diffusers-Image-to-image

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

import torch
from diffusers import AutoPipelineForImage2Image
from diffusers.utils import make_image_grid, load_image

pipeline = AutoPipelineForImage2Image.from_pretrained(
    "runwayml/stable-diffusion-v1-5", torch_dtype=torch.float16, variant="fp16", use_safetensors=True
)
pipeline.enable_model_cpu_offload()
# remove following line if xFormers is not installed or you have PyTorch 2.0 or higher installed
pipeline.enable_xformers_memory_efficient_attention()

# prepare image
url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/diffusers/img2img-init.png"
init_image = load_image(url)

prompt = "Astronaut in a jungle, cold color palette, muted colors, detailed, 8k"

# pass prompt and image to pipeline
image = pipeline(prompt, image=init_image, strength=0.8).images[0]
make_image_grid([init_image, image], rows=1, cols=2)

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
Now you can pass this generated image to the image-to-image pipeline:

pipeline = AutoPipelineForImage2Image.from_pretrained(
    "kandinsky-community/kandinsky-2-2-decoder", torch_dtype=torch.float16, use_safetensors=True
)
pipeline.enable_model_cpu_offload()
# remove following line if xFormers is not installed or you have PyTorch 2.0 or higher installed
pipeline.enable_xformers_memory_efficient_attention()

image2image = pipeline("Astronaut in a jungle, cold color palette, muted colors, detailed, 8k", image=text2image).images[0]
make_image_grid([text2image, image2image], rows=1, cols=2)

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
有点递归套娃的样子了

  • 8
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
diffusers 原生 text-to-image 的 fft (Fast Fourier Transform) 方法使用的数据集为 parquet 格式,需要进行适配。 parquet 是一种列式存储格式,能够高效地存储和处理大规模数据。为了适配这种格式,我们需要执行以下步骤: 1. 读取数据集:使用 Parquet 库或工具,如 Apache Parquet、Dask 或 PyArrow,读取 parquet 格式的数据集文件。这些工具提供了函数和方法来加载和操作 parquet 数据集。 2. 数据预处理:根据 fft 方法的要求,对读取的数据进行必要的预处理。这可能包括数据类型转换、缺失值处理、数据清洗等步骤,以确保数据符合要求。 3. 调整数据结构:根据 fft 方法的输入要求,可能需要将 parquet 数据集的列或行重新排列以适应 fft 的输入结构。这可以通过列索引或行索引操作来实现。 4. 执行 fft:使用 fft 方法对预处理后的数据进行转换。可以使用现有的 fft 函数或库,如 numpy.fft 或 scipy.fft,对数据进行 fft 变换。根据具体需求,可能需要在这一步中设置相关参数,如采样频率、分辨率等。 5. 结果保存:将 fft 结果保存为适当的数据格式,以便后续使用或分析。parquet 格式是一种可选的选择,也可以将结果保存为其他常见的图像格式,如 PNG、JPEG 等。 通过以上步骤,我们可以将 diffusers 原生 text-to-image 的 fft 方法适配到 parquet 格式的数据集上。这样,我们可以充分利用 parquet 格式的优势,加快数据处理速度,并满足 fft 方法对数据结构的要求。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值