|
| 1 | +<!--Copyright 2025 The HuggingFace Team. All rights reserved. |
| 2 | +
|
| 3 | +Licensed under the Apache License, Version 2.0 (the "License"); you may not use this file except in compliance with |
| 4 | +the License. You may obtain a copy of the License at |
| 5 | +
|
| 6 | +http://www.apache.org/licenses/LICENSE-2.0 |
| 7 | +
|
| 8 | +Unless required by applicable law or agreed to in writing, software distributed under the License is distributed on |
| 9 | +an "AS IS" BASIS, WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. See the License for the |
| 10 | +specific language governing permissions and limitations under the License. |
| 11 | +--> |
| 12 | + |
| 13 | +[[open-in-colab]] |
| 14 | + |
| 15 | +# Desempenho básico |
| 16 | + |
| 17 | +Difusão é um processo aleatório que demanda muito processamento. Você pode precisar executar o [`DiffusionPipeline`] várias vezes antes de obter o resultado desejado. Por isso é importante equilibrar cuidadosamente a velocidade de geração e o uso de memória para iterar mais rápido. |
| 18 | + |
| 19 | +Este guia recomenda algumas dicas básicas de desempenho para usar o [`DiffusionPipeline`]. Consulte a seção de documentação sobre Otimização de Inferência, como [Acelerar inferência](./optimization/fp16) ou [Reduzir uso de memória](./optimization/memory) para guias de desempenho mais detalhados. |
| 20 | + |
| 21 | +## Uso de memória |
| 22 | + |
| 23 | +Reduzir a quantidade de memória usada indiretamente acelera a geração e pode ajudar um modelo a caber no dispositivo. |
| 24 | + |
| 25 | +O método [`~DiffusionPipeline.enable_model_cpu_offload`] move um modelo para a CPU quando não está em uso para economizar memória da GPU. |
| 26 | + |
| 27 | +```py |
| 28 | +import torch |
| 29 | +from diffusers import DiffusionPipeline |
| 30 | + |
| 31 | +pipeline = DiffusionPipeline.from_pretrained( |
| 32 | + "stabilityai/stable-diffusion-xl-base-1.0", |
| 33 | + torch_dtype=torch.bfloat16, |
| 34 | + device_map="cuda" |
| 35 | +) |
| 36 | +pipeline.enable_model_cpu_offload() |
| 37 | + |
| 38 | +prompt = """ |
| 39 | +cinematic film still of a cat sipping a margarita in a pool in Palm Springs, California |
| 40 | +highly detailed, high budget hollywood movie, cinemascope, moody, epic, gorgeous, film grain |
| 41 | +""" |
| 42 | +pipeline(prompt).images[0] |
| 43 | +print(f"Memória máxima reservada: {torch.cuda.max_memory_allocated() / 1024**3:.2f} GB") |
| 44 | +``` |
| 45 | + |
| 46 | +## Velocidade de inferência |
| 47 | + |
| 48 | +O processo de remoção de ruído é o mais exigente computacionalmente durante a difusão. Métodos que otimizam este processo aceleram a velocidade de inferência. Experimente os seguintes métodos para acelerar. |
| 49 | + |
| 50 | +- Adicione `device_map="cuda"` para colocar o pipeline em uma GPU. Colocar um modelo em um acelerador, como uma GPU, aumenta a velocidade porque realiza computações em paralelo. |
| 51 | +- Defina `torch_dtype=torch.bfloat16` para executar o pipeline em meia-precisão. Reduzir a precisão do tipo de dado aumenta a velocidade porque leva menos tempo para realizar computações em precisão mais baixa. |
| 52 | + |
| 53 | +```py |
| 54 | +import torch |
| 55 | +import time |
| 56 | +from diffusers import DiffusionPipeline, DPMSolverMultistepScheduler |
| 57 | + |
| 58 | +pipeline = DiffusionPipeline.from_pretrained( |
| 59 | + "stabilityai/stable-diffusion-xl-base-1.0", |
| 60 | + torch_dtype=torch.bfloat16, |
| 61 | + device_map="cuda" |
| 62 | +) |
| 63 | +``` |
| 64 | + |
| 65 | +- Use um agendador mais rápido, como [`DPMSolverMultistepScheduler`], que requer apenas ~20-25 passos. |
