# Model formatları Diffusion modelleri genellikle Diffusers biçiminde veya tek dosya biçiminde saklanır. Model dosyaları, safetensors veya ckpt gibi çeşitli dosya türlerinde saklanabilir. > [!TIP] > Format, ağırlıkların bir dizin yapısında saklanıp saklanmadığına; dosya türü ise bu ağırlıkların nasıl serileştirildiğine (örneğin safetensors veya ckpt) işaret eder. ```text Diffusers format Single-file format model/ model.safetensors (or .ckpt) ├─ model_index.json └─ all components in one file ├─ unet/ (or transformer/) ├─ text_encoder/ ├─ vae/ └─ scheduler/ ``` Bu kılavuz, bu formatlardan ve dosyalardan pipeline ve modellerin nasıl yükleneceğini gösterecektir. ## Diffusers biçimi Diffusers biçimi, her modeli (UNet, transformer, text encoder) ayrı bir alt klasörde saklar. Modelleri ayrı saklamanın çeşitli avantajları vardır. - İhtiyacınız olan tekil modeli yükleyebileceğiniz veya hepsini paralel olarak yükleyebileceğiniz için genel pipeline başlatma işlemi daha hızlıdır. - Sadece bir modele ihtiyacınız varsa tüm pipeline bileşenlerini yüklemenize gerek kalmadığı için bellek kullanımı azalır. Birden fazla pipeline arasında paylaşılan bir modeli [yeniden kullanın](./loading#reusing-models-in-multiple-pipelines). - Birden çok boru hattı arasında paylaşılan ortak modeller yalnızca bir kez indirildiği için depolama gereksinimleri daha düşüktür. - Bir boru hattında yeni veya geliştirilmiş modelleri kullanma esnekliği. ## Tek dosya biçimi Tek dosya formatı, model ağırlıklarının *tümünü* (UNet, transformer, text encoder) tek bir dosyada saklar. Tek dosya formatlarının avantajları şunlardır: - [ComfyUI](https://github.com/comfyanonymous/ComfyUI) veya [Automatic1111](https://github.com/AUTOMATIC1111/stable-diffusion-webui) ile daha yüksek uyumluluk. - Tek bir dosyanın indirilmesi ve paylaşılması daha kolaydır. Tek bir dosya yüklemek için [from_single_file()](/docs/diffusers/main/tr/api/loaders/single_file#diffusers.loaders.FromSingleFileMixin.from_single_file) kullanın. ```py import torch from diffusers import StableDiffusionXLPipeline pipeline = StableDiffusionXLPipeline.from_single_file( "https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/blob/main/sd_xl_base_1.0.safetensors", dtype=torch.float16, device_map="cuda" # or "mps", "xpu", "cpu" ) ``` [from_single_file()](/docs/diffusers/main/tr/api/loaders/single_file#diffusers.loaders.FromSingleFileMixin.from_single_file) metodu, yeni modeller veya zamanlayıcılar geçilmesini de destekler. ```py import torch from diffusers import FluxPipeline, FluxTransformer2DModel transformer = FluxTransformer2DModel.from_single_file( "https://huggingface.co/Kijai/flux-fp8/blob/main/flux1-dev-fp8.safetensors", dtype=torch.bfloat16 ) pipeline = FluxPipeline.from_pretrained( "black-forest-labs/FLUX.1-dev", transformer=transformer, dtype=torch.bfloat16, device_map="cuda" # or "mps", "xpu", "cpu" ) ``` ### Yapılandırma seçenekleri Diffusers format modelleri, katman sayısı ve dikkat başlıkları gibi önemli öznitelikleri içeren `config.json` dosyasına sahiptir. [from_single_file()](/docs/diffusers/main/tr/api/loaders/single_file#diffusers.loaders.FromSingleFileMixin.from_single_file) metodu, `config.json` dosyasından kullanılacak uygun yapılandırmayı otomatik olarak belirler. Ancak bu, nadir durumlarda başarısız olabilir; bu durumda `config` argümanını kullanmalısınız. Hattadaki modellerin orijinal uygulamadan farklı olması veya doğru yapılandırmayı belirlemek için gerekli üstverilere sahip olmaması