As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá. # Gere imagens em lote com um modelo de difusão no Deadline Cloud O pacote de tarefas [ text\_to\_image\_batch on GitHub ](https://github.com/aws-deadline/deadline-cloud-samples/tree/mainline/job_bundles/text_to_image_batch) 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](examples-jb-vllm-batch.md) 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](tutorial-text-to-image-batch.md)