- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI算法能力提高班
Diffusers | 教程
Diffusers Tutorials ---- code https://github.com/huggingface/diffusers img ---- Introduction Diffusers Installation $ pip install --upgrade diffusers[torch] # OR $ conda install -c conda-forge diffusers # uncomment to install the necessary libraries in Colab # pip install --upgrade diffusers accelerate library=diffusers&sort=downloads DiffusionPipeline 支持的部分任务 Task Description Pipeline Unconditional Image in Picasso style").images[0] image.save("image_of_squirrel_painting.png") Swapping schedulers from diffusers
1.9K11编辑于 2023-09-21 diffusers加载模型每次都联网如何离线加载
diffusers模块很好用，唯一缺点就是没把离线加载模型做好。一般都是联网自动下载后，以后离线加载一下就行了，没想到每次都远程下载一堆东西而且经常容易断网。
15200编辑于 2025-07-20- 来自专栏云上修行
使用Diffusers调用civitai中的checkpoint及lora
Diffusers（https://huggingface.co/docs/diffusers/index）是一个先进的预训练扩散模型库，用于生成图像、音频甚至分子的三维结构。 Diffusers库则满足了这一需求，允许用户在Python中根据特定需求自定义模型和提示来生成图像。 python ~/diffusers/scripts/convert_original_stable_diffusion_to_diffusers.py --checkpoint_path dreamlikePhotoreal20 详见： https://github.com/huggingface/diffusers/blob/main/scripts/convert_original_stable_diffusion_to_diffusers.py 详见： https://github.com/huggingface/diffusers/blob/main/scripts/convert_lora_safetensor_to_diffusers.py
5.2K43编辑于 2023-08-24 - 来自专栏算法一只狗
一个好用的扩散模型包：Diffusers
这恰好Huggingface推出了这个扩散模型包“Diffusers”。 2.Diffusers 这个包有以下具体功能： 1 只需要几行代码，就能够利用扩散diffusion模型生成图像，简直是广大手残党的福音 2 可以使用不同的“噪声调节器”，来平衡模型生成速度和质量之间的关系 模型 要利用文本生成图片，主要有以下几个步骤： 安装对应的功能包 登陆huggingface网站，获取token 输入代码，下载模型，等待生成结构 1 功能包安装 + 获取Token 除了需要安装"Diffusers "之外： pip install --upgrade diffusers 还需要安装“pytorch”，“transformers ”等 pip install transformers 其中pytorch Diffusion” # make sure you're logged in with `huggingface-cli login` from torch import autocast from diffusers
3K20编辑于 2022-11-04 - 来自专栏OpenMMLab
当MMEngine遇到Diffusers，带你轻松玩转扩散模型 ！
Diffusers 可帮助您使用扩散模型生成逼真多样的图像、音频和其他类型的数据样本。 Diffusers 提供以下功能： 仅使用几行代码就能进行推理的扩散流程 各种预训练模型 如果您想了解更多关于 Diffusers 的信息，请访问： Diffusers GitHub： https:// 使用 diffusers.pipeline 进行推理 DiffEngine 通过 diffusers.pipeline 简化了将训练过的扩散模型部署到推理任务中的过程。 进行推理 完成训练后，您只需指定模型路径，即可使用 diffusers.pipeline 进行推理。 通过利用这两个优势，DiffEngine 将为 Diffusers 创建一个统一的训练库。
78830编辑于 2023-09-13 - 来自专栏云上修行
使用Diffusers调用civitai中的checkpoint及LoRA（二）
背景上一篇《使用Diffusers调用civitai中的checkpoint及LoRA》使用了Diffusers的脚本将C站（civitai）的checkpoint及LoRA转化成Diffusers可以识别的格式 ，然后供Diffusers使用。 但这种方式由于和越南大佬做的sd-webui的方式不同，导致使用Diffusers的很多困扰。在Diffusers v0.20.0之后，这些问题部分性的解决了。 就是说，我们可以使用Diffusers将checkpoint模型与LoRA一起加载，并获得使用sd-webui生成完全相同的结果.代码实操及效果先来看看diffusers docs中推荐的方式。 总结本文介绍了Diffusers对Lora支持的最新进展。通过Diffusers v0.20.0的更新，我们可以通过Diffusers获得与sd-webui相同的效果，便于不同框架之间的效果对比。