durumunda `config` argümanını da kullanmalısınız. ```py from diffusers import StableDiffusionXLPipeline ckpt_path = "https://huggingface.co/segmind/SSD-1B/blob/main/SSD-1B.safetensors" pipeline = StableDiffusionXLPipeline.from_single_file(ckpt_path, config="segmind/SSD-1B") ``` `original_config` parametresini `local_files_only=True` ile birlikte geçirdiğinizde Diffusers, pipeline bileşenlerini pipeline sınıfı imzasından çıkarır. Hub'dan yapılandırma dosyalarını indirmez; bu da çevrimdışıyken bozucu değişikliklerin önüne geçer. Bu yol, `config` parametresine yerel bir model yolu vermenin güvenilirliğinin altındadır ve hata verebilir. Çevrimdışıyken daha sonra bunlara ihtiyacınız olursa, yapılandırmaların yerel önbelleğe yerleşmesi için bir kez `local_files_only=False` ile çalıştırın. Varsayılan yapılandırmaları, argümanları doğrudan [from_single_file()](/docs/diffusers/main/tr/api/loaders/single_file#diffusers.loaders.FromSingleFileMixin.from_single_file) fonksiyonuna geçirerek geçersiz kılabilirsiniz. Aşağıdaki örnekler, bir pipeline veya modelde yapılandırmaların nasıl geçersiz kılınacağını göstermektedir. ```py from diffusers import StableDiffusionXLInstructPix2PixPipeline ckpt_path = "https://huggingface.co/stabilityai/cosxl/blob/main/cosxl_edit.safetensors" pipeline = StableDiffusionXLInstructPix2PixPipeline.from_single_file( ckpt_path, config="diffusers/sdxl-instructpix2pix-768", is_cosxl_edit=True ) ``` ```py from diffusers import UNet2DConditionModel ckpt_path = "https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/blob/main/sd_xl_base_1.0_0.9vae.safetensors" model = UNet2DConditionModel.from_single_file(ckpt_path, upcast_attention=True) ``` ### Yerel dosyalar [from_single_file()](/docs/diffusers/main/tr/api/loaders/single_file#diffusers.loaders.FromSingleFileMixin.from_single_file) yöntemi, checkpoint dosyasındaki anahtarlardan model türünü çıkararak bir pipeline veya model yapılandırmaya çalışır. Örneğin, Stable Diffusion XL taban modeline dayalı herhangi bir tek dosyalı checkpoint, [stabilityai/stable-diffusion-xl-base-1.0](https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0) üzerinden yapılandırılır. Yerel dosyalarla çalışıyorsanız, yapılandırma dosyalarını [snapshot_download](https://huggingface.co/docs/huggingface_hub/main/en/package_reference/file_download#huggingface_hub.snapshot_download) yöntemiyle ve model kontrol noktasını [hf_hub_download](https://huggingface.co/docs/huggingface_hub/main/en/package_reference/file_download#huggingface_hub.hf_hub_download) ile indirin. Bu dosyalar [önbellek dizininize](https://huggingface.co/docs/huggingface_hub/en/guides/manage-cache) indirilir, ancak `local_dir` argümanını kullanarak belirli bir dizine indirebilirsiniz. ```py from huggingface_hub import hf_hub_download, snapshot_download from diffusers import StableDiffusionXLPipeline my_local_checkpoint_path = hf_hub_download( repo_id="segmind/SSD-1B", filename="SSD-1B.safetensors" ) my_local_config_path = snapshot_download( repo_id="segmind/SSD-1B", allow_patterns=["*.json", "**/*.json", "*.txt", "**/*.txt"] ) pipeline = StableDiffusionXLPipeline.from_single_file( my_local_checkpoint_path, config=my_local_config_path, local_files_only=True ) ``` ### Simge bağlantısı Simge bağlantılarını desteklemeyen bir dosya sistemiyle çalışıyorsanız, kontrol noktası dosyasını önce `local_dir` parametresiyle yerel bir dizine indirin. `local_dir` parametresini kullanmak simge bağlantılarını otomatik olarak devre dışı