معرفی مدل IF و هدف پروژه

مدل IF، یکی از قدرتمندترین شبکه‌های متن‑به‑تصویر متن‌باز، به‌سادگی از کدهای diffusers استفاده می‌کند تا تصاویر با کیفیت بالا از توضیحات متنی تولید کند. هدف این آموزش، نشان دادن نحوه اجرا در یک محیط محدود، همان‌طور که Google Colab نسخهٔ رایگان دارد، می‌باشد.

دستورات اولیه و نصب وابستگی‌ها

کدهای زیر را در یک سلول Colab اجرا کنید تا محیط مورد نیاز آماده شود:

  • نصب کتابخانه diffusers و transformers
  • دریافت گواهی‌نامهٔ مجوز (↵الحاق مجوزهای CC image و Stable Diffusion)
  • یکبار اجرای pip install -U transformers diffusers accelerate safetensors

هر مرحله به‌صورت جداگانه بررسی می‌شود تا مصرف حافظه به حداقل برسد.

اجرای مدل و بررسی خروجی‌ها

کد نمونه برای تولید تصویر از متن:

from diffusers import StableDiffusionPipeline pipe = StableDiffusionPipeline.from_pretrained("huggingface/IF", torch_dtype=torch.float16).to("cuda") image = pipe("یک طوفان آسمانی در شب، نور ماه و پرتوهای نورانی، با جزئیات بالا").images[0] image.save("output.png")

با این کد می‌توانید حجم حافظه مصرف‌شده را کنترل کرده و در مرحلهٔ بعدی، کیفیت تصویر را با روال های «Super Resolution» بهبود دهید.

پرسش‌های پرتکرار

آیا برای اجرای مدل IF به GPU نیاز است؟

بله، اجرای مدل در Google Colab به کارت گرافیک Tesla T4 یا بهتر (P100) نیاز دارد؛ در صورت نبود GPU، کار با CPU امکان‌پذیر است اما بسیار کند خواهد بود.

چه راهکارهای بهینه‌سازی حافظه موجود است؟

استفاده از ورژن‌های کم‌حافظه (fp16) و کاهش رزولوشن اولیه (64×64) قبل از اعمال «Super Resolution» به حداقل رساندن مصرف RAM می‌پردازیم.