6.7K45编辑于 2023-09-06 - 来自专栏云上修行
使用Diffusers调用civitai中的checkpoint及LoRA 补遗
背景《使用Diffusers调用civitai中的checkpoint及lora》一文主要描述了使用diffusers离线脚本的方式加载C站的checkpoint和LoRA。 那如何进一步使用diffusers库提升生成图像的质量呢？本文提供了一些小技巧。解除77个tokens限制在当前版本的diffusers库中，可用于生成图像的提示令牌限制为 77 个。 此参数要求diffusers使用lpw_stable_diffusion的pipeline，这将解除77个tokens限制。 优化diffusers效率1. 优化diffusers CUDA 内存使用使用diffusers加载多个模型处理生成的图像时，需要特别关注CUDA内存使用情况。
2.1K30编辑于 2023-09-08 - 来自专栏为了不折腾而去折腾的那些事
使用 Docker 和 Diffusers 快速上手 Stable Video Diffusion 图生视频大模型
除此之外，为了高效运行模型，我推荐使用 Nvidia 官方的容器镜像（nvcr.io/nvidia/pytorch:23.12-py3[11]），以及 HuggingFace 出品的 Diffusers 高效的基础运行环境： FROM nvcr.io/nvidia/pytorch:23.12-py3 RUN pip install transformers==4.35.2 gradio==4.13.0 diffusers import AutoFix; AutoFix()" 这个两条命令可以解决从 2023 年 6 月开始的 Nvidia 官方镜像适配 Stable Diffusion Video 相关模型，在使用 Diffusers import StableVideoDiffusionPipeline from diffusers.utils import export_to_video from PIL import Image 省略其他准备工作 # 使用 diffusers 来创建一个 AI Pipeline pipe = StableVideoDiffusionPipeline.from_pretrained( "
1.8K10编辑于 2024-01-09 - 来自专栏JAVA
用 Transformers + Diffusers 部署 AI 图像生成服务（含 Stable Diffusion 报错处理大全）
，比如： ModuleNotFoundError: No module named 'diffusers' CUDA out of memory 模型下载超慢 or 被墙 你将学到： 如何快速从 HuggingFace 下载 & 加载图像模型 如何用最少显存成功推理 如何部署一个支持 API + WebUI 的本地图像生成服务✨ 《用 Transformers + Diffusers 部署 AI 模型加载失败、bitsandbytes 显存优化、Gradio 图像服务 引言：为什么选择 Transformers + Diffusers？ / FastAPI 快速部署为 Web 或 API 服务 简单易用，部署快 小提示：很多 HuggingFace 上的图像模型其实都是基于 diffusers 封装的，适合本地离线使用。 Diffusers 更新较频繁，推荐锁定版本！
97510编辑于 2025-04-22 - 来自专栏机器之心
适配Diffusers框架的全套教程来了！从T2I-Adapter到大热ControlNet
diffusers 框架中被使用。 LoRA、ControlNet、T2I-Adapter 到 diffusers 的全适配方案 LoRA for diffusers 本方案是为了在 diffusers 框架，即基于 diffusers 代码开源在：https://github.com/haofanwang/Lora-for-Diffusers ControlNet for diffusers 本方案是为了支持在 diffusers 代码开源在：https://github.com/haofanwang/ControlNet-for-Diffusers T2I-Adapter for diffusers 与 ControlNet 相似，我们也同时支持了同期开源的 T2I-Adapter 到 diffusers 的适配。
1.7K10编辑于 2023-03-29 - 来自专栏AI进修生
CogVideoX-5B：最新开源！！你可以在本地使用AI文本生成视频了！（12G显存 & 本地部署）
