# # Apache Lisansı, 2.0 Sürümü ("Lisans") altında lisanslanmıştır; # bu dosyayı, Lisansa uygun olarak kullanabilirsiniz. # Lisansın bir kopyasını şu adresten edinebilirsiniz # # http://www.apache.org/licenses/LICENSE-2.0 # # Uygulanabilir yasa gerektirmedikçe veya yazılı olarak anlaşılmadıkça, yazılım # Lisans kapsamında dağıtılan, "OLDUĞU GİBİ" esasına göre dağıtılır, # HİÇBİR TÜR AÇIK VEYA ZIMMİ GARANTİ VEYA ŞART İÇERMEZ. # İzinleri ve # lisans kapsamındaki kısıtlamalar. --> # HunyuanImage2.1 HunyuanImage-2.1, 2K (2048 x 2048) çözünürlüğünde görüntüler üretebilen 17B parametreli bir metinden görüntüye modelidir HunyuanImage-2.1 aşağıdaki varyantlarda gelir: | model türü | model kimliği | |:----------:|:--------:| | HunyuanImage-2.1 | [hunyuanvideo-community/HunyuanImage-2.1-Diffusers](https://huggingface.co/hunyuanvideo-community/HunyuanImage-2.1-Diffusers) | | HunyuanImage-2.1-Distilled | [hunyuanvideo-community/HunyuanImage-2.1-Distilled-Diffusers](https://huggingface.co/hunyuanvideo-community/HunyuanImage-2.1-Distilled-Diffusers) | | HunyuanImage-2.1-Refiner | [hunyuanvideo-community/HunyuanImage-2.1-Refiner-Diffusers](https://huggingface.co/hunyuanvideo-community/HunyuanImage-2.1-Refiner-Diffusers) | > [!TIP] > [Önbelleğe alma](../../optimization/cache), ara çıktıları depolayıp yeniden kullanarak çıkarımı hızlandırabilir. ## HunyuanImage-2.1 HunyuanImage-2.1, gürültü azaltma döngüsünde [Adaptive Projected Guidance (APG)](https://huggingface.co/papers/2410.02416)'yi Classifier-Free Guidance (CFG) ile birleştirir. `HunyuanImagePipeline`'in bir `guider` bileşeni vardır ([Guider](../../using-diffusers/guiders) hakkında daha fazla bilgi edinin) ve çalışma zamanında `guidance_scale` parametresi almaz. guider ile ilgili parametreleri, örneğin `guidance_scale`'i değiştirmek için bunun yerine `guider` yapılandırmasını güncelleyebilirsiniz. ```python import torch from diffusers import HunyuanImagePipeline pipe = HunyuanImagePipeline.from_pretrained( "hunyuanvideo-community/HunyuanImage-2.1-Diffusers", dtype=torch.bfloat16 ) pipe = pipe.to("cuda") # or "mps", "xpu", "cpu" ``` `guider` nesnesini inceleyebilirsiniz: ```py >>> pipe.guider AdaptiveProjectedMixGuidance { "_class_name": "AdaptiveProjectedMixGuidance", "_diffusers_version": "0.36.0.dev0", "adaptive_projected_guidance_momentum": -0.5, "adaptive_projected_guidance_rescale": 10.0, "adaptive_projected_guidance_scale": 10.0, "adaptive_projected_guidance_start_step": 5, "enabled": true, "eta": 0.0, "guidance_rescale": 0.0, "guidance_scale": 3.5, "start": 0.0, "stop": 1.0, "use_original_formulation": false } State: step: None num_inference_steps: None timestep: None count_prepared: 0 enabled: True num_conditions: 2 momentum_buffer: None is_apg_enabled: False is_cfg_enabled: True ``` Farklı bir yapılandırma ile guider'ı güncellemek için `new()` yöntemini kullanın. Örneğin, diğer tüm varsayılan yönlendirme parametrelerini koruyarak `guidance_scale=5.0` ile bir görüntü oluşturmak için: ```py import torch from diffusers import HunyuanImagePipeline pipe = HunyuanImagePipeline.from_pretrained( "hunyuanvideo-community/HunyuanImage-2.1-Diffusers", dtype=torch.bfloat16 ) pipe = pipe.to("cuda") # or "mps", "xpu", "cpu" # Update the guider configuration pipe.guider = pipe.guider.new(guidance_scale=5.0) prompt = ( "A cute, cartoon-style anthropomorphic penguin plush toy with fluffy fur, standing in a painting studio, " "wearing a red knitted