| 66 | +- Defina `num_inference_steps` para um valor menor. Reduzir o número de passos de inferência reduz o número total de computações. No entanto, isso pode resultar em menor qualidade de geração. |
| 67 | + |
| 68 | +```py |
| 69 | +pipeline.scheduler = DPMSolverMultistepScheduler.from_config(pipeline.scheduler.config) |
| 70 | + |
| 71 | +prompt = """ |
| 72 | +cinematic film still of a cat sipping a margarita in a pool in Palm Springs, California |
| 73 | +highly detailed, high budget hollywood movie, cinemascope, moody, epic, gorgeous, film grain |
| 74 | +""" |
| 75 | + |
| 76 | +start_time = time.perf_counter() |
| 77 | +image = pipeline(prompt).images[0] |
| 78 | +end_time = time.perf_counter() |
| 79 | + |
| 80 | +print(f"Geração de imagem levou {end_time - start_time:.3f} segundos") |
| 81 | +``` |
| 82 | + |
| 83 | +## Qualidade de geração |
| 84 | + |
| 85 | +Muitos modelos de difusão modernos entregam imagens de alta qualidade imediatamente. No entanto, você ainda pode melhorar a qualidade de geração experimentando o seguinte. |
| 86 | + |
| 87 | +- Experimente um prompt mais detalhado e descritivo. Inclua detalhes como o meio da imagem, assunto, estilo e estética. Um prompt negativo também pode ajudar, guiando um modelo para longe de características indesejáveis usando palavras como baixa qualidade ou desfocado. |
| 88 | + |
| 89 | + ```py |
| 90 | + import torch |
| 91 | + from diffusers import DiffusionPipeline |
| 92 | + |
| 93 | + pipeline = DiffusionPipeline.from_pretrained( |
| 94 | + "stabilityai/stable-diffusion-xl-base-1.0", |
| 95 | + torch_dtype=torch.bfloat16, |
| 96 | + device_map="cuda" |
| 97 | + ) |
| 98 | + |
| 99 | + prompt = """ |
| 100 | + cinematic film still of a cat sipping a margarita in a pool in Palm Springs, California |
| 101 | + highly detailed, high budget hollywood movie, cinemascope, moody, epic, gorgeous, film grain |
| 102 | + """ |
| 103 | + negative_prompt = "low quality, blurry, ugly, poor details" |
| 104 | + pipeline(prompt, negative_prompt=negative_prompt).images[0] |
| 105 | + ``` |
| 106 | + |
| 107 | + Para mais detalhes sobre como criar prompts melhores, consulte a documentação sobre [Técnicas de prompt](./using-diffusers/weighted_prompts). |
| 108 | + |
| 109 | +- Experimente um agendador diferente, como [`HeunDiscreteScheduler`] ou [`LMSDiscreteScheduler`], que sacrifica velocidade de geração por qualidade. |
| 110 | + |
| 111 | + ```py |
| 112 | + import torch |
| 113 | + from diffusers import DiffusionPipeline, HeunDiscreteScheduler |
| 114 | + |
| 115 | + pipeline = DiffusionPipeline.from_pretrained( |
| 116 | + "stabilityai/stable-diffusion-xl-base-1.0", |
| 117 | + torch_dtype=torch.bfloat16, |
| 118 | + device_map="cuda" |
| 119 | + ) |
| 120 | + pipeline.scheduler = HeunDiscreteScheduler.from_config(pipeline.scheduler.config) |
| 121 | + |
| 122 | + prompt = """ |
| 123 | + cinematic film still of a cat sipping a margarita in a pool in Palm Springs, California |
| 124 | + highly detailed, high budget hollywood movie, cinemascope, moody, epic, gorgeous, film grain |
| 125 | + """ |
| 126 | + negative_prompt = "low quality, blurry, ugly, poor details" |
| 127 | + pipeline(prompt, negative_prompt=negative_prompt).images[0] |
| 128 | + ``` |
| 129 | + |
| 130 | +## Próximos passos |
| 131 | + |
| 132 | +Diffusers oferece otimizações mais avançadas e poderosas, como [group-offloading](./optimization/memory#group-offloading) e [compilação regional](./optimization/fp16#regional-compilation). Para saber mais sobre como maximizar o desempenho, consulte a seção sobre Otimização de Inferência. |
0 commit comments