推理的硬件需求如下： CogVideoX-2B 模型： • FP16 精度： • 使用 diffusers：需要 12.5GB 显存 • INT8 精度： • 使用 diffusers with torchaudio ：需要 7.8GB 显存 CogVideoX-5B 模型： • BF16 精度： • 使用 diffusers：需要 20.7GB 显存 • INT8 精度： • 使用 diffusers with torchaudio ：需要 11.4GB 显存 体验界面如下： 快速上手 本模型已经支持使用 Huggingface 的 diffusers 库进行部署，你可以按照以下步骤进行部署。 安装对应的依赖 # diffusers>=0.30.1 # transformers>=0.44.0 # accelerate>=0.33.0 (建议从源代码安装) # imageio-ffmpeg>= torch from diffusers import CogVideoXPipeline from diffusers.utils import export_to_video prompt =
1.5K10编辑于 2024-12-02 - 来自专栏DevOps
AIGC：从文本生成图像（DALLE ，Stable Diffusion）
到Stable Diffusion DALLE2是收费的，用户只有一些免费的额度，如果免费额度使用完毕就需要付费了，所以必须寻找替代方案，并发现了Hugging Face，他们发布了一个扩散模型的包diffusers 二、使用diffusers package从文本prompt生成图像 首先，使用diffusers包从文本生成图像，我们要有一个GPU，可以使用google的colab，但是常规的colab由于RAM有限制 然后，要安装如下package： diffusers==0.2.4 — 这是我们主要使用的包 transformers — 这个是Hugging Face的成名基础包 scipy — 科学计算的 pip install diffusers==0.2.4 !pip install transformers scipy ftfy ! pip install "ipywidgets>=7,<8" 导入依赖包： import torch from diffusers import StableDiffusionPipeline 下载StableDiffusionPipeline
52210编辑于 2024-03-29 - 来自专栏个人博客
ControlNet训练自己数据集 - plus studio
ControlNet训练自己数据集 2024.1.20更新 controlnet发布快一年了，diffusers已经有了很完整的生态，建议直接使用第二种方式diffusers进行训练+推理 从官方仓库训练 ，接着你就可以中下面diffusers的方式推理模型了。 训练 Diffusers 是一个huggingface 推出的扩散模型的封装库,同时也对ControlNet做了封装，https://github.com/huggingface/diffusers/ tree/main/examples/controlnet 训练 代码跑起来其实也非常简单，首先下载diffusers整个仓库,然后安装依赖 git clone https://github.com/ huggingface/diffusers cd diffusers pip install -r requirements.txt 你可能会发现这样的报错 WARNING: The scripts
2.2K10编辑于 2024-02-28 - 来自专栏心源易码
智谱AI开源国产版Sora——CogVideoX-2b本地部署实践教程
diffusers，然后再删除requirements.txt文件中的git+https://github.com/huggingface/diffusers.git@878f609aa5ce4a78fea0f048726889debde1d7e8 #egg=diffusers那一行，继续使用pip安装剩下的依赖以上依赖安装好后，可以在终端输入python，然后输入以下代码进行测试：import torchfrom diffusers import CogVideoXPipelinefrom diffusers.utils import export_to_video显示如下状态，没有报错就说明依赖安装成功！ 2.4、开始运行上传完成后，在CogVideo-main文件新建一个test.py文件test.py代码内容如下，主要使用diffusers库中的CogVideoXPipeline模型，加载了一个预训练的 CogVideo模型，然后根据一个详细的文本描述（prompt），生成对应视频：import torchfrom diffusers import CogVideoXPipelinefrom diffusers.utils
3K10编辑于 2024-08-13 - 来自专栏磐创AI技术团队的专栏
DeepFloyd Lab 联合 StabilityAI 开源的大模型 DeepFloyd IF
集成 Diffusers IF 同时集成了 Hugging Face Diffusers 库 Diffusers 单独运行每个阶段，允许用户自定义图像生成过程，并允许轻松检查中间结果。 接下来我们安装 diffusers 和依赖项： pip install diffusers accelerate transformers safetensors 现在我们可以在本地运行模型了。 默认情况下， diffusers 使用模型 cpu 卸载来运行整个IF管道，只有14GB的VRAM。 from diffusers import DiffusionPipeline from diffusers.utils import pt_to_pil import torch stage 1 stage /if_stage_III.png") 有多种方法可以通过 diffusers 来加快推理时间并降低内存消耗。
88310编辑于 2023-08-28 - 来自专栏拓端tecdat