scarf and a red beret with the word 'Tencent' on it, holding a paintbrush with a " "focused expression as it paints an oil painting of the Mona Lisa, rendered in a photorealistic photographic style." ) image = pipe( prompt=prompt, num_inference_steps=50, height=2048, width=2048, ).images[0] image.save("image.png") ``` ## HunyuanImage-2.1-Distilled `distilled_guidance_scale` parametresini guidance-distilled checkpoint ile kullanın, ```py import torch from diffusers import HunyuanImagePipeline pipe = HunyuanImagePipeline.from_pretrained("hunyuanvideo-community/HunyuanImage-2.1-Distilled-Diffusers", dtype=torch.bfloat16) pipe = pipe.to("cuda") # or "mps", "xpu", "cpu" prompt = ( "A cute, cartoon-style anthropomorphic penguin plush toy with fluffy fur, standing in a painting studio, " "wearing a red knitted scarf and a red beret with the word 'Tencent' on it, holding a paintbrush with a " "focused expression as it paints an oil painting of the Mona Lisa, rendered in a photorealistic photographic style." ) out = pipe( prompt, num_inference_steps=8, distilled_guidance_scale=3.25, height=2048, width=2048, generator=generator, ).images[0] ``` ## HunyuanImagePipeline[[diffusers.HunyuanImagePipeline]] #### diffusers.HunyuanImagePipeline[[diffusers.HunyuanImagePipeline]] ```python diffusers.HunyuanImagePipeline(scheduler: FlowMatchEulerDiscreteScheduler, vae: AutoencoderKLHunyuanImage, text_encoder: Qwen2_5_VLForConditionalGeneration, tokenizer: Qwen2Tokenizer, text_encoder_2: T5EncoderModel, tokenizer_2: ByT5Tokenizer, transformer: HunyuanImageTransformer2DModel, guider: AdaptiveProjectedMixGuidance | None = None, ocr_guider: AdaptiveProjectedMixGuidance | None = None) ``` [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/hunyuan_image/pipeline_hunyuanimage.py#L160) **Parametreler:** transformer ([HunyuanImageTransformer2DModel](/docs/diffusers/main/tr/api/models/hunyuanimage_transformer_2d#diffusers.HunyuanImageTransformer2DModel)) : Kodlanmış görüntü latentlerini gürültüden arındırmak için kullanılan Koşullu Transformer (MMDiT) mimarisi. scheduler ([FlowMatchEulerDiscreteScheduler](/docs/diffusers/main/tr/api/schedulers/flow_match_euler_discrete#diffusers.FlowMatchEulerDiscreteScheduler)) : Kodlanmış görüntü latentlerini gürültüden arındırmak için `transformer` ile birlikte kullanılacak bir zamanlayıcı. vae ([AutoencoderKLHunyuanImage](/docs/diffusers/main/tr/api/models/autoencoder_kl_hunyuanimage#diffusers.AutoencoderKLHunyuanImage)) : Görüntüleri latent temsillere kodlamak ve latent temsillerden görüntülere çözmek için kullanılan Varyasyonel Oto-Kodlayıcı (VAE) Modeli. text_encoder (`Qwen2.5-VL-7B-Instruct`) : [Qwen2.5-VL-7B-Instruct](https://huggingface.co/Qwen/Qwen2.5-VL-7B-Instruct), özellikle [Qwen2.5-VL-7B-Instruct](https://huggingface.co/Qwen/Qwen2.5-VL-7B-Instruct) varyantı. tokenizer (`Qwen2Tokenizer`) : [Qwen2Tokenizer] sınıfının tokenizer'ı. text_encoder_2 (`T5EncoderModel`) : [T5EncoderModel](https://huggingface.co/docs/transformers/en/model_doc/t5#transformers.T5EncoderModel) varyantı. tokenizer_2 (`ByT5Tokenizer`) : [ByT5Tokenizer] sınıfının tokenizer'ı guider (`AdaptiveProjectedMixGuidance`) : Görsel üretimini yönlendirmek için kullanılacak [AdaptiveProjectedMixGuidance]. ocr_guider (`AdaptiveProjectedMixGuidance`, *isteğe bağlı*) : Metin işleme gerektiğinde görüntü üretimini yönlendirmek için kullanılacak [AdaptiveProjectedMixGuidance]. Metinden görüntüye üretim için HunyuanImage hattı. #### __call__[[diffusers.HunyuanImagePipeline.