Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /v0.43.0 /ko /quicktour.md

mishig

2 days ago

preview code

download

raw

7.84 kB

# 빠른 시작

Diffusers는 이미지, 비디오, 오디오 생성을 위한 간편한 추론 API와 새로운 워크플로를 구현하기 위한 빌딩 블록을 제공하는 개발자 및 연구자를 위한 라이브러리입니다.

Diffusers는 제한된 메모리를 가진 환경에서 대규모 모델을 로드하고 실행하거나 추론을 가속화할 수 있도록 다양한 최적화를 기본으로 제공합니다.

이 Quickstart에서는 Diffusers에 대한 개요를 제공하고 빠르게 생성을 시작할 수 있도록 안내합니다.

> [!TIP]
> 시작하기 전에, [Flux](https://huggingface.co/black-forest-labs/FLUX.1-dev)와 같은 게이트드 모델을 사용하려면 Hugging Face [계정](https://huggingface.co/join)이 있는지 확인하세요. 대신 커스텀 파이프라인을 구축하시나요? [Modular Diffusers quickstart](./modular_diffusers/quickstart)와 [overview](./modular_diffusers/overview)를 참고하세요.

설치되어 있지 않은 경우 [Installation](./installation) 가이드를 따라 Diffusers를 설치하세요.

## 에이전트 프롬프트

…

```text
Help me get set up with Hugging Face Diffusers for inference.
1. Install Diffusers for my environment with `uv pip install "diffusers[torch]"`.
2. If I need gated Hub models, help me authenticate to the Hugging Face Hub.
3. Install Diffusers coding agent skills with `diffusers-cli skills add diffusers-cli`. Pass `--cursor`, `--claude`, or `--codex` if auto-detect fails. Optionally pass `--all` to install every skill in the registry.
4. Run a first text-to-image with DiffusionPipeline or `diffusers-cli run`, using a small or current Quickstart model and the right `device_map` for my machine.
5. Ask what I want next and point me at the matching docs.
```

## DiffusionPipeline

[DiffusionPipeline](/docs/diffusers/v0.43.0/ko/api/pipelines/overview#diffusers.DiffusionPipeline)는 diffusion 모델의 구성 요소(text encoder, scheduler, UNet 또는 DiT, VAE)를 추론을 위해 하나의 클래스로 패키징합니다. [from_pretrained()](/docs/diffusers/v0.43.0/ko/api/pipelines/overview#diffusers.DiffusionPipeline.from_pretrained)로 로드한 후 파이프라인을 호출합니다.

`__call__()`의 `num_inference_steps`와 같은 인수는 품질과 속도에 영향을 줍니다. 로딩 세부 사항 및 구성 요소 조합에 대해서는 [파이프라인 로드](./using-diffusers/loading)를, 스케줄러 교체에 대해서는 [스케줄러](./using-diffusers/schedulers)를 참조하세요.

…

생성된 이미지 출력을 액세스하려면 `.images[0]`를 사용하세요.

```py
import torch
from diffusers import DiffusionPipeline
pipeline = DiffusionPipeline.from_pretrained(
  "Qwen/Qwen-Image", dtype=torch.bfloat16, device_map="cuda"  # or "mps", "xpu", "cpu"
)
prompt = """
cinematic film still of a cat sipping a margarita in a pool in Palm Springs, California
highly detailed, high budget hollywood movie, cinemascope, moody, epic, gorgeous, film grain
"""
pipeline(prompt).images[0]
```

`.frames[0]`을 사용하여 생성된 비디오 출력에 액세스하고 [export_to_video()](/docs/diffusers/v0.43.0/ko/api/utilities#diffusers.utils.export_to_video)를 사용하여 비디오를 저장합니다.

```py
import torch
from diffusers import AutoencoderKLWan, DiffusionPipeline
from diffusers.utils import export_to_video
vae = AutoencoderKLWan.from_pretrained(
  "Wan-AI/Wan2.2-T2V-A14B-Diffusers",
  subfolder="vae",
  dtype=torch.float32
)
pipeline = DiffusionPipeline.from_pretrained(
  "Wan-AI/Wan2.2-T2V-A14B-Diffusers",
  vae=vae,
  dtype=torch.bfloat16,
  device_map="cuda"  # or "mps", "xpu", "cpu"
)
prompt = """
Cinematic video of a sleek cat lounging on a colorful inflatable in a crystal-clear turquoise pool in Palm Springs, 
sipping a salt-rimmed margarita through a straw. Golden-hour sunlight glows over mid-century modern homes and swaying palms. 
Shot in rich Sony a7S III: with moody, glamorous color grading, subtle lens flares, and soft vintage film grain. 
Ripples shimmer as a warm desert breeze stirs the water, blending luxury and playful charm in an epic, gorgeously composed frame.
"""
video = pipeline(prompt=prompt, num_frames=81, num_inference_steps=40).frames[0]
export_to_video(video, "output.mp4", fps=16)
```

