diffusers/v0.43.0/fr/using-diffusers/unconditional_image_generation.md

Génération d'images non conditionnelle

La génération d’images non conditionnée produit des images qui ressemblent à un échantillon aléatoire des données d’entraînement sur lesquelles le modèle a été entraîné, car le processus de débruitage n’est guidé par aucun contexte supplémentaire, tel que du texte ou une image.

Pour commencer, utilisez DiffusionPipeline pour charger le point de contrôle anton-l/ddpm-butterflies-128 afin de générer des images de papillons. DiffusionPipeline télécharge et met en cache tous les composants du modèle nécessaires à la génération d'une image.

from diffusers import DiffusionPipeline

generator = DiffusionPipeline.from_pretrained("anton-l/ddpm-butterflies-128").to("cuda")  # or "mps", "xpu", "cpu"
image = generator().images[0]
image

Vous souhaitez générer des images d'autre chose ? Consultez le guide d'entraînement pour apprendre à entraîner un modèle afin qu'il génère vos propres images.

L'image de sortie est un objet PIL.Image qui peut être enregistré :

image.save("generated_image.png")

Vous pouvez également expérimenter avec le paramètre num_inference_steps, qui contrôle le nombre d'étapes de débruitage. Un plus grand nombre d'étapes de débruitage produit généralement des images de meilleure qualité, mais la génération prendra plus de temps. N'hésitez pas à jouer avec ce paramètre pour voir comment il affecte la qualité de l'image.

image = generator(num_inference_steps=100).images[0]
image

Essayez l'Space ci-dessous pour générer une image de papillon !