Base de código open source para geração eficiente de imagens e vídeos em alta resolução com diffusion transformers lineares, incluindo pipelines de treinamento e inferência.
9,4 mil753PythonApache-2.0Atualizado há 21 horas
huggingface/diffusers
Biblioteca PyTorch de modelos de difusão pré-treinados, schedulers de ruído e componentes para geração de imagens, vídeos e áudio.
Alternativa open source a:Midjourney
- Estrelas
- 34,771
- Forks
- 7,411
- Issues abertas
- 1,507
- Último commit
- há 9 horas
O que é?
Diffusers é uma biblioteca da Hugging Face para executar e treinar modelos de difusão. Seus pipelines permitem carregar um checkpoint pré-treinado do Hugging Face Hub com poucas linhas de código e gerar resultados a partir de entradas de texto, imagens ou vídeos. Schedulers de ruído intercambiáveis controlam o equilíbrio entre a velocidade de geração e a qualidade dos resultados.
Além de pipelines prontos, a biblioteca disponibiliza modelos pré-treinados, como UNets e transformers, como componentes modulares que podem ser combinados com schedulers para criar sistemas de difusão personalizados. Ela foi projetada tanto para inferência quanto para treinamento, e inclui guias sobre carregamento, otimização de velocidade e memória e técnicas de treinamento para diferentes tarefas.
A biblioteca é escrita em Python sobre o PyTorch e pode ser instalada pelo PyPI ou pelo conda-forge. Ela oferece suporte a tarefas comuns, incluindo geração de texto para imagem, imagem para imagem, inpainting, super-resolução, texto para vídeo e geração incondicional de imagens.
Recursos principais
- 01Os pipelines carregam checkpoints de difusão pré-treinados do Hugging Face Hub com poucas linhas de código.
- 02Schedulers de ruído intercambiáveis equilibram a velocidade de geração e a qualidade dos resultados.
- 03Modelos pré-treinados podem ser combinados com schedulers para criar sistemas de difusão personalizados.
- 04Abrange tarefas de texto para imagem, imagem para imagem, inpainting, super-resolução e texto para vídeo.
- 05Inclui guias para otimizar a inferência e treinar modelos de difusão.
Casos de uso
- Gerar imagens a partir de prompts de texto usando checkpoints de Stable Diffusion ou Flux.
- Criar um pipeline de difusão personalizado combinando modelos e schedulers individuais.
- Treinar ou fazer fine-tuning de um modelo de difusão para uma tarefa específica de imagem ou vídeo.
- Adicionar a um aplicativo recursos de edição de imagem, como inpainting ou imagem para imagem.
Início rápido
- 1
Crie um ambiente virtual e instale Diffusers e PyTorch do PyPI
pip install --upgrade diffusers[torch] - 2
Carregue um pipeline pré-treinado e gere uma imagem a partir de texto em Python
from diffusers import DiffusionPipeline
Antes de usar
- Para gerar imagens com os modelos de exemplo em uma velocidade prática, é necessária uma GPU.
- É preciso baixar checkpoints pré-treinados grandes do Hugging Face Hub, o que ocupa bastante espaço em disco.
Tópicos
Perguntas frequentes
- O que é diffusers?
- Biblioteca PyTorch de modelos de difusão pré-treinados, schedulers de ruído e componentes para geração de imagens, vídeos e áudio. Diffusers é uma biblioteca da Hugging Face para executar e treinar modelos de difusão. Seus pipelines permitem carregar um checkpoint pré-treinado do Hugging Face Hub com poucas linhas de código e gerar resultados a partir de entradas de texto, imagens ou vídeos. Schedulers de ruído intercambiáveis controlam o equilíbrio entre a velocidade de geração e a qualidade dos resultados.
- diffusers é gratuito? Qual é a licença?
- diffusers é open source sob a licença Apache-2.0. Confira os termos da licença antes de usá-lo em produtos comerciais.
- diffusers ainda é mantido?
- Manutenção ativa. O último commit de diffusers foi em 20 de out. de 2026.
- Para que posso usar diffusers?
- Gerar imagens a partir de prompts de texto usando checkpoints de Stable Diffusion ou Flux. Criar um pipeline de difusão personalizado combinando modelos e schedulers individuais. Treinar ou fazer fine-tuning de um modelo de difusão para uma tarefa específica de imagem ou vídeo. Adicionar a um aplicativo recursos de edição de imagem, como inpainting ou imagem para imagem.
- Como instalar diffusers?
- Crie um ambiente virtual e instale Diffusers e PyTorch do PyPI: pip install --upgrade diffusers[torch] Carregue um pipeline pré-treinado e gere uma imagem a partir de texto em Python: from diffusers import DiffusionPipeline
- Onde consigo diffusers?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/huggingface/diffusers
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Um mecanismo open source de modelos Diffusion para gerar imagens, vídeos e áudio, com suporte a inferência e treinamento com pouca VRAM.
13,3 mil1,3 milPythonApache-2.0Atualizado há 21 horas
Uma interface web baseada em Gradio para executar Stable Diffusion e modelos mais recentes de imagem e vídeo, dando continuidade ao fork Forge com suporte a novos modelos e otimizações.
1,8 mil253PythonAGPL-3.0Atualizado anteontem
Modelo open source de difusão texto para imagem com 5 bilhões de parâmetros, focado em renderização precisa de texto, controle de layout em JSON e fine-tuning.
1,2 mil57PythonApache-2.0Atualizado há 14 horas
GUI em grafo de nós, API e backend para executar modelos de difusão localmente e gerar imagens, vídeos, áudio e conteúdo 3D.
IA e Machine Learning#stable-diffusion#diffusion-models#node-editor#image-generation#video-generation
140,6 mil16,6 milPythonGPL-3.0Atualizado há 12 horas
Um mecanismo criativo baseado na web para gerar e editar imagens com Stable Diffusion e outros modelos de IA, com canvas unificado e fluxos de trabalho baseados em nós.
28,8 mil3,1 milTypeScriptApache-2.0Atualizado há 20 horas