Buckets:
| # 무조건적 이미지 생성 | |
| Unconditional image generation은 텍스트나 이미지와 같은 추가적인 컨텍스트에 의해 유도되지 않는 디노이징(denoising) 과정을 거치므로, 모델이 학습된 학습 데이터의 무작위 샘플처럼 보이는 이미지를 생성합니다. | |
| 시작하려면 [DiffusionPipeline](/docs/diffusers/v0.43.0/ko/api/pipelines/overview#diffusers.DiffusionPipeline)를 사용하여 [anton-l/ddpm-butterflies-128](https://huggingface.co/anton-l/ddpm-butterflies-128) 체크포인트를 로드하여 나비 이미지를 생성합니다. [DiffusionPipeline](/docs/diffusers/v0.43.0/ko/api/pipelines/overview#diffusers.DiffusionPipeline)은 이미지 생성에 필요한 모든 모델 구성 요소를 다운로드하고 캐시합니다. | |
| ```py | |
| from diffusers import DiffusionPipeline | |
| generator = DiffusionPipeline.from_pretrained("anton-l/ddpm-butterflies-128").to("cuda") # or "mps", "xpu", "cpu" | |
| image = generator().images[0] | |
| image | |
| ``` | |
| > [!TIP] | |
| > 다른 것의 이미지를 생성하고 싶으신가요? [가이드](../training/unconditional_training)를 참고하여 원하는 이미지를 생성하도록 모델을 학습하는 방법을 배워보세요. | |
| 출력 이미지는 저장할 수 있는 [`PIL.Image`](https://pillow.readthedocs.io/en/stable/reference/Image.html?highlight=image#the-image-class) 객체입니다: | |
| ```py | |
| image.save("generated_image.png") | |
| ``` | |
| `num_inference_steps` 파라미터를 실험해 보는 것도 좋습니다. 이 파라미터는 디노이징 단계의 수를 제어합니다. 디노이징 단계가 많을수록 일반적으로 더 높은 품질의 이미지를 생성하지만, 생성에 더 오랜 시간이 걸립니다. 이미지 품질에 미치는 영향을 확인하기 위해 이 파라미터를 자유롭게 조정해 보세요. | |
| ```py | |
| image = generator(num_inference_steps=100).images[0] | |
| image | |
| ``` | |
| 아래 Space를 사용해 나비 이미지를 생성해 보세요! | |
| <iframe src="https://stevhliu-unconditional-image-generation.hf.space" frameborder="0" width="850" height="500" | |
| > | |
Xet Storage Details
- Size:
- 2.09 kB
- Xet hash:
- 0df0b5afb6111c9d2cec06fc06546ee4186df9ed5eaa8d646dbe4d5ded7ea749
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.