Buckets:
| # OpenVINO | |
| 🤗 [Optimum](https://github.com/huggingface/optimum-intel) fournit des pipelines Stable Diffusion compatibles avec OpenVINO pour effectuer de l'inférence sur une variété de processeurs Intel (voir la [liste complète](https://docs.openvino.ai/latest/openvino_docs_OV_UG_supported_plugins_Supported_Devices.html) des appareils pris en charge). | |
| Vous devez installer 🤗 Optimum Intel avec l'option `--upgrade-strategy eager` pour vous assurer que [`optimum-intel`](https://github.com/huggingface/optimum-intel) utilise la dernière version : | |
| ```bash | |
| pip install --upgrade-strategy eager optimum["openvino"] | |
| ``` | |
| Ce guide vous montre comment utiliser les pipelines Stable Diffusion et Stable Diffusion XL (SDXL) avec OpenVINO. | |
| ## Stable Diffusion | |
| Pour charger et exécuter l'inférence, utilisez `OVStableDiffusionPipeline`. Si vous souhaitez charger un modèle PyTorch et le convertir au format OpenVINO à la volée, définissez `export=True` : | |
| ```python | |
| from optimum.intel import OVStableDiffusionPipeline | |
| model_id = "stable-diffusion-v1-5/stable-diffusion-v1-5" | |
| pipeline = OVStableDiffusionPipeline.from_pretrained(model_id, export=True) | |
| prompt = "sailing ship in storm by Rembrandt" | |
| image = pipeline(prompt).images[0] | |
| # Don't forget to save the exported model | |
| pipeline.save_pretrained("openvino-sd-v1-5") | |
| ``` | |
| Pour accélérer davantage l'inférence, redimensionnez statiquement le modèle. Si vous modifiez des paramètres tels que la hauteur ou la largeur des sorties, vous devrez à nouveau redimensionner statiquement votre modèle. | |
| ```python | |
| # Define the shapes related to the inputs and desired outputs | |
| batch_size, num_images, height, width = 1, 1, 512, 512 | |
| # Statically reshape the model | |
| pipeline.reshape(batch_size, height, width, num_images) | |
| # Compile the model before inference | |
| pipeline.compile() | |
| image = pipeline( | |
| prompt, | |
| height=height, | |
| width=width, | |
| num_images_per_prompt=num_images, | |
| ).images[0] | |
| ``` | |
| Vous trouverez d'autres exemples dans la [documentation](https://huggingface.co/docs/optimum/intel/inference#stable-diffusion) de 🤗 Optimum, et Stable Diffusion est pris en charge pour le texte-vers-image, l'image-vers-image et l'inpainting. | |
| ## Stable Diffusion XL | |
| Pour charger et exécuter l'inférence avec SDXL, utilisez le `OVStableDiffusionXLPipeline` : | |
| ```python | |
| from optimum.intel import OVStableDiffusionXLPipeline | |
| model_id = "stabilityai/stable-diffusion-xl-base-1.0" | |
| pipeline = OVStableDiffusionXLPipeline.from_pretrained(model_id) | |
| prompt = "sailing ship in storm by Rembrandt" | |
| image = pipeline(prompt).images[0] | |
| ``` | |
| Pour accélérer davantage l'inférence, [redimensionner statiquement](#stable-diffusion) le modèle comme indiqué dans la section Stable Diffusion. | |
| Vous trouverez d'autres exemples dans la [documentation](https://huggingface.co/docs/optimum/intel/inference#stable-diffusion-xl) de 🤗 Optimum, et l'exécution de SDXL dans OpenVINO est prise en charge pour le texte-vers-image et l'image-vers-image. | |
Xet Storage Details
- Size:
- 3 kB
- Xet hash:
- 7fd513ad5c8779c9453ed0615330c70032d233ea7fce1514cf8659f5a46820ab
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.