## LoRA

[LoRA](./tutorials/using_peft_for_inference) 어댑터는 기본 파이프라인 위에 작은 스타일 또는 주체 체크포인트를 추가합니다. [load_lora_weights()](/docs/diffusers/v0.43.0/ko/api/loaders/lora#diffusers.loaders.QwenImageLoraLoaderMixin.load_lora_weights)를 사용하여 하나를 로드합니다. 일부 LoRA는 트리거 구문이 필요합니다. 해당 LoRA의 모델 카드를 확인하세요.

```py
import torch
from diffusers import DiffusionPipeline
pipeline = DiffusionPipeline.from_pretrained(
  "Qwen/Qwen-Image", dtype=torch.bfloat16, device_map="cuda"  # or "mps", "xpu", "cpu"
)
pipeline.load_lora_weights(
  "threecrowco/VolkClipartQwen",
  weight_name="pytorch_lora_weights.safetensors",
)
prompt = """
Volk clipart style drawing of a cat sipping a margarita in a pool in Palm Springs, California, flat colors, bold outlines, simple shapes
"""
pipeline(prompt).images[0]
```

## 양자화 및 최적화

대형 모델은 종종 더 적은 메모리 또는 더 높은 속도가 필요합니다. 메모리 내 가중치를 축소하려면 [quantization](./quantization/overview)을 사용하고, 이후 생성을 가속화하려면 [compile_repeated_blocks()](/docs/diffusers/v0.43.0/ko/api/models/overview#diffusers.ModelMixin.compile_repeated_blocks)을 사용하세요. [모델 오프로딩](./optimization/memory#model-offloading) 및 기타 옵션에 대해서는 [Optimize and scale](./stable_diffusion)을 참조하세요.

메모리 사용량을 줄이려면 bitsandbytes를 사용하여 4비트로 로드하세요.

```py
import torch
from diffusers import DiffusionPipeline
from diffusers.quantizers import PipelineQuantizationConfig
quant_config = PipelineQuantizationConfig(
  quant_backend="bitsandbytes_4bit",
  quant_kwargs={"load_in_4bit": True, "bnb_4bit_quant_type": "nf4", "bnb_4bit_compute_dtype": torch.bfloat16},
  components_to_quantize=["transformer", "text_encoder"],
)
pipeline = DiffusionPipeline.from_pretrained(
  "Qwen/Qwen-Image",
  dtype=torch.bfloat16,
  quantization_config=quant_config,
  device_map="cuda"  # or "mps", "xpu", "cpu"
)
prompt = """
cinematic film still of a cat sipping a margarita in a pool in Palm Springs, California
highly detailed, high budget hollywood movie, cinemascope, moody, epic, gorgeous, film grain
"""
pipeline(prompt).images[0]
```

이후 실행 속도를 높이기 위해 transformer의 반복 블록을 컴파일합니다. 컴파일 후 첫 번째 generate는 콜드 스타트 상태이므로 느립니다. 이후의 generate는 더 빠릅니다.

```py
import torch
from diffusers import DiffusionPipeline
pipeline = DiffusionPipeline.from_pretrained(
  "Qwen/Qwen-Image", dtype=torch.bfloat16, device_map="cuda"  # or "mps", "xpu", "cpu"
)
pipeline.transformer.compile_repeated_blocks(fullgraph=True)
prompt = """
cinematic film still of a cat sipping a margarita in a pool in Palm Springs, California
highly detailed, high budget hollywood movie, cinemascope, moody, epic, gorgeous, film grain
"""
pipeline(prompt).images[0]
```

## 다음 단계

- [추론](./using-diffusers/loading) — 파이프라인, 프롬프팅, 어댑터
- [최적화 및 확장](./stable_diffusion) — 메모리, 속도, 양자화 및 서빙
- [모듈형 Diffusers](./modular_diffusers/overview) — 조합 가능한 블록과 사용자 정의 파이프라인
- [학습 및 파인튜닝](./training/overview) — 학습 스크립트 및 어댑터
- [CLI](./using-diffusers/cli) — 명령줄에서 생성

Xet Storage Details

Size:: 7.84 kB
Xet hash:: 5663b7a38713675e9ea6aaa72f9955e119441588941be019be5e6aa667110608

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

	# 빠른 시작

	Diffusers는 이미지, 비디오, 오디오 생성을 위한 간편한 추론 API와 새로운 워크플로를 구현하기 위한 빌딩 블록을 제공하는 개발자 및 연구자를 위한 라이브러리입니다.

