# Génération d'images non conditionnelle La génération d’images non conditionnée produit des images qui ressemblent à un échantillon aléatoire des données d’entraînement sur lesquelles le modèle a été entraîné, car le processus de débruitage n’est guidé par aucun contexte supplémentaire, tel que du texte ou une image. Pour commencer, utilisez [DiffusionPipeline](/docs/diffusers/v0.43.0/fr/api/pipelines/overview#diffusers.DiffusionPipeline) pour charger le point de contrôle [anton-l/ddpm-butterflies-128](https://huggingface.co/anton-l/ddpm-butterflies-128) afin de générer des images de papillons. [DiffusionPipeline](/docs/diffusers/v0.43.0/fr/api/pipelines/overview#diffusers.DiffusionPipeline) télécharge et met en cache tous les composants du modèle nécessaires à la génération d'une image. ```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] > Vous souhaitez générer des images d'autre chose ? Consultez le [guide](../training/unconditional_training) d'entraînement pour apprendre à entraîner un modèle afin qu'il génère vos propres images. L'image de sortie est un objet [`PIL.Image`](https://pillow.readthedocs.io/en/stable/reference/Image.html?highlight=image#the-image-class) qui peut être enregistré : ```py image.save("generated_image.png") ``` Vous pouvez également expérimenter avec le paramètre `num_inference_steps`, qui contrôle le nombre d'étapes de débruitage. Un plus grand nombre d'étapes de débruitage produit généralement des images de meilleure qualité, mais la génération prendra plus de temps. N'hésitez pas à jouer avec ce paramètre pour voir comment il affecte la qualité de l'image. ```py image = generator(num_inference_steps=100).images[0] image ``` Essayez l'Space ci-dessous pour générer une image de papillon !