Hattaların ve modellerin paylaşımı

PushToHubMixin ile Hub üzerinde pipeline'larınızı, modellerinizi ve zamanlayıcılarınızı paylaşın. Bu mixin:

1. Hub'da bir depo oluşturur
2. modelinizi, zamanlayıcınızı veya pipeline dosyalarınızı daha sonra yeniden yüklenebilmeleri için kaydeder
3. bu dosyaları içeren klasörü Hub'a yükler

Erişim token'ınızla Hugging Face hesabınıza giriş yapın.

from huggingface_hub import notebook_login

notebook_login()

hf auth login

Kısa bir kimlik ("my-controlnet-model") ile kullanıcı ad alanınıza veya "your-org/my-controlnet-model" ile bir organizasyona gönderin.

Modeller

Bir modeli Hub'a göndermek için push_to_hub() çağrısını yapın ve modelin deposu kimliğini belirtin.

from diffusers import ControlNetModel

controlnet = ControlNetModel(
    block_out_channels=(32, 64),
    layers_per_block=2,
    in_channels=4,
    down_block_types=("DownBlock2D", "CrossAttnDownBlock2D"),
    cross_attention_dim=32,
    conditioning_embedding_out_channels=(16, 32),
)
controlnet.push_to_hub("my-controlnet-model")

push_to_hub() yöntemi, modelin config.json dosyasını kaydeder ve ağırlıklar otomatik olarak safetensors dosyaları olarak kaydedilir.

Modeli ControlNetModel.from_pretrained() ile tekrar yükleyin.

model = ControlNetModel.from_pretrained("your-namespace/my-controlnet-model")

Zamanlayıcı

Hub'a bir zamanlayıcı göndermek için push_to_hub() çağrısını yapın ve zamanlayıcının deposu kimliğini belirtin.

from diffusers import DDIMScheduler

scheduler = DDIMScheduler(
    beta_start=0.00085,
    beta_end=0.012,
    beta_schedule="scaled_linear",
    clip_sample=False,
    set_alpha_to_one=False,
)
scheduler.push_to_hub("my-ddim-scheduler")

push_to_hub() yöntemi, zamanlayıcının scheduler_config.json dosyasını belirtilen depoya kaydeder.

Zamanlayıcıyı from_pretrained() ile yeniden yükleyin.

scheduler = DDIMScheduler.from_pretrained("your-namespace/my-ddim-scheduler")

Pipeline

Bir pipeline'ı Hub'a göndermek için önce from_pretrained() ile yükleyin, ardından bir depo kimliği ile push_to_hub() çağrısını yapın.

import torch
from diffusers import DiffusionPipeline

pipeline = DiffusionPipeline.from_pretrained(
    "Qwen/Qwen-Image", dtype=torch.bfloat16, device_map="cuda"  # or "mps", "xpu", "cpu"
)
pipeline.push_to_hub("your-namespace/my-qwen-image")

push_to_hub() yöntemi, her bileşeni depodaki bir alt klasöre kaydeder. Hattı DiffusionPipeline.from_pretrained() ile yeniden yükleyin.

pipeline = DiffusionPipeline.from_pretrained("your-namespace/my-qwen-image")

Gizlilik

Bir model, zamanlayıcı veya pipeline dosyalarını gizli tutmak için push_to_hub() içinde private=True ayarlayın.

controlnet.push_to_hub("my-controlnet-model-private", private=True)

Mevcut bir Hub deposuna varsayılan dal yerine doğrudan itmek yerine bir çekme isteği açmak için create_pr=True parametresini iletin.

Modeller ve hatlar, fp16 gibi adlandırılmış bir ağırlık dosyası istediğinizde push sırasında variant= parametresini de kabul eder. Zamanlayıcılar variant kullanmaz.

Özel depolar yalnızca size görünür. Diğer kullanıcılar depoyu klonlayamaz ve arama sonuçlarında yer almaz. Bir kullanıcının özel deponuzun URL'sine sahip olması durumunda, 404 - Sorry, we can't find the page you are looking for alır. Özel bir depodan model yüklemek için giriş yapmış olmanız gerekir.