R语言SIR模型（Susceptible Infected Recovered Model）代码sir模型实例
# initiate the diffusers seeds_num =1 diffusers =sample(V(g),seeds_num) ; diffusers ## + 1/50 vertex : ## [1] 43 infected =list() infected[[1]]=diffusers# 第三步，传染能力 在这个简单的例子中，每个节点的传染能力是0.5，即与其相连的节点以 nearest_neighbors[,2], toss)) new_infected =as.numeric(as.character(nearest_neighbors[,1][keep >=1])) diffusers =unique(c(as.numeric(diffusers), new_infected)) return(diffusers)} set.seed(1); 开启扩散过程！
1.4K30发布于 2020-11-03 - 来自专栏DeepHub IMBA
使用Dreambooth LoRA微调SDXL 0.9
本文基于diffusers包，至少需要0.18.2或更高版本。 pip install git+https://github.com/huggingface/diffusers LoRA进行SDXL 0.9 Dreambooth微调需要0.19.0.dev0及以上版本的 /data" snapshot_download( "diffusers/dog-example", local_dir=local_dir, repo_type="dataset 如果你使用的是旧版本的diffusers，它将由于版本不匹配而报告错误。 本文使用的主要库： https://github.com/huggingface/diffusers https://github.com/huggingface/diffusers/blob/main
1.4K50编辑于 2023-08-30 - 来自专栏拓端tecdat
R语言SIR模型（Susceptible Infected Recovered Model）代码sir模型实例
# initiate the diffusers seeds_num =1 diffusers =sample(V(g),seeds_num) ; diffusers ## + 1/50 vertex : ## [1] 43 infected =list() infected[[1]]=diffusers# 第三步，传染能力 在这个简单的例子中，每个节点的传染能力是0.5，即与其相连的节点以0.5的概率被其感染 nearest_neighbors[,2], toss)) new_infected =as.numeric(as.character(nearest_neighbors[,1][keep >=1])) diffusers =unique(c(as.numeric(diffusers), new_infected)) return(diffusers)} set.seed(1); 开启扩散过程！
1.3K20发布于 2020-10-23 - 来自专栏个人博客
huggingface 和相关库 - plus studio
Diffusers Diffusers 收集了所有SOTA的扩散模型，用于生成图像、音频，甚至分子的 3D 结构。 diffusers提供了扩散模型的完整pipeline ，包括DDPM，DDIM，stable_diffusion_2，VAE，controlnet等等，可以使用简单的几行代码完成推理。 安装和上面一样 pip install diffusers["torch"] 或者 pip install diffusers pipeline pipeline 是diffusers 甚至huggingface 这里以stable diffusion 1.5为例，首先创建pipeline，并指明stable diffusion 的版本 from diffusers import DiffusionPipeline Diffusers 现在支持使用 LoRA 进行文本到图像生成和DreamBooth微调。
80210编辑于 2024-02-28 第七章 AI数据质量-3
Diffusers 是一个包含多种预训练扩散模型的模型库，用于生成图像、音频甚至分子的 3D 结构，详细介绍可参考其网址https://huggingface.co/docs/diffusers/quicktour Python Notebook代码如代码段7-2所示： 代码段7-2：基于Stable Diffusion模型的文生图模型生成测试样本代码 import torch from diffusers import 代码段7-4：生成原图的边缘轮廓代码 #ControlNet from diffusers import StableDiffusionControlNetPipeline from diffusers.utils 代码7-5 基于Canny生成相似轮廓的样本代码 from diffusers import StableDiffusionControlNetPipeline, ControlNetModel import 代码段7-7 基于OpenPose生成相同姿态的样本代码 from diffusers import StableDiffusionControlNetPipeline, ControlNetModel
49810编辑于 2025-04-15
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号