# Geração de imagem incondicional A geração de imagens incondicional gera imagens que se assemelham a uma amostra aleatória dos dados de treinamento em que o modelo foi treinado, pois o processo de remoção de ruído não é guiado por nenhum contexto adicional, como texto ou imagem. Para começar, use o [DiffusionPipeline](/docs/diffusers/main/pt/api/pipelines/overview#diffusers.DiffusionPipeline) para carregar o checkpoint [anton-l/ddpm-butterflies-128](https://huggingface.co/anton-l/ddpm-butterflies-128) e gerar imagens de borboletas. O [DiffusionPipeline](/docs/diffusers/main/pt/api/pipelines/overview#diffusers.DiffusionPipeline) baixa e faz o cache de todos os componentes do modelo necessários para gerar uma imagem. ```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] > Quer gerar imagens de outra coisa? Dê uma olhada no [guia](../training/unconditional_training) de treinamento para aprender a treinar um modelo para gerar suas próprias imagens. A imagem de saída é um objeto [`PIL.Image`](https://pillow.readthedocs.io/en/stable/reference/Image.html?highlight=image#the-image-class) que pode ser salvo: ```py image.save("generated_image.png") ``` Você também pode tentar experimentar com o parâmetro `num_inference_steps`, que controla o número de etapas de remoção de ruído. Mais etapas de remoção de ruído geralmente produzem imagens de maior qualidade, mas levará mais tempo para gerar. Sinta-se à vontade para brincar com esse parâmetro para ver como ele afeta a qualidade da imagem. ```py image = generator(num_inference_steps=100).images[0] image ``` Experimente o Space abaixo para gerar uma imagem de uma borboleta!