	Diffusers는 제한된 메모리를 가진 환경에서 대규모 모델을 로드하고 실행하거나 추론을 가속화할 수 있도록 다양한 최적화를 기본으로 제공합니다.

	이 Quickstart에서는 Diffusers에 대한 개요를 제공하고 빠르게 생성을 시작할 수 있도록 안내합니다.

	> [!TIP]
	> 시작하기 전에, [Flux](https://huggingface.co/black-forest-labs/FLUX.1-dev)와 같은 게이트드 모델을 사용하려면 Hugging Face [계정](https://huggingface.co/join)이 있는지 확인하세요. 대신 커스텀 파이프라인을 구축하시나요? [Modular Diffusers quickstart](./modular_diffusers/quickstart)와 [overview](./modular_diffusers/overview)를 참고하세요.

	설치되어 있지 않은 경우 [Installation](./installation) 가이드를 따라 Diffusers를 설치하세요.

	## 에이전트 프롬프트

	…

	```text
	Help me get set up with Hugging Face Diffusers for inference.

	1. Install Diffusers for my environment with `uv pip install "diffusers[torch]"`.
	2. If I need gated Hub models, help me authenticate to the Hugging Face Hub.
	3. Install Diffusers coding agent skills with `diffusers-cli skills add diffusers-cli`. Pass `--cursor`, `--claude`, or `--codex` if auto-detect fails. Optionally pass `--all` to install every skill in the registry.
	4. Run a first text-to-image with DiffusionPipeline or `diffusers-cli run`, using a small or current Quickstart model and the right `device_map` for my machine.
	5. Ask what I want next and point me at the matching docs.
	```

	## DiffusionPipeline

	[DiffusionPipeline](/docs/diffusers/v0.43.0/ko/api/pipelines/overview#diffusers.DiffusionPipeline)는 diffusion 모델의 구성 요소(text encoder, scheduler, UNet 또는 DiT, VAE)를 추론을 위해 하나의 클래스로 패키징합니다. [from_pretrained()](/docs/diffusers/v0.43.0/ko/api/pipelines/overview#diffusers.DiffusionPipeline.from_pretrained)로 로드한 후 파이프라인을 호출합니다.

	`__call__()`의 `num_inference_steps`와 같은 인수는 품질과 속도에 영향을 줍니다. 로딩 세부 사항 및 구성 요소 조합에 대해서는 [파이프라인 로드](./using-diffusers/loading)를, 스케줄러 교체에 대해서는 [스케줄러](./using-diffusers/schedulers)를 참조하세요.

	…

	생성된 이미지 출력을 액세스하려면 `.images[0]`를 사용하세요.

	```py
	import torch
	from diffusers import DiffusionPipeline

	pipeline = DiffusionPipeline.from_pretrained(
	"Qwen/Qwen-Image", dtype=torch.bfloat16, device_map="cuda" # or "mps", "xpu", "cpu"
	)

	prompt = """
	cinematic film still of a cat sipping a margarita in a pool in Palm Springs, California
	highly detailed, high budget hollywood movie, cinemascope, moody, epic, gorgeous, film grain
	"""
	pipeline(prompt).images[0]
	```

	`.frames[0]`을 사용하여 생성된 비디오 출력에 액세스하고 [export_to_video()](/docs/diffusers/v0.43.0/ko/api/utilities#diffusers.utils.export_to_video)를 사용하여 비디오를 저장합니다.

	```py
	import torch
	from diffusers import AutoencoderKLWan, DiffusionPipeline
	from diffusers.utils import export_to_video

	vae = AutoencoderKLWan.from_pretrained(
	"Wan-AI/Wan2.2-T2V-A14B-Diffusers",
	subfolder="vae",
	dtype=torch.float32
	)
	pipeline = DiffusionPipeline.from_pretrained(
	"Wan-AI/Wan2.2-T2V-A14B-Diffusers",
	vae=vae,
	dtype=torch.bfloat16,
	device_map="cuda" # or "mps", "xpu", "cpu"
	)

	prompt = """
	Cinematic video of a sleek cat lounging on a colorful inflatable in a crystal-clear turquoise pool in Palm Springs,
	sipping a salt-rimmed margarita through a straw. Golden-hour sunlight glows over mid-century modern homes and swaying palms.
	Shot in rich Sony a7S III: with moody, glamorous color grading, subtle lens flares, and soft vintage film grain.
	Ripples shimmer as a warm desert breeze stirs the water, blending luxury and playful charm in an epic, gorgeously composed frame.
	"""
	video = pipeline(prompt=prompt, num_frames=81, num_inference_steps=40).frames[0]
	export_to_video(video, "output.mp4", fps=16)
	```

