téléchargeant localement. Il s’agit du même flux de travail que le [Démarrage rapide avec un modèle](#quick-start-with-template), mais en partant d’un bloc existant plutôt que du modèle.

	Utilisez l'argument `local_dir` pour télécharger un bloc personnalisé dans un dossier spécifique :

	```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"
	)
	```

	Toute modification apportée aux fichiers de blocs de ce dossier sera prise en compte lors du rechargement du bloc. Lorsque vous êtes prêt à partager vos modifications, téléversez-les dans un nouveau dépôt :

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

	## Étapes suivantes

	Ce guide a couvert la création d'un bloc personnalisé unique. Découvrez comment composer plusieurs blocs ensemble :

	- [SequentialPipelineBlocks](./sequential_pipeline_blocks) : Enchaîner des blocs pour les exécuter séquentiellement
	- [ConditionalPipelineBlocks](./auto_pipeline_blocks) : crée des blocs conditionnels qui sélectionnent différents chemins d'exécution
	- [LoopSequentialPipelineBlocks](./loop_sequential_pipeline_blocks) : définit des workflows itératifs comme la boucle de débruitage

	Faites en sorte que votre bloc personnalisé fonctionne avec l'interface visuelle de Mellon. Consultez le guide [Mellon Custom Blocks](./mellon).

	Parcourez la collection [Modular Diffusers Custom Blocks](https://huggingface.co/collections/diffusers/modular-diffusers-custom-blocks) pour trouver de l'inspiration et des blocs prêts à l'emploi.

	## Dépendances

	Déclarer les dépendances de paquets dans les blocs personnalisés permet d'éviter les erreurs d'importation au moment de l'exécution. Diffusers valide les dépendances et renvoie un avertissement si un paquet est manquant ou incompatible.

	Définissez un attribut `_requirements` dans votre classe de bloc, associant les noms de packages aux spécificateurs de version.

	```py
	from diffusers.modular_pipelines import PipelineBlock

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

	Lorsqu'il existe des blocs aux exigences différentes, Diffusers fusionne leurs exigences.

	```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,
	})
	```

	Lorsque ce bloc est enregistré avec [save_pretrained()](/docs/diffusers/v0.43.0/fr/api/modular_diffusers/pipeline#diffusers.ModularPipeline.save_pretrained), les dépendances sont enregistrées dans le fichier `modular_config.json`. Lors du chargement de ce bloc, Diffusers vérifie chaque dépendance par rapport à l'environnement actuel. En cas d'incompatibilité ou si un package n'est pas trouvé, Diffusers renvoie l'avertissement suivant.

	```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.
	```