Base de código de código abierto para generar imágenes y videos de alta resolución de forma eficiente con transformers de difusión de atención lineal, con flujos de entrenamiento e inferencia.
9,4 mil753PythonApache-2.0Actualizado hace 22 horas
huggingface/diffusers
Biblioteca de PyTorch con modelos de difusión preentrenados, planificadores de ruido y componentes para generar imágenes, video y audio.
Alternativa open source a:Midjourney
- Estrellas
- 34,771
- Forks
- 7,411
- Issues abiertos
- 1,507
- Último commit
- hace 10 horas
¿Qué es?
Diffusers es una biblioteca de Hugging Face para ejecutar y entrenar modelos de difusión. Sus pipelines permiten cargar un checkpoint preentrenado desde Hugging Face Hub con unas pocas líneas de código y generar resultados a partir de texto, imágenes o videos. Los planificadores de ruido intercambiables controlan el equilibrio entre la velocidad de generación y la calidad de los resultados.
Además de los pipelines listos para usar, la biblioteca ofrece modelos preentrenados, como UNets y transformers, en forma de componentes modulares que se pueden combinar con planificadores para crear sistemas de difusión personalizados. Está diseñada tanto para inferencia como para entrenamiento, e incluye guías sobre carga, optimización de velocidad y memoria, y técnicas de entrenamiento para distintas tareas.
La biblioteca está escrita en Python sobre PyTorch y se puede instalar desde PyPI o conda-forge. Admite tareas comunes como texto a imagen, imagen a imagen, inpainting, superresolución, texto a video y generación incondicional de imágenes.
Funciones clave
- 01Los pipelines cargan checkpoints de difusión preentrenados desde Hugging Face Hub con unas pocas líneas de código.
- 02Los planificadores de ruido intercambiables permiten ajustar el equilibrio entre la velocidad de generación y la calidad de los resultados.
- 03Los modelos preentrenados se pueden combinar con planificadores para crear sistemas de difusión personalizados.
- 04Admite tareas de texto a imagen, imagen a imagen, inpainting, superresolución y texto a video.
- 05Incluye guías para optimizar la inferencia y entrenar modelos de difusión.
Casos de uso
- Generar imágenes a partir de prompts de texto con checkpoints de Stable Diffusion o Flux.
- Crear un pipeline de difusión personalizado a partir de modelos y planificadores individuales.
- Entrenar o ajustar un modelo de difusión para una tarea específica de imagen o video.
- Añadir funciones de edición de imágenes, como inpainting o imagen a imagen, a una aplicación.
Inicio rápido
- 1
Crea un entorno virtual e instala Diffusers y PyTorch desde PyPI
pip install --upgrade diffusers[torch] - 2
Carga una pipeline preentrenada y genera una imagen a partir de texto en Python
from diffusers import DiffusionPipeline
Antes de usarlo
- Para generar imágenes con los modelos de ejemplo a una velocidad práctica, se necesita una GPU.
- Es necesario descargar checkpoints preentrenados de gran tamaño desde Hugging Face Hub, lo que requiere mucho espacio en disco.
Temas
Preguntas frecuentes
- ¿Qué es diffusers?
- Biblioteca de PyTorch con modelos de difusión preentrenados, planificadores de ruido y componentes para generar imágenes, video y audio. Diffusers es una biblioteca de Hugging Face para ejecutar y entrenar modelos de difusión. Sus pipelines permiten cargar un checkpoint preentrenado desde Hugging Face Hub con unas pocas líneas de código y generar resultados a partir de texto, imágenes o videos. Los planificadores de ruido intercambiables controlan el equilibrio entre la velocidad de generación y la calidad de los resultados.
- ¿diffusers es gratuito? ¿Qué licencia tiene?
- diffusers es open source bajo la licencia Apache-2.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿diffusers sigue mantenido?
- Mantenimiento activo. El último commit de diffusers fue el 20 oct 2026.
- ¿Para qué puedo usar diffusers?
- Generar imágenes a partir de prompts de texto con checkpoints de Stable Diffusion o Flux. Crear un pipeline de difusión personalizado a partir de modelos y planificadores individuales. Entrenar o ajustar un modelo de difusión para una tarea específica de imagen o video. Añadir funciones de edición de imágenes, como inpainting o imagen a imagen, a una aplicación.
- ¿Cómo se instala diffusers?
- Crea un entorno virtual e instala Diffusers y PyTorch desde PyPI: pip install --upgrade diffusers[torch] Carga una pipeline preentrenada y genera una imagen a partir de texto en Python: from diffusers import DiffusionPipeline
- ¿Dónde consigo diffusers?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/huggingface/diffusers
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Motor open source de modelos de difusión para generar imágenes, video y audio, con inferencia y entrenamiento en equipos con poca VRAM.
13,3 mil1,3 milPythonApache-2.0Actualizado hace 22 horas
Interfaz web basada en Gradio para ejecutar Stable Diffusion y modelos recientes de imagen y video, que continúa el fork Forge con más compatibilidad y optimizaciones.
1,8 mil253PythonAGPL-3.0Actualizado anteayer
Modelo de difusión de texto a imagen de 5B parámetros y código abierto, enfocado en representar texto con precisión, controlar la composición con JSON y ajustar el modelo.
1,2 mil57PythonApache-2.0Actualizado hace 14 horas
Interfaz gráfica de nodos, API y backend para ejecutar modelos de difusión localmente y generar imágenes, video, audio y contenido 3D.
IA y Machine Learning#stable-diffusion#diffusion-models#node-editor#image-generation#video-generation
140,6 mil16,6 milPythonGPL-3.0Actualizado hace 12 horas
Motor creativo web para generar y editar imágenes con Stable Diffusion y otros modelos de IA, con un lienzo unificado y flujos de trabajo basados en nodos.
28,8 mil3,1 milTypeScriptApache-2.0Actualizado hace 20 horas