Buckets:

hf-doc-build
/

doc

init_pipeline(pretrained_model_name_or_path: str | os.PathLike | None = None, components_manager: diffusers.modular_pipelines.components_manager.ComponentsManager | None = None, collection: str | None = None)

Источник

создайте ModularPipeline, при необходимости принимая pretrained_model_name_or_path для загрузки из хабa.

SequentialPipelineBlocks[[diffusers.SequentialPipelineBlocks]]

diffusers.SequentialPipelineBlocks[[diffusers.SequentialPipelineBlocks]]

diffusers.SequentialPipelineBlocks()

Источник

Параметры:

block_classes : список классов блоков, которые будут использоваться

block_names : список префиксов для каждого блока

A Pipeline Blocks, объединяющий несколько классов блоков конвейера в один. При вызове последовательно вызывает каждый блок.

Этот класс наследуется от ModularPipelineBlocks. См. документацию родительского класса для общих методов, которые библиотека реализует для всех блоков конвейера (например, загрузка или сохранение и т. д.)

from_blocks_dict[[diffusers.SequentialPipelineBlocks.from_blocks_dict]]

from_blocks_dict(blocks_dict: dict[str, typing.Any], description: str | None = None)

Источник

Параметры:

blocks_dict : словарь, сопоставляющий имена блоков с классами или экземплярами блоков

Возвращает:

Новый экземпляр SequentialPipelineBlocks

Создаёт экземпляр SequentialPipelineBlocks из словаря блоков.

get_execution_blocks[[diffusers.SequentialPipelineBlocks.get_execution_blocks]]

get_execution_blocks(**kwargs)

Источник

Параметры:

**kwargs : Имена и значения входных параметров. На выбор блока влияют только входные параметры триггера.

Возвращает:

SequentialPipelineBlocks, содержащие только блоки, которые будут выполнены

Получите блоки, которые будут выполнены при заданных входных данных.

По мере того как обход проходит последовательные блоки, промежуточные выходные данные из разрешённых блоков добавляются к активным входным данным. Это означает, что условные блоки, зависящие от промежуточных значений (например, «запустить img2img, если image_latents присутствует»), будут разрешены корректно, при условии, что условие основано на наличии/отсутствии (None или не None), а не на фактическом значении.

LoopSequentialPipelineBlocks[[diffusers.LoopSequentialPipelineBlocks]]

diffusers.LoopSequentialPipelineBlocks[[diffusers.LoopSequentialPipelineBlocks]]

diffusers.LoopSequentialPipelineBlocks()

Источник

Параметры:

block_classes : список классов блоков, которые будут использоваться

block_names : список префиксов для каждого блока

A Pipeline blocks that combines multiple pipeline block classes into a For Loop. When called, it will call each block in sequence.

from_blocks_dict[[diffusers.LoopSequentialPipelineBlocks.from_blocks_dict]]

from_blocks_dict(blocks_dict: dict[str, typing.Any])

Источник

Параметры:

blocks_dict : словарь, сопоставляющий имена блоков с экземплярами блоков

Возвращает:

Новый экземпляр LoopSequentialPipelineBlocks

Создаёт экземпляр LoopSequentialPipelineBlocks из словаря блоков.

AutoPipelineBlocks[[diffusers.AutoPipelineBlocks]]

diffusers.AutoPipelineBlocks[[diffusers.AutoPipelineBlocks]]

diffusers.AutoPipelineBlocks()

Источник

Параметры:

block_classes : Список классов блоков, которые будут использоваться. Должен иметь ту же длину, что и block_names и block_trigger_inputs.

block_names : список имён для каждого блока. Должен иметь ту же длину, что и block_classes и block_trigger_inputs.

block_trigger_inputs : Список имён входных параметров, где каждый элемент указывает входной параметр-триггер для соответствующего блока. Используйте None, чтобы обозначить блок по умолчанию.

A Pipeline — блок, который автоматически выбирает блок для выполнения на основе наличия входных триггеров.