__call__]] ```python __call__(prompt: str | list[str] = None, negative_prompt: str | list[str] = None, height: int | None = None, width: int | None = None, num_inference_steps: int = 50, distilled_guidance_scale: float | None = 3.25, sigmas: list[float] | None = None, num_images_per_prompt: int = 1, generator: torch.Generator | list[torch.Generator] | None = None, latents: torch.Tensor | None = None, prompt_embeds: torch.Tensor | None = None, prompt_embeds_mask: torch.Tensor | None = None, negative_prompt_embeds: torch.Tensor | None = None, negative_prompt_embeds_mask: torch.Tensor | None = None, prompt_embeds_2: torch.Tensor | None = None, prompt_embeds_mask_2: torch.Tensor | None = None, negative_prompt_embeds_2: torch.Tensor | None = None, negative_prompt_embeds_mask_2: torch.Tensor | None = None, output_type: str | None = 'pil', return_dict: bool = True, attention_kwargs: dict[str, Any] | None = None, callback_on_step_end: Callable[[int, int], None] | None = None, callback_on_step_end_tensor_inputs: list[str] = ['latents']) ``` [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/hunyuan_image/pipeline_hunyuanimage.py#L504) **Parametreler:** prompt (`str` veya `list[str]`, *isteğe bağlı*) : Görsel üretimi yönlendirmek için istem veya istemler. Tanımlanmamışsa, bunun yerine `prompt_embeds` geçirilmelidir. negative_prompt (`str` veya `list[str]`, *isteğe bağlı*) : Görsel üretimi yönlendirmemek için kullanılan istem veya istemler. Tanımlanmamış ve negative_prompt_embeds sağlanmamışsa, boş bir negatif istem kullanılır. Yönlendirme kullanılmadığında yok sayılır. ). height (`int`, *isteğe bağlı*, varsayılan olarak self.unet.config.sample_size * self.vae_scale_factor) : Üretilen görüntünün piksel cinsinden yüksekliği. En iyi sonuçlar için varsayılan olarak 1024 olarak ayarlanır. width (`int`, *isteğe bağlı*, varsayılan olarak self.unet.config.sample_size * self.vae_scale_factor) : Üretilen görüntünün piksel cinsinden genişliği. En iyi sonuçlar için varsayılan olarak 1024 olarak ayarlanır. num_inference_steps (`int`, *isteğe bağlı*, varsayılan 50) : Gürültü azaltma adım sayısı. Daha fazla gürültü azaltma adımı genellikle daha yavaş çıkarım pahasına daha yüksek kaliteli bir görüntüye yol açar. sigmas (`list[float]`, *isteğe bağlı*) : `set_timesteps` metodunda `sigmas` argümanını destekleyen zamanlayıcılarla gürültü azaltma süreci için kullanılacak özel sigmalar. Tanımlanmamışsa, `num_inference_steps` geçirildiğinde varsayılan davranış kullanılacaktır. distilled_guidance_scale (`float`, *opsiyonel*, varsayılan değeri None) : Rehberlik damıtılmış modeller için bir rehberlik ölçeği değeri. Geleneksel sınıflandırıcı-ücretsiz rehberlikte rehberlik ölçeğinin gürültü tahmini yeniden ölçekleme yoluyla çıkarım sırasında uygulanmasının aksine, rehberlik damıtılmış modeller rehberlik ölçeğini ileri geçiş sırasında doğrudan bir giriş parametresi olarak alır. Rehberlik, `distilled_guidance_scale > 1` olarak ayarlanarak etkinleştirilir. Daha yüksek rehberlik ölçeği, `prompt` ile yakından ilişkili görüntülerin üretilmesini teşvik eder, genellikle daha düşük görüntü kalitesi pahasına. Rehberlik damıtılmış modeller için bu parametre zorunludur. Damıtılmamış modeller için bu parametre yok sayılır. num_images_per_prompt (`int`, *isteğe bağlı*, varsayılan 1) : Her istem için üretilecek görsel sayısı. generator (`torch.Generator` veya `list[torch.Generator]`, *isteğe bağlı*) : Üretimi deterministik hale getirmek için bir veya [torch üreteci(leri)](https://pytorch.org/docs/stable/generated/torch.Generator.html) listesi. latents (`torch.Tensor`, *isteğe bağlı*) : Görsel üretimi için girdi olarak kullanılacak, Gauss dağılımından örneklenen önceden oluşturulmuş gürültülü latentler. Farklı istemlerle aynı üretimi ayarlamak için kullanılabilir. Sağlanmazsa, sağlanan rastgele `generator` kullanılarak örneklem yoluyla bir latent tensörü oluşturulur. prompt_embeds (`torch.Tensor`, *isteğe bağlı*) : Ön oluşturulmuş metin gömme değerleri. Metin girdilerini kolayca ayarlamak için kullanılabilir, *ör.* istem ağırlıklandırması. Sağlanmazsa, metin gömme değerleri `prompt` girdi argümanından oluşturulur. prompt_embeds_mask (`torch.Tensor`, *isteğe bağlı*) : Ön oluşturulmuş metin gömme maskesi. Metin girdilerini kolayca ayarlamak için kullanılabilir, *ör.* istem ağırlıklandırması. Sağlanmazsa, metin gömme maskesi `prompt` girdi argümanından oluşturulur. prompt_embeds_2 (`torch.Tensor`, *isteğe bağlı*) : ocr için önceden oluşturulmuş metin gömme değerleri. Metin girdilerini kolayca ayarlamak için kullanılabilir, *ör.* istem ağırlıklandırması. Sağlanmazsa, ocr için metin gömme değerleri `prompt` girdi argümanından oluşturulur. prompt_embeds_mask_2 (`torch.Tensor`, *isteğe bağlı*) : ocr için önceden oluşturulmuş metin gömme maskesi. Metin girdilerini kolayca ayarlamak için kullanılabilir, *ör.* istem ağırlıklandırması. Sağlanmazsa, ocr için metin gömme maskesi `prompt` girdi argümanından oluşturulur. negative_prompt_embeds (`torch.Tensor`, *isteğe bağlı*) : Ön oluşturulmuş negatif metin gömme değerleri. Metin girdilerini kolayca ayarlamak için kullanılabilir, *ör.* istem ağırlıklandırması. Sağlanmazsa, negative_prompt_embeds, `negative_prompt` girdi argümanından oluşturulur. negative_prompt_embeds_mask (`torch.Tensor`, *isteğe bağlı*) : Ön oluşturulmuş negatif metin gömme maskesi. Metin girdilerini kolayca ayarlamak için kullanılabilir, *ör.* istem ağırlıklandırması. Sağlanmazsa, negatif metin gömme maskesi `negative_prompt` girdi argümanından oluşturulur. negative_prompt_embeds_2 (`torch.Tensor`, *isteğe bağlı*) : ocr için önceden oluşturulmuş negatif metin gömme değerleri. Metin girdilerini kolayca ayarlamak için kullanılabilir, *ör.* istem ağırlıklandırması. Sağlanmazsa, ocr için negatif metin gömme değerleri `negative_prompt` girdi argümanından oluşturulur. negative_prompt_embeds_mask_2 (`torch.Tensor`, *isteğe bağlı*) : ocr için önceden oluşturulmuş negatif metin gömme maskesi. Metin girdilerini kolayca ayarlamak için kullanılabilir, *ör.* istem ağırlıklandırması. Sağlanmazsa, ocr için negatif metin gömme maskesi `negative_prompt` girdi argümanından oluşturulur. output_type (`str`, *isteğe bağlı*, varsayılan `"pil"`) : Üretilen görüntünün çıktı biçimi. [PIL](https://pillow.readthedocs.io/en/stable/): `PIL.Image.Image` veya `np.array` arasında seçim yapın. return_dict (`bool`, *isteğe bağlı*, varsayılan `True`) : Düz bir tuple yerine `~pipelines.qwenimage.QwenImagePipelineOutput` döndürülecek mi? attention_kwargs (`dict`, *isteğe bağlı*) : Belirtilirse, [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py) içinde `self.processor` altında tanımlanan `AttentionProcessor`'a iletilen bir kwargs sözlüğü. callback_on_step_end (`Callable`, *isteğe bağlı*) : Çıkarım sırasında her gürültü azaltma adımının sonunda çağrılan bir işlev. İşlev