> ## Documentation Index
> Fetch the complete documentation index at: https://docs.coreweave.com/llms.txt
> Use this file to discover all available pages before exploring further.
# Hugging Face Diffusers
> Utilisez l’autolog de W&B avec Hugging Face Diffusers pour suivre les prompts, les médias générés, les configurations et l’architecture du pipeline.
export const ColabLink = ({url}) =>
Try in Colab
;
[Hugging Face Diffusers](https://huggingface.co/docs/diffusers/index) est une bibliothèque de modèles de diffusion préentraînés qui permettent de générer des images, de l’audio et des structures 3D de molécules. L’intégration W\&B apporte le suivi des expériences, la visualisation des médias, le suivi de l’architecture des pipelines et la gestion de la configuration, le tout dans des tableaux de bord interactifs et centralisés.
Journaliser des expériences en deux lignes
Pour journaliser tous les prompts, prompts négatifs, médias générés et configurations associés à votre expérience, ajoutez les deux lignes de code suivantes :
```python theme={"system"}
# importer la fonction autolog
from wandb.integration.diffusers import autolog
# appeler autolog avant d’appeler le pipeline
autolog(init=dict(project="diffusers_logging"))
```
Premiers pas
1. Installez `diffusers`, `transformers`, `accelerate` et `wandb`.
* Ligne de commande :
```bash theme={"system"}
pip install --upgrade diffusers transformers accelerate wandb
```
* Notebook :
```bash theme={"system"}
!pip install --upgrade diffusers transformers accelerate wandb
```
2. Appelez `autolog()` avec le paramètre `init`, qui accepte un dictionnaire des paramètres requis par [`wandb.init()`](/fr/products/wandb/ref/python/functions/init). `autolog()` initialise un run W\&B et suit automatiquement les entrées et les sorties de [tous les appels de pipeline pris en charge](https://github.com/wandb/wandb/blob/main/wandb/integration/diffusers/autologger.py#L12-L72) :
* Chaque appel de pipeline est suivi dans son propre [tableau](/fr/products/wandb/tables) du workspace, et les configurations associées à cet appel sont ajoutées à la liste des flux de travail dans la configuration du run.
* Les prompts, les prompts négatifs et les médias générés sont journalisés dans un [`wandb.Table`](/fr/products/wandb/tables).
* Toutes les autres configurations associées à l’expérience, notamment la graine (seed) et l’architecture du pipeline, sont stockées dans la section de configuration du run.
* Les médias générés par chaque appel de pipeline sont également journalisés dans les [volets multimédias](/fr/products/wandb/track/log/media) du run.
Consultez la [liste des appels de pipeline pris en charge](https://github.com/wandb/wandb/blob/main/wandb/integration/diffusers/autologger.py#L12-L72). Pour demander une nouvelle fonctionnalité pour cette intégration ou signaler un bug, ouvrez une issue sur la [page des issues GitHub de W\&B](https://github.com/wandb/wandb/issues).
Exemples
Les exemples suivants illustrent l’utilisation de `autolog` dans des flux de travail de diffusion courants. Vous pouvez les adapter à vos propres pipelines.
Exemple d'autolog
Voici un exemple complet d'utilisation de `autolog` :
```python theme={"system"}
import torch
from diffusers import DiffusionPipeline
# importer la fonction autolog
from wandb.integration.diffusers import autolog
# appeler autolog avant d'appeler le pipeline
autolog(init=dict(project="diffusers_logging"))
# Initialiser le pipeline de diffusion
pipeline = DiffusionPipeline.from_pretrained(
"stabilityai/stable-diffusion-2-1", torch_dtype=torch.float16
).to("cuda")
