# المُكيّفات القديمة

لا تزال هذه الأساليب مدعومة، لا سيما في نقاط التفتيش من عائلة Stable Diffusion. أما في الأعمال الجديدة، فيُفضَّل استخدام [LoRA](../tutorials/using_peft_for_inference) و[IP-Adapter](./ip_adapter) و[ControlNet](./controlnet).

## T2I-Adapter

[T2I-Adapter](https://huggingface.co/papers/2302.08453) هو مُكيّف لتوليد قابل للتحكم. يتعلم خرائط من إشارة التحكم (مثل خريطة العمق أو حواف canny) إلى الميزات الداخلية لنموذج مُدرَّب مسبقًا، ويضيف هذا التوجيه أثناء التوليد. يشبه [ControlNet](./controlnet) في الدور، لكنه مُكيّف مُدمج أخف وزنًا.

حمّل مُكيّفًا مشروطًا بالتحكم، ثم حمّل خط الأنابيب باستخدام [from_pretrained()](/docs/diffusers/v0.43.0/ar/api/pipelines/overview#diffusers.DiffusionPipeline.from_pretrained) ومرره مع `adapter=`.

```py
import torch
from diffusers import T2IAdapter, StableDiffusionXLAdapterPipeline, AutoencoderKL

t2i_adapter = T2IAdapter.from_pretrained(
    "TencentARC/t2i-adapter-canny-sdxl-1.0",
    dtype=torch.float16,
)
```

أنشئ صورة كاني باستخدام [opencv-python](https://github.com/opencv/opencv-python).

```py
import cv2
import numpy as np
from PIL import Image
from diffusers.utils import load_image

original_image = load_image(
    "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/diffusers/non-enhanced-prompt.png"
)

image = np.array(original_image)

low_threshold = 100
high_threshold = 200

image = cv2.Canny(image, low_threshold, high_threshold)
image = image[:, :, None]
image = np.concatenate([image, image, image], axis=2)
canny_image = Image.fromarray(image)
```

مرّر صورة كانّي إلى خط الأنابيب لتوليد صورة.

```py
vae = AutoencoderKL.from_pretrained("madebyollin/sdxl-vae-fp16-fix", dtype=torch.float16)
pipeline = StableDiffusionXLAdapterPipeline.from_pretrained(
    "stabilityai/stable-diffusion-xl-base-1.0",
    adapter=t2i_adapter,
    vae=vae,
    dtype=torch.float16,
).to("cuda")  # or "mps", "xpu", "cpu"

prompt = """
A photorealistic overhead image of a cat reclining sideways in a flamingo pool floatie holding a margarita. 
The cat is floating leisurely in the pool and completely relaxed and happy.
"""

pipeline(
    prompt, 
    image=canny_image,
    num_inference_steps=100, 
    guidance_scale=10,
).images[0]
```

  
    
    الصورة الأصلية
  
  
    
    صورة كان
  
  
    
    صورة مولّدة
  

انظر أيضًا إلى [تدريب T2I-Adapter](../training/t2i_adapters).

### MultiAdapter

قم بتجميع عدة عناصر تحكم (على سبيل المثال، canny وdepth) باستخدام `MultiAdapter`. مرر قائمة من المحوِّلات إلى `MultiAdapter`، ثم مرر صور التحكم المطابقة كقائمة إلى خط الأنابيب.

```py
import torch
from diffusers.utils import load_image
from diffusers import StableDiffusionXLAdapterPipeline, AutoencoderKL, MultiAdapter, T2IAdapter

canny_image = load_image(
    "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/diffusers/canny-cat.png"
)
depth_image = load_image(
    "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/diffusers/sdxl_depth_image.png"
)
controls = [canny_image, depth_image]
prompt = ["""
a relaxed rabbit sitting on a striped towel next to a pool with a tropical drink nearby, 
bright sunny day, vacation scene, 35mm photograph, film, professional, 4k, highly detailed
"""]

adapters = MultiAdapter(
    [
        T2IAdapter.from_pretrained("TencentARC/t2i-adapter-canny-sdxl-1.0", dtype=torch.float16),
        T2IAdapter.from_pretrained("TencentARC/t2i-adapter-depth-midas-sdxl-1.0", dtype=torch.float16),
    ]
)
```

