# Adaptar um modelo a uma nova tarefa

Muitos sistemas de difusão compartilham os mesmos componentes, permitindo que você adapte um modelo pré-treinado para uma tarefa a uma tarefa completamente diferente.

Este guia mostrará como adaptar um modelo pré-treinado de texto para imagem para inpainting, inicializando e modificando a arquitetura de um [UNet2DConditionModel](/docs/diffusers/main/pt/api/models/unet2d-cond#diffusers.UNet2DConditionModel) pré-treinado.

## Configure os parâmetros do UNet2DConditionModel

Por padrão, um [UNet2DConditionModel](/docs/diffusers/main/pt/api/models/unet2d-cond#diffusers.UNet2DConditionModel) aceita 4 canais na [amostra de entrada](https://huggingface.co/docs/diffusers/v0.16.0/en/api/models#diffusers.UNet2DConditionModel.in_channels). Por exemplo, carregue um modelo pré-treinado de texto para imagem, como [`stable-diffusion-v1-5/stable-diffusion-v1-5`](https://huggingface.co/stable-diffusion-v1-5/stable-diffusion-v1-5), e verifique o número de `in_channels`:

```py
from diffusers import StableDiffusionPipeline

pipeline = StableDiffusionPipeline.from_pretrained("stable-diffusion-v1-5/stable-diffusion-v1-5", use_safetensors=True)
pipeline.unet.config["in_channels"]
4
```

O inpainting requer 9 canais na amostra de entrada. Você pode verificar esse valor em um modelo de inpainting pré-treinado, como [`stable-diffusion-v1-5/stable-diffusion-inpainting`](https://huggingface.co/stable-diffusion-v1-5/stable-diffusion-inpainting):

```py
from diffusers import StableDiffusionPipeline

pipeline = StableDiffusionPipeline.from_pretrained("stable-diffusion-v1-5/stable-diffusion-inpainting", use_safetensors=True)
pipeline.unet.config["in_channels"]
9
```

Para adaptar seu modelo de texto para imagem para inpainting, você precisará alterar o número de `in_channels` de 4 para 9.

Inicialize um [UNet2DConditionModel](/docs/diffusers/main/pt/api/models/unet2d-cond#diffusers.UNet2DConditionModel) com os pesos do modelo pré-treinado de texto para imagem e altere `in_channels` para 9. Alterar o número de `in_channels` significa que você precisa definir `ignore_mismatched_sizes=True` e `low_cpu_mem_usage=False` para evitar um erro de incompatibilidade de tamanho, pois a forma agora é diferente.

```py
from diffusers import AutoModel

model_id = "stable-diffusion-v1-5/stable-diffusion-v1-5"
unet = AutoModel.from_pretrained(
    model_id,
    subfolder="unet",
    in_channels=9,
    low_cpu_mem_usage=False,
    ignore_mismatched_sizes=True,
    use_safetensors=True,
)
```

Os pesos pré-treinados dos outros componentes do modelo de texto para imagem são inicializados a partir de seus checkpoints, mas os pesos do canal de entrada (`conv_in.weight`) do `unet` são inicializados aleatoriamente. É importante fazer o finetuning do modelo para inpainting, pois, caso contrário, o modelo retorna ruído.