Безусловная генерация изображений

Безусловная генерация изображений создаёт картинки, которые выглядят как случайная выборка из обучающих данных, на которых обучалась модель, поскольку процесс денойзинга не направляется каким-либо дополнительным контекстом, таким как текст или изображение.

Для начала используйте DiffusionPipeline, чтобы загрузить контрольную точку anton-l/ddpm-butterflies-128 и сгенерировать изображения бабочек. DiffusionPipeline скачивает и кэширует все компоненты модели, необходимые для генерации изображения.

from diffusers import DiffusionPipeline

generator = DiffusionPipeline.from_pretrained("anton-l/ddpm-butterflies-128").to("cuda")  # or "mps", "xpu", "cpu"
image = generator().images[0]
image

Хотите генерировать изображения чего-то другого? Ознакомьтесь с руководством по обучению, чтобы узнать, как обучить модель генерировать собственные изображения.

Выводом является объект PIL.Image, который можно сохранить:

image.save("generated_image.png")

Вы также можете поэкспериментировать с параметром num_inference_steps, который управляет количеством шагов денойзинга. Как правило, большее число шагов денойзинга приводит к изображению более высокого качества, но генерация займёт больше времени. Не стесняйтесь подбирать значение этого параметра, чтобы оценить его влияние на качество изображения.

image = generator(num_inference_steps=100).images[0]
image

Попробуйте Space ниже, чтобы сгенерировать изображение бабочки!