# Adaptadores legados

Esses métodos ainda são suportados, especialmente em checkpoints da família Stable Diffusion. Para novos trabalhos, prefira [LoRA](../tutorials/using_peft_for_inference), [IP-Adapter](./ip_adapter) e [ControlNet](./controlnet).

## T2I-Adapter

[T2I-Adapter](https://huggingface.co/papers/2302.08453) é um adaptador para geração controlada. Ele aprende um mapeamento de um sinal de controle (por exemplo, um mapa de profundidade ou bordas canny) para os recursos internos de um modelo pré-treinado e adiciona essa orientação durante a geração. Ele tem um papel semelhante ao de [ControlNet](./controlnet), mas é um adaptador plugado mais leve.

Carregue um adaptador condicionado por controle e, em seguida, carregue o pipeline com [from_pretrained()](/docs/diffusers/main/pt/api/pipelines/overview#diffusers.DiffusionPipeline.from_pretrained) e passe-o com `adapter=`.

```py
import torch
from diffusers import T2IAdapter, StableDiffusionXLAdapterPipeline, AutoencoderKL

t2i_adapter = T2IAdapter.from_pretrained(
    "TencentARC/t2i-adapter-canny-sdxl-1.0",
    dtype=torch.float16,
)
```

Gere uma imagem canny com [opencv-python](https://github.com/opencv/opencv-python).

```py
import cv2
import numpy as np
from PIL import Image
from diffusers.utils import load_image

original_image = load_image(
    "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/diffusers/non-enhanced-prompt.png"
)

image = np.array(original_image)

low_threshold = 100
high_threshold = 200

image = cv2.Canny(image, low_threshold, high_threshold)
image = image[:, :, None]
image = np.concatenate([image, image, image], axis=2)
canny_image = Image.fromarray(image)
```

Passe a imagem canny para o pipeline para gerar uma imagem.

```py
vae = AutoencoderKL.from_pretrained("madebyollin/sdxl-vae-fp16-fix", dtype=torch.float16)
pipeline = StableDiffusionXLAdapterPipeline.from_pretrained(
    "stabilityai/stable-diffusion-xl-base-1.0",
    adapter=t2i_adapter,
    vae=vae,
    dtype=torch.float16,
).to("cuda")  # or "mps", "xpu", "cpu"

prompt = """
A photorealistic overhead image of a cat reclining sideways in a flamingo pool floatie holding a margarita. 
The cat is floating leisurely in the pool and completely relaxed and happy.
"""

pipeline(
    prompt, 
    image=canny_image,
    num_inference_steps=100, 
    guidance_scale=10,
).images[0]
```

  
    
    imagem original
  
  
    
    imagem canny
  
  
    
    imagem gerada
  

Veja também [treinamento do T2I-Adapter](../training/t2i_adapters).

### MultiAdapter

Componha múltiplos controles (por exemplo, canny e depth) com `MultiAdapter`. Passe uma lista de adaptadores para `MultiAdapter` e, em seguida, passe as imagens de controle correspondentes como uma lista para o pipeline.


Componha múltiplos controles (por exemplo, canny e depth) com `MultiAdapter`. Passe uma lista de adaptadores para `MultiAdapter` e, em seguida, passe as imagens de controle correspondentes como uma lista para o pipeline.

```py
import torch
from diffusers.utils import load_image
from diffusers import StableDiffusionXLAdapterPipeline, AutoencoderKL, MultiAdapter, T2IAdapter

canny_image = load_image(
    "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/diffusers/canny-cat.png"
)
depth_image = load_image(
    "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/diffusers/sdxl_depth_image.png"
)
controls = [canny_image, depth_image]
prompt = ["""
a relaxed rabbit sitting on a striped towel next to a pool with a tropical drink nearby, 
bright sunny day, vacation scene, 35mm photograph, film, professional, 4k, highly detailed
"""]

adapters = MultiAdapter(
    [
        T2IAdapter.from_pretrained("TencentARC/t2i-adapter-canny-sdxl-1.0", dtype=torch.float16),
        T2IAdapter.from_pretrained("TencentARC/t2i-adapter-depth-midas-sdxl-1.0", dtype=torch.float16),
    ]
)
```