aşağıdaki argümanlarla çağrılır: `callback_on_step_end(self: DiffusionPipeline, step: int, timestep: int, callback_kwargs: Dict)`. `callback_kwargs`, `callback_on_step_end_tensor_inputs` tarafından belirtilen tüm tensörlerin listesini içerir. callback_on_step_end_tensor_inputs (`List`, *optional*) : The list of tensor inputs for the `callback_on_step_end` function. The tensors specified in the list will be passed as `callback_kwargs` argument. You will only be able to include variables listed in the `._callback_tensor_inputs` attribute of your pipeline class. **Dönüş:** `~pipelines.hunyuan_image.HunyuanImagePipelineOutput` veya `tuple` `return_dict` True ise `~pipelines.hunyuan_image.HunyuanImagePipelineOutput`, aksi halde `tuple`. Tuple döndürüldüğünde, ilk öğe üretilen görüntülerin listesidir. Üretim için pipeline çağrıldığında tetiklenen işlev. Örnekler: ```py >>> import torch >>> from diffusers import HunyuanImagePipeline >>> pipe = HunyuanImagePipeline.from_pretrained( ... "hunyuanvideo-community/HunyuanImage-2.1-Diffusers", torch_dtype=torch.bfloat16 ... ) >>> pipe.to("cuda") >>> prompt = "A cat holding a sign that says hello world" >>> # Depending on the variant being used, the pipeline call will slightly vary. >>> # Refer to the pipeline documentation for more details. >>> image = pipe(prompt, negative_prompt="", num_inference_steps=50).images[0] >>> image.save("hunyuanimage.png") ``` #### encode_prompt[[diffusers.HunyuanImagePipeline.encode_prompt]] ```python encode_prompt(prompt: str | list[str], device: torch.device | None = None, batch_size: int = 1, num_images_per_prompt: int = 1, prompt_embeds: torch.Tensor | None = None, prompt_embeds_mask: torch.Tensor | None = None, prompt_embeds_2: torch.Tensor | None = None, prompt_embeds_mask_2: torch.Tensor | None = None) ``` [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/hunyuan_image/pipeline_hunyuanimage.py#L296) **Parametreler:** prompt (`str` veya `list[str]`, *isteğe bağlı*) : kodlanacak istem device : (`torch.device`): torch cihazı batch_size (`int`) : istemlerin batch boyutu, varsayılan olarak 1 num_images_per_prompt (`int`) : her istem için oluşturulacak görsel sayısı prompt_embeds (`torch.Tensor`, *isteğe bağlı*) : Önceden oluşturulmuş metin gömme değerleri. Sağlanmazsa, metin gömme değerleri `prompt` girdi argümanından oluşturulur. prompt_embeds_mask (`torch.Tensor`, *isteğe bağlı*) : Önceden oluşturulmuş metin maskesi. Sağlanmazsa, metin maskesi `prompt` girdi argümanından oluşturulur. prompt_embeds_2 (`torch.Tensor`, *isteğe bağlı*) : ByT5'ten önceden oluşturulmuş glif metin gömme değerleri. Sağlanmazsa, `prompt` girdi argümanından self.tokenizer_2 ve self.text_encoder_2 kullanılarak oluşturulur. prompt_embeds_mask_2 (`torch.Tensor`, *isteğe bağlı*) : ByT5 tarafından önceden oluşturulmuş glif metin maskesi. Sağlanmazsa, `prompt` girdi argümanından self.tokenizer_2 ve self.text_encoder_2 kullanılarak oluşturulur. ## HunyuanImageRefinerPipeline[[diffusers.HunyuanImageRefinerPipeline]] #### diffusers.HunyuanImageRefinerPipeline[[diffusers.HunyuanImageRefinerPipeline]] ```python diffusers.HunyuanImageRefinerPipeline(scheduler: FlowMatchEulerDiscreteScheduler, vae: AutoencoderKLHunyuanImageRefiner, text_encoder: Qwen2_5_VLForConditionalGeneration, tokenizer: Qwen2Tokenizer, transformer: HunyuanImageTransformer2DModel, guider: AdaptiveProjectedMixGuidance | None = None) ``` [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/hunyuan_image/pipeline_hunyuanimage_refiner.py#L138) **Parametreler:** transformer ([HunyuanImageTransformer2DModel](/docs/diffusers/main/tr/api/models/hunyuanimage_transformer_2d#diffusers.HunyuanImageTransformer2DModel)) : Kodlanmış görüntü latentlerini gürültüden arındırmak için kullanılan Koşullu Transformer (MMDiT) mimarisi. scheduler ([FlowMatchEulerDiscreteScheduler](/docs/diffusers/main/tr/api/schedulers/flow_match_euler_discrete#diffusers.FlowMatchEulerDiscreteScheduler)) : Kodlanmış görüntü latentlerini gürültüden arındırmak için `transformer` ile birlikte kullanılacak bir zamanlayıcı. vae ([AutoencoderKLHunyuanImageRefiner](/docs/diffusers/main/tr/api/models/autoencoder_kl_hunyuanimage_refiner#diffusers.AutoencoderKLHunyuanImageRefiner)) : Görüntüleri latent temsillere kodlamak ve latent temsillerden görüntülere çözmek için kullanılan Varyasyonel Oto-Kodlayıcı (VAE) Modeli. text_encoder (`Qwen2.5-VL-7B-Instruct`) : [Qwen2.5-VL-7B-Instruct](https://huggingface.co/Qwen/Qwen2.5-VL-7B-Instruct), özellikle [Qwen2.5-VL-7B-Instruct](https://huggingface.co/Qwen/Qwen2.5-VL-7B-Instruct) varyantı. tokenizer (`Qwen2Tokenizer`) : [Qwen2Tokenizer] sınıfının tokenizer'ı. Metinden görüntüye üretim için HunyuanImage hattı. #### __call__[[diffusers.HunyuanImageRefinerPipeline.__call__]] ```python __call__(prompt: str | list[str] = None, negative_prompt: str | list[str] = None, distilled_guidance_scale: float | None = 3.25, image: PipelineImageInput | None = None, height: int | None = None, width: int | None = None, num_inference_steps: int = 4, sigmas: list[float] | None = None, num_images_per_prompt: int = 1, generator: torch.Generator | list[torch.Generator] | None = None, latents: torch.Tensor | None = None, prompt_embeds: torch.Tensor | None = None, prompt_embeds_mask: torch.Tensor | None = None, negative_prompt_embeds: torch.Tensor | None = None, negative_prompt_embeds_mask: torch.Tensor | None = None, output_type: str | None = 'pil', return_dict: bool = True, attention_kwargs: dict[str, Any] | None = None, callback_on_step_end: Callable[[int, int], None] | None = None, callback_on_step_end_tensor_inputs: list[str] = ['latents']) ``` [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/hunyuan_image/pipeline_hunyuanimage_refiner.py#L436) **Parametreler:** prompt (`str` veya `list[str]`, *isteğe bağlı*) : Görsel üretimi yönlendirmek için istem veya istemler. Tanımlanmamışsa, bunun yerine `prompt_embeds` geçirilmelidir. negative_prompt (`str` veya `list[str]`, *isteğe bağlı*) : Görsel üretimi yönlendirmemek için kullanılan istem veya istemler. Tanımlanmazsa, boş negatif bir istem kullanılır. Yönlendirme kullanılmadığında yok sayılır. distilled_guidance_scale (`float`, *opsiyonel*, varsayılan değeri None) : Rehberlik damıtılmış modeller için bir rehberlik ölçeği değeri. Geleneksel sınıflandırıcı-ücretsiz rehberlikte rehberlik ölçeğinin gürültü tahmini yeniden ölçekleme yoluyla çıkarım sırasında uygulanmasının aksine, rehberlik damıtılmış modeller rehberlik ölçeğini ileri geçiş sırasında doğrudan bir giriş parametresi olarak alır. Rehberlik, `distilled_guidance_scale > 1` olarak ayarlanarak etkinleştirilir. Daha yüksek rehberlik ölçeği, `prompt` ile yakından ilişkili görüntülerin üretilmesini teşvik eder, genellikle daha düşük görüntü kalitesi pahasına. Rehberlik damıtılmış modeller için bu parametre zorunludur. Damıtılmamış modeller için bu parametre yok