Points de contrôle hérités

Ces paramètres s’appliquent principalement aux points de contrôle plus anciens de la famille Stable Diffusion.

Vérificateur de sécurité

Diffusers fournit un safety checker pour les anciens points de contrôle Stable Diffusion afin d'empêcher la génération de contenus nuisibles. Il examine la sortie générée par rapport à un ensemble de concepts nuisibles codés en dur. Les modèles plus récents, tels que Qwen-Image, ne disposent pas de ce vérificateur.

Si vous souhaitez désactiver le vérificateur de sécurité, passez safety_checker=None dans from_pretrained() comme indiqué ci-dessous.

from diffusers import DiffusionPipeline

pipeline = DiffusionPipeline.from_pretrained(
  "stable-diffusion-v1-5/stable-diffusion-v1-5", safety_checker=None
)
"""
You have disabled the safety checker for <class 'diffusers.pipelines.stable_diffusion.pipeline_stable_diffusion.StableDiffusionPipeline'> by passing `safety_checker=None`. Ensure that you abide by the conditions of the Stable Diffusion license and do not expose unfiltered results in services or applications open to the public. Both the diffusers team and Hugging Face strongly recommend keeping the safety filter enabled in all public-facing circumstances, disabling it only for use cases that involve analyzing network behavior or auditing its results. For more information, please have a look at https://github.com/huggingface/diffusers/pull/254 .
"""

Redimensionnement des plans

Le débruitage commence à partir de bruit pur, de sorte que le rapport signal sur bruit (SNR) démarre à zéro. Certains modèles ne démarrent pas réellement à partir de bruit pur, ce qui rend la génération des extrêmes clairs et sombres difficile.

Entraînez votre propre modèle avec v_prediction en ajoutant le drapeau --prediction_type="v_prediction" à votre script d’entraînement. Vous pouvez également rechercher des modèles existants entraînés avec v_prediction.

Pour un modèle v_prediction, activez ces arguments de planificateur.

• Définissez rescale_betas_zero_snr=True pour rééchelonner le calendrier de bruit jusqu'à la dernière étape temporelle avec un SNR strictement nul
• Définissez timestep_spacing="trailing" pour forcer l'échantillonnage à partir de la dernière étape temporelle avec du bruit pur

from diffusers import DiffusionPipeline, DDIMScheduler

pipeline = DiffusionPipeline.from_pretrained("ptx0/pseudo-journey-v2", device_map="cuda")  # or "mps", "xpu", "cpu"

pipeline.scheduler = DDIMScheduler.from_config(
    pipeline.scheduler.config, rescale_betas_zero_snr=True, timestep_spacing="trailing"
)

Définissez guidance_rescale dans le pipeline pour éviter les images surexposées. Une valeur plus basse augmente la luminosité, mais certains détails peuvent apparaître délavés.

prompt = """
cinematic photo of a snowy mountain at night with the northern lights aurora borealis
overhead, 35mm photograph, film, professional, 4k, highly detailed
"""
image = pipeline(prompt, guidance_rescale=0.7).images[0]