Passe os adaptadores, o prompt e as imagens de controle para [StableDiffusionXLAdapterPipeline](/docs/diffusers/main/pt/api/pipelines/stable_diffusion/adapter#diffusers.StableDiffusionXLAdapterPipeline). Use o parâmetro `adapter_conditioning_scale` para determinar quanto peso atribuir a cada controle.

```py
vae = AutoencoderKL.from_pretrained("madebyollin/sdxl-vae-fp16-fix", dtype=torch.float16)
pipeline = StableDiffusionXLAdapterPipeline.from_pretrained(
    "stabilityai/stable-diffusion-xl-base-1.0",
    dtype=torch.float16,
    vae=vae,
    adapter=adapters,
).to("cuda")  # or "mps", "xpu", "cpu"

pipeline(
    prompt,
    image=controls,
    height=1024,
    width=1024,
    adapter_conditioning_scale=[0.7, 0.7]
).images[0]
```

  
    
    imagem canny
  
  
    
    mapa de profundidade
  
   
    
    imagem gerada
  

## Inversão textual

[Textual Inversion](https://huggingface.co/papers/2208.01618) personaliza um modelo para um conceito a partir de 3 a 5 imagens, ajustando finamente os embeddings de palavras vinculados a um token único (`<sks>`). Em seguida, você pode usar esse token no seu prompt para gerar o conceito (por exemplo, pixel art).

Os pesos de Textual Inversion geralmente têm apenas alguns KBs, pois são apenas embeddings de palavras. Carregue-os após [from_pretrained()](/docs/diffusers/main/pt/api/pipelines/overview#diffusers.DiffusionPipeline.from_pretrained) com [load_textual_inversion()](/docs/diffusers/main/pt/api/loaders/textual_inversion#diffusers.loaders.TextualInversionLoaderMixin.load_textual_inversion) e inclua o token único no prompt para acionar a geração.

```py
import torch
from diffusers import AutoPipelineForText2Image

pipeline = AutoPipelineForText2Image.from_pretrained(
    "stable-diffusion-v1-5/stable-diffusion-v1-5",
    dtype=torch.float16
).to("cuda")  # or "mps", "xpu", "cpu"
```

```py
pipeline.load_textual_inversion("sd-concepts-library/gta5-artwork")
prompt = "A cute brown bear eating a slice of pizza, stunning color scheme, masterpiece, illustration, <gta5-artwork> style"
pipeline(prompt).images[0]
```

    

Para treinar embeddings, consulte [Treinar inversão textual](../training/text_inversion).

O Textual Inversion também pode ser treinado para aprender *embeddings negativos* para direcionar a geração longe de características indesejadas, como "embaçado" ou "feio", tornando-o útil para melhorar a qualidade da imagem.

EasyNegative é um embedding negativo amplamente utilizado que contém múltiplos conceitos negativos aprendidos. Carregue os embeddings negativos e especifique o nome do arquivo e o token associados aos embeddings negativos. Passe o token para `negative_prompt` no seu pipeline para ativá-lo.

```py
import torch
from diffusers import AutoPipelineForText2Image

pipeline = AutoPipelineForText2Image.from_pretrained(
    "stable-diffusion-v1-5/stable-diffusion-v1-5",
    dtype=torch.float16
).to("cuda")  # or "mps", "xpu", "cpu"
pipeline.load_textual_inversion(
    "EvilEngine/easynegative",
    weight_name="easynegative.safetensors",
    token="easynegative"
)
prompt = "A cute brown bear eating a slice of pizza, stunning color scheme, masterpiece, illustration"
negative_prompt = "easynegative"
pipeline(prompt, negative_prompt=negative_prompt).images[0]
```