sayılır. image (`PipelineImageInput`, *isteğe bağlı*) : İnceltilmesi gereken girdi görüntüsü. num_images_per_prompt (`int`, *isteğe bağlı*, varsayılan 1) -- height (`int`, *isteğe bağlı*, varsayılan olarak self.unet.config.sample_size * self.vae_scale_factor) : Üretilen görüntünün piksel cinsinden yüksekliği. En iyi sonuçlar için varsayılan olarak 1024 olarak ayarlanır. width (`int`, *isteğe bağlı*, varsayılan olarak self.unet.config.sample_size * self.vae_scale_factor) : Üretilen görüntünün piksel cinsinden genişliği. En iyi sonuçlar için varsayılan olarak 1024 olarak ayarlanır. num_inference_steps (`int`, *isteğe bağlı*, varsayılan 50) : Gürültü azaltma adım sayısı. Daha fazla gürültü azaltma adımı genellikle daha yavaş çıkarım pahasına daha yüksek kaliteli bir görüntüye yol açar. sigmas (`list[float]`, *isteğe bağlı*) : `set_timesteps` metodunda `sigmas` argümanını destekleyen zamanlayıcılarla gürültü azaltma süreci için kullanılacak özel sigmalar. Tanımlanmamışsa, `num_inference_steps` geçirildiğinde varsayılan davranış kullanılacaktır. num_images_per_prompt (`int`, *isteğe bağlı*, varsayılan 1) : Her istem için üretilecek görsel sayısı. generator (`torch.Generator` veya `list[torch.Generator]`, *isteğe bağlı*) : Üretimi deterministik hale getirmek için bir veya [torch üreteci(leri)](https://pytorch.org/docs/stable/generated/torch.Generator.html) listesi. latents (`torch.Tensor`, *isteğe bağlı*) : Görsel üretimi için girdi olarak kullanılacak, Gauss dağılımından örneklenen önceden oluşturulmuş gürültülü latentler. Farklı istemlerle aynı üretimi ayarlamak için kullanılabilir. Sağlanmazsa, sağlanan rastgele `generator` kullanılarak örneklem yoluyla bir latent tensörü oluşturulur. prompt_embeds (`torch.Tensor`, *isteğe bağlı*) : Ön oluşturulmuş metin gömme değerleri. Metin girdilerini kolayca ayarlamak için kullanılabilir, *ör.* istem ağırlıklandırması. Sağlanmazsa, metin gömme değerleri `prompt` girdi argümanından oluşturulur. prompt_embeds_mask (`torch.Tensor`, *isteğe bağlı*) : `prompt_embeds` için dikkat maskesi. negative_prompt_embeds (`torch.Tensor`, *isteğe bağlı*) : Ön oluşturulmuş negatif metin gömme değerleri. Metin girdilerini kolayca ayarlamak için kullanılabilir, *ör.* istem ağırlıklandırması. Sağlanmazsa, negative_prompt_embeds, `negative_prompt` girdi argümanından oluşturulur. negative_prompt_embeds_mask (`torch.Tensor`, *isteğe bağlı*) : `negative_prompt_embeds` için dikkat maskesi. output_type (`str`, *isteğe bağlı*, varsayılan `"pil"`) : Üretilen görüntünün çıktı biçimi. [PIL](https://pillow.readthedocs.io/en/stable/): `PIL.Image.Image` veya `np.array` arasında seçim yapın. return_dict (`bool`, *isteğe bağlı*, varsayılan `True`) : Düz bir tuple yerine `~pipelines.qwenimage.QwenImagePipelineOutput` döndürülecek mi? attention_kwargs (`dict`, *isteğe bağlı*) : Belirtilirse, [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py) içinde `self.processor` altında tanımlanan `AttentionProcessor`'a iletilen bir kwargs sözlüğü. callback_on_step_end (`Callable`, *isteğe bağlı*) : Çıkarım sırasında her gürültü azaltma adımının sonunda çağrılan bir işlev. İşlev aşağıdaki argümanlarla çağrılır: `callback_on_step_end(self: DiffusionPipeline, step: int, timestep: int, callback_kwargs: Dict)`. `callback_kwargs`, `callback_on_step_end_tensor_inputs` tarafından belirtilen tüm tensörlerin listesini içerir. callback_on_step_end_tensor_inputs (`List`, *optional*) : The list of tensor