# Définir les prompts, les prompts négatifs et la graine.
prompt = ["a photograph of an astronaut riding a horse", "a photograph of a dragon"]
negative_prompt = ["ugly, deformed", "ugly, deformed"]
generator = torch.Generator(device="cpu").manual_seed(10)
# appeler le pipeline pour générer les images
images = pipeline(
prompt,
negative_prompt=negative_prompt,
num_images_per_prompt=2,
generator=generator,
)
```
```python theme={"system"}
import torch
from diffusers import DiffusionPipeline
import wandb
# importer la fonction autolog
from wandb.integration.diffusers import autolog
run = wandb.init()
# appeler autolog avant d'appeler le pipeline
autolog(init=dict(project="diffusers_logging"))
# Initialiser le pipeline de diffusion
pipeline = DiffusionPipeline.from_pretrained(
"stabilityai/stable-diffusion-2-1", torch_dtype=torch.float16
).to("cuda")
# Définir les prompts, les prompts négatifs et la graine.
prompt = ["a photograph of an astronaut riding a horse", "a photograph of a dragon"]
negative_prompt = ["ugly, deformed", "ugly, deformed"]
generator = torch.Generator(device="cpu").manual_seed(10)
# appeler le pipeline pour générer les images
images = pipeline(
prompt,
negative_prompt=negative_prompt,
num_images_per_prompt=2,
generator=generator,
)
# Terminer l'expérience
run.finish()
```
Les images suivantes montrent ce qui est consigné dans W\&B :
* Les résultats d'une seule expérience :
* Les résultats de plusieurs expériences :
* La configuration d'une expérience :
Vous devez appeler explicitement [`wandb.Run.finish()`](/fr/products/wandb/ref/python/functions/finish) après l'appel du pipeline lorsque vous exécutez le code dans des environnements de notebook IPython. Ce n'est pas nécessaire lorsque vous exécutez des scripts Python.
Suivre des flux de travail à plusieurs pipelines
L’exemple suivant illustre l’utilisation de `autolog` avec un flux de travail classique [Stable Diffusion XL + Refiner](https://huggingface.co/docs/diffusers/using-diffusers/sdxl#base-to-refiner-model), dans lequel le modèle refiner affine les latents générés par le pipeline [`StableDiffusionXLPipeline`](https://huggingface.co/docs/diffusers/api/pipelines/stable_diffusion/stable_diffusion_xl).
```python theme={"system"}
import torch
from diffusers import StableDiffusionXLImg2ImgPipeline, StableDiffusionXLPipeline
from wandb.integration.diffusers import autolog
# Initialiser le pipeline de base SDXL
base_pipeline = StableDiffusionXLPipeline.from_pretrained(
"stabilityai/stable-diffusion-xl-base-1.0",
torch_dtype=torch.float16,
variant="fp16",
use_safetensors=True,
)
base_pipeline.enable_model_cpu_offload()
# Initialiser le pipeline d’affinage SDXL
refiner_pipeline = StableDiffusionXLImg2ImgPipeline.from_pretrained(
"stabilityai/stable-diffusion-xl-refiner-1.0",
text_encoder_2=base_pipeline.text_encoder_2,
vae=base_pipeline.vae,
torch_dtype=torch.float16,
use_safetensors=True,
variant="fp16",
)
refiner_pipeline.enable_model_cpu_offload()
prompt = "a photo of an astronaut riding a horse on mars"
negative_prompt = "static, frame, painting, illustration, sd character, low quality, low resolution, greyscale, monochrome, nose, cropped, lowres, jpeg artifacts, deformed iris, deformed pupils, bad eyes, semi-realistic worst quality, bad lips, deformed mouth, deformed face, deformed fingers, deformed toes standing still, posing"