Это специализированная версия ConditionalPipelineBlocks, в которой:

Каждый блок имеет один соответствующий вход-триггер (соответствие 1:1)
Выбор блока выполняется автоматически: выбирается первый блок, у которого присутствует входной сигнал запуска
block_trigger_inputs должен иметь ту же длину, что и block_names и block_classes
Используйте None в block_trigger_inputs, чтобы указать блок по умолчанию, то есть блок, который будет выполнен, если входные данные для запуска отсутствуют

Пример:

    class MyAutoBlock(AutoPipelineBlocks):
        block_classes = [InpaintEncoderBlock, ImageEncoderBlock, TextEncoderBlock]
        block_names = ["inpaint", "img2img", "text2img"]
        block_trigger_inputs = ["mask_image", "image", None]  # text2img is the default

С таким определением:

Пока mask_image передан, выполняется блок "inpaint" (независимо от того, передан ли image или нет)
Если mask_image не передан, но image передан, выполняется блок "img2img"
В противном случае выполняется блок "text2img" (по умолчанию, триггер — None)

select_block[[diffusers.AutoPipelineBlocks.select_block]]

select_block(**kwargs)

Источник

Выберите блок на основе того, какой входной триггер присутствует (не равен None).

ConditionalPipelineBlocks[[diffusers.ConditionalPipelineBlocks]]

diffusers.ConditionalPipelineBlocks[[diffusers.ConditionalPipelineBlocks]]

diffusers.ConditionalPipelineBlocks()

Источник

Параметры:

block_classes : список классов блоков, которые будут использоваться. Должен иметь ту же длину, что и block_names.

block_names : список имён для каждого блока. Должен иметь ту же длину, что и block_classes.

block_trigger_inputs : Список имён входных параметров, которые select_block() использует для определения блока, подлежащего выполнению. Для ConditionalPipelineBlocks они не обязаны соответствовать block_names и block_classes. Для AutoPipelineBlocks длина этого списка должна совпадать с длиной block_names и block_classes, причём каждый элемент задаёт входной параметр-триггер для соответствующего блока.

default_block_name : Имя блока по умолчанию, который выполняется, если ни один из входных триггеров не совпал. Если значение равно None, этот блок может быть полностью пропущен, если входные триггеры не предоставлены.

A Pipeline Блок, который условно выбирает блок для выполнения на основе входных данных. Подклассы должны реализовать метод select_block, чтобы определить логику выбора блока. В настоящее время поддерживается только логика выбора на основе наличия или отсутствия входных данных (то есть, являются ли они None или нет).

get_execution_blocks[[diffusers.ConditionalPipelineBlocks.get_execution_blocks]]

get_execution_blocks(**kwargs)

Источник

Параметры:

**kwargs : Имена и значения входных параметров. На выбор блока влияют только входные параметры триггера.

Возвращает: - ModularPipelineBlocks

Листовой блок или разрешённый SequentialPipelineBlocks

None: если этот блок будет пропущен (не сработал ни один триггер и нет значения по умолчанию)

Получите блок(и), которые будут выполнены при заданных входных данных.

Рекурсивно разрешает вложенные ConditionalPipelineBlocks, пока не достигнет одного из следующих:

Листовой блок (без sub_blocks или LoopSequentialPipelineBlocks) → возвращает один ModularPipelineBlocks
SequentialPipelineBlocks → делегирует вызов своему get_execution_blocks(), который возвращает a SequentialPipelineBlocks, содержащий разрешённые блоки выполнения

select_block[[diffusers.ConditionalPipelineBlocks.select_block]]

select_block(**kwargs)

Источник

Параметры:

**kwargs : Имена входных параметров триггера и их значения из состояния.

Возвращает: str | None

Имя блока для выполнения или None для использования значения по умолчанию/пропуска.

Выберите блок для выполнения на основе входных данных триггера. Подклассы должны реализовать этот метод, чтобы определить логику выбора блока.

Примечание: Если входные данные триггера включают промежуточные результаты предыдущих блоков, логика выбора должна зависеть только от наличия или отсутствия входного значения (то есть, является ли оно None), а не от его фактического значения. Это связано с тем, что get_execution_blocks() статически разрешает условия, распространяя имена промежуточных результатов без их значений во время выполнения.

Xet Storage Details

Size:: 17.2 kB
Xet hash:: 603e8b28256d402129db2ab682c60af541677d0fc6f8a86c0cbcb6143495d7ae

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