Gere imagens em lote com um modelo de difusão no Deadline Cloud

O pacote de tarefas text_to_image_batch on GitHub executa a geração de imagens em lote de alto rendimento em um JSONL de prompts usando um modelo de difusão. O modelo padrão é o FLUX.2 Klein 4B, que é licenciado pelo Apache 2.0, não bloqueado e destilado em 4 etapas. O agendador distribui as tarefas entre os trabalhadores de GPU disponíveis, com o pipeline de difusão carregado uma vez por trabalhador e reutilizado para cada tarefa desse trabalhador. Uma etapa agregada produz um arquivo JSONL combinado e um visualizador de galeria HTML estático.

Quando uma linha JSONL carrega um caption campo ou um generated_text campo vinculado a partir da saída do Execute inferência de LLM em lote com vLLM no Deadline Cloud pacote, a tarefa compõe o texto sobre a imagem gerada como uma tipografia nítida. Linhas sem legenda produzem imagens puras.

Para executar esse pacote, você precisa de uma frota gerenciada por serviços com GPUs NVIDIA e pelo menos 32 GB de RAM, além de uma fila com um ambiente de fila conda que leia e apresente parâmetros de trabalho. CondaPackages CondaChannels No job_bundles diretório do repositório de amostras, envie o trabalho:

deadline bundle gui-submit text_to_image_batch

Para obter uma explicação completa que abrange a configuração da fazenda, o formato de entrada, as sobreposições de legendas e o fluxo de trabalho de encadeamento, consulte. Gere imagens em lote com um modelo de difusão