# Rendre l’expérience reproductible en contrôlant l’aléatoire.
# La graine est automatiquement journalisée dans WandB.
seed = 42
generator_base = torch.Generator(device="cuda").manual_seed(seed)
generator_refiner = torch.Generator(device="cuda").manual_seed(seed)
# Appeler WandB Autolog pour Diffusers. Les prompts, les images générées,
# l’architecture du pipeline et toutes les configurations d’expérience
# associées sont ainsi journalisés automatiquement dans W&B, ce qui permet de
# reproduire, partager et analyser facilement vos expériences de génération d’images.
autolog(init=dict(project="sdxl"))
# Appeler le pipeline de base pour générer les latents
image = base_pipeline(
prompt=prompt,
negative_prompt=negative_prompt,
output_type="latent",
generator=generator_base,
).images[0]
# Appeler le pipeline d’affinage pour générer l’image affinée
image = refiner_pipeline(
prompt=prompt,
negative_prompt=negative_prompt,
image=image[None, :],
generator=generator_refiner,
).images[0]
```
```python theme={"system"}
import torch
from diffusers import StableDiffusionXLImg2ImgPipeline, StableDiffusionXLPipeline
import wandb
from wandb.integration.diffusers import autolog
run = wandb.init()
# initialiser le pipeline de base SDXL
base_pipeline = StableDiffusionXLPipeline.from_pretrained(
"stabilityai/stable-diffusion-xl-base-1.0",
torch_dtype=torch.float16,
variant="fp16",
use_safetensors=True,
)
base_pipeline.enable_model_cpu_offload()
# initialiser le pipeline d’affinage (refiner) SDXL
refiner_pipeline = StableDiffusionXLImg2ImgPipeline.from_pretrained(
"stabilityai/stable-diffusion-xl-refiner-1.0",
text_encoder_2=base_pipeline.text_encoder_2,
vae=base_pipeline.vae,
torch_dtype=torch.float16,
use_safetensors=True,
variant="fp16",
)
refiner_pipeline.enable_model_cpu_offload()
prompt = "a photo of an astronaut riding a horse on mars"
negative_prompt = "static, frame, painting, illustration, sd character, low quality, low resolution, greyscale, monochrome, nose, cropped, lowres, jpeg artifacts, deformed iris, deformed pupils, bad eyes, semi-realistic worst quality, bad lips, deformed mouth, deformed face, deformed fingers, deformed toes standing still, posing"
# Rendre l’expérience reproductible en maîtrisant l’aléatoire.
# La graine (seed) sera automatiquement journalisée dans WandB.
seed = 42
generator_base = torch.Generator(device="cuda").manual_seed(seed)
generator_refiner = torch.Generator(device="cuda").manual_seed(seed)
# Appeler WandB Autolog pour Diffusers. Les prompts, les images générées,
# l’architecture du pipeline et toutes les configurations d’expérience
# associées seront automatiquement journalisés dans W&B, ce qui permet de
# reproduire, partager et analyser facilement vos expériences de génération d’images.
autolog(init=dict(project="sdxl"))
# Appeler le pipeline de base pour générer les latents
image = base_pipeline(
prompt=prompt,
negative_prompt=negative_prompt,
output_type="latent",
generator=generator_base,
).images[0]
# Appeler le pipeline d’affinage pour générer l’image affinée
image = refiner_pipeline(
prompt=prompt,
negative_prompt=negative_prompt,
image=image[None, :],
generator=generator_refiner,
).images[0]
# Terminer l’expérience
run.finish()
```
L’image suivante montre un exemple d’expérience Stable Diffusion XL + Refiner :
Ressources supplémentaires
* [Guide du prompt engineering pour Stable Diffusion](https://forge.coreweave.com/wandb/geekyrakshit/diffusers-prompt-engineering/reports/A-Guide-to-Prompt-Engineering-for-Stable-Diffusion--Vmlldzo1NzY4NzQ3)
* [PIXART-α : un modèle Diffusion Transformer pour la génération d’images à partir de texte](https://forge.coreweave.com/wandb/geekyrakshit/pixart-alpha/reports/PIXART-A-Diffusion-Transformer-Model-for-Text-to-Image-Generation--Vmlldzo2MTE1NzM3)
## Related topics
- [Exemples de code et notebooks](/fr/products/wandb/examples.md)
* Les résultats de plusieurs expériences :
* La configuration d'une expérience :
