# Generación de imágenes incondicional La generación de imágenes incondicional produce imágenes que parecen una muestra aleatoria de los datos de entrenamiento en los que se entrenó el modelo, ya que el proceso de desruido no está guiado por ningún contexto adicional, como texto o imagen. Para empezar, use [DiffusionPipeline](/docs/diffusers/main/es/api/pipelines/overview#diffusers.DiffusionPipeline) para cargar el punto de control [anton-l/ddpm-butterflies-128](https://huggingface.co/anton-l/ddpm-butterflies-128) y generar imágenes de mariposas. [DiffusionPipeline](/docs/diffusers/main/es/api/pipelines/overview#diffusers.DiffusionPipeline) descarga y almacena en caché todos los componentes del modelo necesarios para generar una imagen. ```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] > ¿Quieres generar imágenes de otra cosa? Consulta la [guía de entrenamiento](../training/unconditional_training) para aprender a entrenar un modelo que genere tus propias imágenes. La imagen de salida es un objeto [`PIL.Image`](https://pillow.readthedocs.io/en/stable/reference/Image.html?highlight=image#the-image-class) que se puede guardar: ```py image.save("generated_image.png") ``` También puedes experimentar con el parámetro `num_inference_steps`, que controla el número de pasos de desruido. Más pasos de desruido suelen producir imágenes de mayor calidad, pero la generación tardará más. Siéntete libre de probar con este parámetro para ver cómo afecta a la calidad de la imagen. ```py image = generator(num_inference_steps=100).images[0] image ``` Prueba el Space de abajo para generar una imagen de una mariposa.