	## LoRA

	[LoRA](./tutorials/using_peft_for_inference) 어댑터는 기본 파이프라인 위에 작은 스타일 또는 주체 체크포인트를 추가합니다. [load_lora_weights()](/docs/diffusers/v0.43.0/ko/api/loaders/lora#diffusers.loaders.QwenImageLoraLoaderMixin.load_lora_weights)를 사용하여 하나를 로드합니다. 일부 LoRA는 트리거 구문이 필요합니다. 해당 LoRA의 모델 카드를 확인하세요.

	```py
	import torch
	from diffusers import DiffusionPipeline

	pipeline = DiffusionPipeline.from_pretrained(
	"Qwen/Qwen-Image", dtype=torch.bfloat16, device_map="cuda" # or "mps", "xpu", "cpu"
	)
	pipeline.load_lora_weights(
	"threecrowco/VolkClipartQwen",
	weight_name="pytorch_lora_weights.safetensors",
	)

	prompt = """
	Volk clipart style drawing of a cat sipping a margarita in a pool in Palm Springs, California, flat colors, bold outlines, simple shapes
	"""
	pipeline(prompt).images[0]
	```

	## 양자화 및 최적화

	대형 모델은 종종 더 적은 메모리 또는 더 높은 속도가 필요합니다. 메모리 내 가중치를 축소하려면 [quantization](./quantization/overview)을 사용하고, 이후 생성을 가속화하려면 [compile_repeated_blocks()](/docs/diffusers/v0.43.0/ko/api/models/overview#diffusers.ModelMixin.compile_repeated_blocks)을 사용하세요. [모델 오프로딩](./optimization/memory#model-offloading) 및 기타 옵션에 대해서는 [Optimize and scale](./stable_diffusion)을 참조하세요.

	메모리 사용량을 줄이려면 bitsandbytes를 사용하여 4비트로 로드하세요.

	```py
	import torch
	from diffusers import DiffusionPipeline
	from diffusers.quantizers import PipelineQuantizationConfig

	quant_config = PipelineQuantizationConfig(
	quant_backend="bitsandbytes_4bit",
	quant_kwargs={"load_in_4bit": True, "bnb_4bit_quant_type": "nf4", "bnb_4bit_compute_dtype": torch.bfloat16},
	components_to_quantize=["transformer", "text_encoder"],
	)
	pipeline = DiffusionPipeline.from_pretrained(
	"Qwen/Qwen-Image",
	dtype=torch.bfloat16,
	quantization_config=quant_config,
	device_map="cuda" # or "mps", "xpu", "cpu"
	)

	prompt = """
	cinematic film still of a cat sipping a margarita in a pool in Palm Springs, California
	highly detailed, high budget hollywood movie, cinemascope, moody, epic, gorgeous, film grain
	"""
	pipeline(prompt).images[0]
	```

	이후 실행 속도를 높이기 위해 transformer의 반복 블록을 컴파일합니다. 컴파일 후 첫 번째 generate는 콜드 스타트 상태이므로 느립니다. 이후의 generate는 더 빠릅니다.

	```py
	import torch
	from diffusers import DiffusionPipeline

	pipeline = DiffusionPipeline.from_pretrained(
	"Qwen/Qwen-Image", dtype=torch.bfloat16, device_map="cuda" # or "mps", "xpu", "cpu"
	)
	pipeline.transformer.compile_repeated_blocks(fullgraph=True)

	prompt = """
	cinematic film still of a cat sipping a margarita in a pool in Palm Springs, California
	highly detailed, high budget hollywood movie, cinemascope, moody, epic, gorgeous, film grain
	"""
	pipeline(prompt).images[0]
	```

	## 다음 단계

	- [추론](./using-diffusers/loading) — 파이프라인, 프롬프팅, 어댑터
	- [최적화 및 확장](./stable_diffusion) — 메모리, 속도, 양자화 및 서빙
	- [모듈형 Diffusers](./modular_diffusers/overview) — 조합 가능한 블록과 사용자 정의 파이프라인
	- [학습 및 파인튜닝](./training/overview) — 학습 스크립트 및 어댑터
	- [CLI](./using-diffusers/cli) — 명령줄에서 생성