مرّر المُكيّفات (adapters) والموجّه (prompt) وصور التحكم إلى [StableDiffusionXLAdapterPipeline](/docs/diffusers/v0.43.0/ar/api/pipelines/stable_diffusion/adapter#diffusers.StableDiffusionXLAdapterPipeline). استخدم معامل `adapter_conditioning_scale` لتحديد مقدار الوزن المُسنَد إلى كل عنصر تحكم.

```py
vae = AutoencoderKL.from_pretrained("madebyollin/sdxl-vae-fp16-fix", dtype=torch.float16)
pipeline = StableDiffusionXLAdapterPipeline.from_pretrained(
    "stabilityai/stable-diffusion-xl-base-1.0",
    dtype=torch.float16,
    vae=vae,
    adapter=adapters,
).to("cuda")  # or "mps", "xpu", "cpu"

pipeline(
    prompt,
    image=controls,
    height=1024,
    width=1024,
    adapter_conditioning_scale=[0.7, 0.7]
).images[0]
```

  
    
    صورة كان
  
  
    
    خريطة العمق
  
   
    
    صورة مولّدة
  

## Textual Inversion

[Textual Inversion](https://huggingface.co/papers/2208.01618) يُخصّص النموذج لمفهوم من 3 إلى 5 صور من خلال ضبط دقيق لتضمينات الكلمات المرتبطة برمز فريد (`<sks>`). يمكنك بعد ذلك استخدام ذلك الرمز في طلبك لتوليد المفهوم (على سبيل المثال، فن البكسل).

عادةً ما تكون أوزان [Textual Inversion](/docs/diffusers/v0.43.0/ar/api/pipelines/overview#diffusers.DiffusionPipeline.from_pretrained) بضعة كيلوبايتات فقط لأنها عبارة عن تمثيلات كلمات (word embeddings) فقط. حمّلها بعد [from_pretrained()](/docs/diffusers/v0.43.0/ar/api/loaders/textual_inversion#diffusers.loaders.TextualInversionLoaderMixin.load_textual_inversion) باستخدام load_textual_inversion()، وشمل الرمز الفريد (unique token) في الأمر (prompt) لتفعيل التوليد.

```py
import torch
from diffusers import AutoPipelineForText2Image

pipeline = AutoPipelineForText2Image.from_pretrained(
    "stable-diffusion-v1-5/stable-diffusion-v1-5",
    dtype=torch.float16
).to("cuda")  # or "mps", "xpu", "cpu"
```

```py
pipeline.load_textual_inversion("sd-concepts-library/gta5-artwork")
prompt = "A cute brown bear eating a slice of pizza, stunning color scheme, masterpiece, illustration, <gta5-artwork> style"
pipeline(prompt).images[0]
```

    

لتدريب التضمينات، راجع [تدريب الانعكاس النصي](../training/text_inversion).

يمكن أيضًا تدريب Textual Inversion على تعلّم *تضمينات سالبة* لتوجيه عملية التوليد بعيدًا عن الخصائص غير المرغوبة مثل "الضبابية" أو "القبح"، مما يجعله مفيدًا لتحسين جودة الصور.

يعتبر EasyNegative تضمينًا سلبيًا شائع الاستخدام يحتوي على عدة مفاهيم سلبية متعلمة. قم بتحميل التضمينات السلبية وتحديد اسم الملف والرمز المرتبط بالتضمينات السلبية. مرّر الرمز إلى `negative_prompt` في خط أنابيبك لتفعيله.

```py
import torch
from diffusers import AutoPipelineForText2Image

pipeline = AutoPipelineForText2Image.from_pretrained(
    "stable-diffusion-v1-5/stable-diffusion-v1-5",
    dtype=torch.float16
).to("cuda")  # or "mps", "xpu", "cpu"
pipeline.load_textual_inversion(
    "EvilEngine/easynegative",
    weight_name="easynegative.safetensors",
    token="easynegative"
)
prompt = "A cute brown bear eating a slice of pizza, stunning color scheme, masterpiece, illustration"
negative_prompt = "easynegative"
pipeline(prompt, negative_prompt=negative_prompt).images[0]
```