bırakır. ```py from huggingface_hub import hf_hub_download, snapshot_download from diffusers import StableDiffusionXLPipeline my_local_checkpoint_path = hf_hub_download( repo_id="segmind/SSD-1B", filename="SSD-1B.safetensors", local_dir="my_local_checkpoints", ) print("My local checkpoint: ", my_local_checkpoint_path) my_local_config_path = snapshot_download( repo_id="segmind/SSD-1B", allow_patterns=["*.json", "**/*.json", "*.txt", "**/*.txt"] ) print("My local config: ", my_local_config_path) ``` Bu yolları [from_single_file()](/docs/diffusers/main/tr/api/loaders/single_file#diffusers.loaders.FromSingleFileMixin.from_single_file) işlevine iletin. ```py pipeline = StableDiffusionXLPipeline.from_single_file( my_local_checkpoint_path, config=my_local_config_path, local_files_only=True ) ``` ## Dosya türleri Modeller birden fazla dosya türünde saklanabilir. Safetensors en yaygın dosya türüdür ancak Hub'da veya difüzyon topluluğunda diğer dosya türleriyle karşılaşabilirsiniz. ### safetensors [Safetensors](https://hf.co/docs/safetensors), tensörleri güvenli bir şekilde depolamak ve yüklemek için güvenli ve hızlı bir dosya türüdür. Belirli saldırı türlerini sınırlamak için başlık boyutunu kısıtlar, tembel yüklemeyi (lazy loading) destekler (dağıtık kurulumlar için faydalıdır) ve genel olarak daha hızlı yüklenir. Diffusers, safetensors dosyaları mevcut ve Safetensors kütüphanesi yüklüyse varsayılan olarak (zorunlu bir bağımlılık) safetensors dosyasını yükler. Safetensor dosyalarını yüklemek için [from_pretrained()](/docs/diffusers/main/tr/api/pipelines/overview#diffusers.DiffusionPipeline.from_pretrained) veya [from_single_file()](/docs/diffusers/main/tr/api/loaders/single_file#diffusers.loaders.FromSingleFileMixin.from_single_file) kullanın. ```py import torch from diffusers import DiffusionPipeline, StableDiffusionXLPipeline pipeline = DiffusionPipeline.from_pretrained( "stabilityai/stable-diffusion-xl-base-1.0", dtype=torch.float16, device_map="cuda", # or "mps", "xpu", "cpu" ) pipeline = StableDiffusionXLPipeline.from_single_file( "https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/blob/main/sd_xl_base_1.0.safetensors", dtype=torch.float16, ) ``` Diffusers eğitim betiğiyle eğitilmiş bir checkpoint kullanıyorsanız, LoRA yapılandırması gibi meta veriler otomatik olarak kaydedilir. Dosya yüklendiğinde, bu meta veriler ayrıştırılır ve LoRA doğru şekilde yapılandırılır. Hub'daki dosyanın yanındaki simgesine tıklayarak safetensors dosyasının meta verilerini inceleyebilirsiniz. Diffusers ile eğitilmemiş kontrol noktaları için LoRA adaptör meta verilerini, bunları [save_lora_weights()](/docs/diffusers/main/tr/api/loaders/lora#diffusers.loaders.FluxLoraLoaderMixin.save_lora_weights) fonksiyonuna geçirerek kaydedin. Transformer için `transformer_lora_adapter_metadata`, metin kodlayıcı için `text_encoder_lora_adapter_metadata` kullanın. Ayrıca `save_directory` ve `transformer_lora_layers` veya `text_encoder_lora_layers` parametrelerinden en az birini de geçirmeniz gerekir. Bu yol yalnızca safetensors dosyaları için desteklenir. ```py import torch from peft.utils import get_peft_model_state_dict from diffusers import FluxPipeline pipeline = FluxPipeline.from_pretrained( "black-forest-labs/FLUX.1-dev", dtype=torch.bfloat16, device_map="cuda" # or "mps", "xpu", "cpu" ) pipeline.load_lora_weights("linoyts/yarn_art_Flux_LoRA") transformer_lora_layers = get_peft_model_state_dict(pipeline.transformer) pipeline.save_lora_weights( save_directory="path/to/lora", transformer_lora_layers=transformer_lora_layers, transformer_lora_adapter_metadata={"r": 8, "lora_alpha": 8}, ) ``` ### ckpt Eski model ağırlıkları genellikle Python'un [pickle](https://docs.python.org/3/library/pickle.html) aracıyla bir ckpt dosyasında kaydedilir. Pickled dosyalar, kötü amaçlı kodun çalıştırılmasına izin verebileceği için güvensiz olabilir. Safetensors dosyaları kullanmak veya ağırlıkları safetensors dosyalarına dönüştürmek önerilir. Bir ckpt dosyasını yüklemek için [from_single_file()](/docs/diffusers/main/tr/api/loaders/single_file#diffusers.loaders.FromSingleFileMixin.from_single_file) kullanın. ```py from diffusers import StableDiffusionPipeline pipeline = StableDiffusionPipeline.from_single_file( "https://huggingface.co/stable-diffusion-v1-5/stable-diffusion-v1-5/blob/main/v1-5-pruned.ckpt" ) ``` ### GGUF GGUF, önceden kuantize edilmiş ağırlıkları tek bir dosyada saklar. Diffusers, GGUF'i [GGUFQuantizationConfig](/docs/diffusers/main/tr/api/quantization#diffusers.GGUFQuantizationConfig) ile model [from_single_file()](/docs/diffusers/main/tr/api/loaders/single_file#diffusers.loaders.FromSingleFileMixin.from_single_file) üzerinden yükler. Pipeline düzeyinde GGUF yükleme desteklenmez. Kurulum adımları ve tam örnekler için [GGUF](../quantization/gguf) sayfasına bakın. ```py import torch from diffusers import FluxTransformer2DModel, GGUFQuantizationConfig transformer = FluxTransformer2DModel.from_single_file( "https://huggingface.co/city96/FLUX.1-dev-gguf/blob/main/flux1-dev-Q2_K.gguf", quantization_config=GGUFQuantizationConfig(compute_dtype=torch.bfloat16), ) ``` ## Biçim ve dosyaları dönüştürme Diffusers, difüzyon ekosistemindeki daha fazla aracın bu formatları ve dosyaları kullanabilmesi için format ve dosya dönüştürme betikleri ve yöntemleri sağlar. Dönüştürme betiğini bulmak için [diffusers/scripts](https://github.com/huggingface/diffusers/tree/main/scripts) klasörüne göz atın. Sonuna `"to_diffusers"` eklenmiş betikler, bir modeli Diffusers biçimine dönüştürür. Her betiğin, dönüştürmeyi yapılandırmak için belirli bir argüman seti vardır. Kullanılabilir argümanları kontrol etmeyi unutmayın. Aşağıdaki örnek, Diffusers biçiminde saklanan bir modeli tek dosya biçimine dönüştürür. Dönüştürülecek modelin yolunu ve dönüştürülmüş modelin kaydedileceği konumu belirtin. İsteğe bağlı olarak, modelin hangi dosya türü ve veri türü olarak kaydedileceğini de belirtebilirsiniz. ```bash python convert_diffusers_to_original_sdxl.py --model_path path/to/model/to/convert --checkpoint_path path/to/save/model/to --use_safetensors ``` [save_pretrained()](/docs/diffusers/main/tr/api/pipelines/overview#diffusers.DiffusionPipeline.save_pretrained) metodu, bir modeli Diffusers biçiminde de kaydeder ve her model için alt klasörlerin oluşturulmasını sağlar. Varsayılan olarak dosyaları safetensor dosyaları olarak kaydeder. ```py from diffusers import StableDiffusionXLPipeline pipeline = StableDiffusionXLPipeline.from_single_file( "https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/blob/main/sd_xl_base_1.0.safetensors", ) pipeline.save_pretrained("path/to/save/model") ``` ## Sonraki adımlar - Tasarım kararları hakkında ve model ağırlıklarının kaydedilmesi ve yüklenmesi için neden [Safetensors audited as really safe and becoming the default](https://blog.eleuther.ai/safetensors-security-audit/) blog gönderisinde de belirtildiği gibi safetensor dosyalarının tercih edildiği hakkında daha fazla bilgi edinin.