inputs for the `callback_on_step_end` function. The tensors specified in the list will be passed as `callback_kwargs` argument. You will only be able to include variables listed in the `._callback_tensor_inputs` attribute of your pipeline class. **Dönüş:** `~pipelines.hunyuan_image.HunyuanImagePipelineOutput` veya `tuple` `return_dict` True ise `~pipelines.hunyuan_image.HunyuanImagePipelineOutput`, aksi halde `tuple`. Tuple döndürüldüğünde, ilk öğe üretilen görüntülerin listesidir. Üretim için pipeline çağrıldığında tetiklenen işlev. Örnekler: ```py >>> import torch >>> from diffusers import HunyuanImageRefinerPipeline >>> pipe = HunyuanImageRefinerPipeline.from_pretrained( ... "hunyuanvideo-community/HunyuanImage-2.1-Refiner-Diffusers", torch_dtype=torch.bfloat16 ... ) >>> pipe.to("cuda") >>> prompt = "A cat holding a sign that says hello world" >>> image = load_image("path/to/image.png") >>> # Depending on the variant being used, the pipeline call will slightly vary. >>> # Refer to the pipeline documentation for more details. >>> image = pipe(prompt, image=image, num_inference_steps=4).images[0] >>> image.save("hunyuanimage.png") ``` #### encode_prompt[[diffusers.HunyuanImageRefinerPipeline.encode_prompt]] ```python encode_prompt(prompt: str | list[str] | None = None, device: torch.device | None = None, batch_size: int = 1, num_images_per_prompt: int = 1, prompt_embeds: torch.Tensor | None = None, prompt_embeds_mask: torch.Tensor | None = None) ``` [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/hunyuan_image/pipeline_hunyuanimage_refiner.py#L225) **Parametreler:** prompt (`str` veya `list[str]`, *isteğe bağlı*) : kodlanacak istem device : (`torch.device`): torch cihazı batch_size (`int`) : istemlerin batch boyutu, varsayılan olarak 1 num_images_per_prompt (`int`) : her istem için oluşturulacak görsel sayısı prompt_embeds (`torch.Tensor`, *isteğe bağlı*) : Önceden oluşturulmuş metin gömme değerleri. Sağlanmazsa, metin gömme değerleri `prompt` girdi argümanından oluşturulur. prompt_embeds_mask (`torch.Tensor`, *isteğe bağlı*) : Önceden oluşturulmuş metin maskesi. Sağlanmazsa, metin maskesi `prompt` girdi argümanından oluşturulur. prompt_embeds_2 (`torch.Tensor`, *isteğe bağlı*) : ByT5'ten önceden oluşturulmuş glif metin gömme değerleri. Sağlanmazsa, `prompt` girdi argümanından self.tokenizer_2 ve self.text_encoder_2 kullanılarak oluşturulur. prompt_embeds_mask_2 (`torch.Tensor`, *isteğe bağlı*) : ByT5 tarafından önceden oluşturulmuş glif metin maskesi. Sağlanmazsa, `prompt` girdi argümanından self.tokenizer_2 ve self.text_encoder_2 kullanılarak oluşturulur. ## HunyuanImagePipelineOutput[[diffusers.pipelines.hunyuan_image.pipeline_output.HunyuanImagePipelineOutput]] #### diffusers.pipelines.hunyuan_image.pipeline_output.HunyuanImagePipelineOutput[[diffusers.pipelines.hunyuan_image.pipeline_output.HunyuanImagePipelineOutput]] ```python diffusers.pipelines.hunyuan_image.pipeline_output.HunyuanImagePipelineOutput(images: list) ``` [Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/hunyuan_image/pipeline_output.py#L10) **Parametreler:** images (`list[PIL.Image.Image]` veya `np.ndarray`) : Uzunluğu `batch_size` olan gürültüsü azaltılmış PIL görselleri listesi veya `(batch_size, height, width, num_channels)` biçiminde bir numpy dizisi. PIL görselleri veya numpy dizisi, difüzyon hattının gürültüsü azaltılmış görsellerini temsil eder. HunyuanImage pipeline'leri için çıktı sınıfı.