Hugging Face Diffusers
🤗 Diffusers
مكتبة نماذج الانتشار (Diffusion) المدربة مسبقاً لتوليد الصور والصوت والفيديو، مع خطوط توليد ومجدولات قابلة للتبديل.
المعلومات الأساسية
| الاسم | Hugging Face Diffusers |
|---|---|
| الاسم الكامل | 🤗 Diffusers |
| التصنيف | الذكاء الاصطناعي التوليدي |
| الجهة المطورة | Hugging Face |
| سنة الإطلاق | غير محدد |
| الموقع الرسمي | github.com/huggingface/diffusers |
| مستودع GitHub | huggingface/diffusers |
| الوثائق الرسمية | غير محدد |
| الحزمة على PyPI | diffusers |
| الترخيص | Apache-2.0 (PyPI license) |
| حالة المشروع | نشطة صدر لها إصدار خلال آخر 12 شهراً |
| آخر إصدار | 12 نوفمبر 2026 (الإصدار 0.43.0) |
| لغة البرمجة | Python |
| أنظمة التشغيل | OS Independent (كما تعلنها الحزمة على PyPI) |
| إصدار Python المطلوب | >=3.11.0 |
| مستوى الصعوبة | متوسط |
آخر تحقق من هذه البيانات: 21 نوفمبر 2026 — المصدر: PyPI JSON API (2026-11-21)
نظرة عامة
تفصل Diffusers بين الخطوط الجاهزة (Pipelines) والنماذج (UNet وTransformers) والمجدولات (Schedulers)، فيمكن تبديل كل جزء. وتدعم نماذج مثل Stable Diffusion وغيرها المنشورة على Hub، والضبط الدقيق عبر LoRA وDreamBooth.
تشغيل النماذج الكبيرة يحتاج GPU بذاكرة كافية، وتراخيص النماذج تختلف من نموذج لآخر فراجع بطاقة كل نموذج.
متى تختارها؟ اخترها لتوليد الصور برمجياً وتجربة نماذج الانتشار وضبطها.
الاستخدامات
الاستخدامات الرئيسية
- توليد الصور من النص
- تعديل الصور والإكمال
- الضبط الدقيق بـ LoRA
- تعليم نماذج الانتشار
المجالات العلمية
- الذكاء الاصطناعي التوليدي
- التصميم
- البحث
أنواع المشاريع المناسبة
- مولد صور بنمط مخصص
تطبيقات بحثية
- تجارب على مجدولات ومعماريات الانتشار
الخصائص التقنية
تُعرض الخاصية «مدعومة» فقط إذا كانت موثقة في الوثائق الرسمية للمكتبة؛ وما لم نتحقق منه يظهر «غير محدد».
| دعم المعالج المركزي (CPU) | مدعومممكن لكنه بطيء جداً للنماذج الكبيرة. |
|---|---|
| دعم المعالج الرسومي (GPU) | مدعوم |
| التوافق مع CUDA | مدعوم |
| التدريب أو الحوسبة الموزعة | جزئي أو عبر إضافة |
| الاشتقاق التلقائي (Autodiff) | مدعومعبر PyTorch. |
| نشر النماذج (Deployment) | جزئي أو عبر إضافة |
| نماذج مدربة مسبقاً | مدعوم |
| أنواع البيانات المدعومة | صور، نصوص، صوت، موترات |
| التكامل مع مكتبات أخرى | PyTorch، Hugging Face Transformers، PEFT |
| المرونة (تقدير تحريري) | عالية |
| الأداء (تقدير تحريري) | يعتمد على GPU |
| المجتمع (تقدير تحريري) | كبير |
| جودة التوثيق (تقدير تحريري) | توثيق ممتاز |
التثبيت والتشغيل
pip install diffusersالتوافق: Python >=3.11.0 — حسب بيانات الحزمة على PyPI، تحقق في 21 نوفمبر 2026
يُفضّل التثبيت داخل بيئة افتراضية (venv أو conda). وإذا احتجت توافقاً مع إصدار معين من CUDA أو نظام التشغيل فارجع إلى الوثائق الرسمية، لأن هذه المعلومات تتغير مع كل إصدار.
أمثلة برمجية
الأمثلة الموسومة «نُفّذ واختُبر» شُغّلت فعلياً وسُجّل مخرجها وتاريخ الاختبار وإصدارات المكتبات؛ وغيرها يحتاج GPU أو تنزيل نماذج فلم يُشغّل في بيئة الاختبار.
متوسطتوليد صورة من نص بـ Diffusersغير منفّذ
الهدف: تحميل خط انتشار وتوليد صورة.
import torch
from diffusers import DiffusionPipeline
pipe = DiffusionPipeline.from_pretrained("stabilityai/stable-diffusion-2-1-base", torch_dtype=torch.float16)
pipe = pipe.to("cuda")
image = pipe("a watercolor painting of a robot reading a book", num_inference_steps=25).images[0]
image.save("robot.png")
شرح الكود
DiffusionPipeline.from_pretrained يحمّل كل مكونات النموذج (المشفر النصي وU-Net والمجدول وفك الترميز). يحتاج GPU وذاكرة كافية وتنزيل عدة جيجابايت، وبعض النماذج تتطلب قبول ترخيصها على Hugging Face. لم يُنفَّذ في بيئة الاختبار.
لم يُنفّذ هذا المثال في بيئة الاختبار: يحتاج GPU وتنزيل أوزان النموذج راجعه على وثائق المكتبة قبل الاعتماد عليه.
بحثيعملية الانتشار الأمامية بمجدول DDPMنُفّذ واختُبر
الهدف: رؤية كيف يضيف المجدول الضوضاء تدريجياً كما في ورقة DDPM.
import torch
from diffusers import DDPMScheduler
torch.manual_seed(0)
sched = DDPMScheduler(num_train_timesteps=1000, beta_schedule="linear")
x0 = torch.randn(1, 3, 32, 32)
noise = torch.randn_like(x0)
for t in [0, 250, 500, 999]:
xt = sched.add_noise(x0, noise, torch.tensor([t]))
corr = torch.corrcoef(torch.stack([x0.flatten(), xt.flatten()]))[0, 1].item()
print(f"t={t:4d} sqrt(alpha_bar)={sched.alphas_cumprod[t].sqrt().item():.4f} corr(x0,xt)={corr:.3f}")
شرح الكود
DDPMScheduler يحسب جدول β ومعاملات ᾱ_t. الدالة add_noise تطبق x_t = √ᾱ_t·x₀ + √(1−ᾱ_t)·ε. نقيس كم تبقى من الإشارة الأصلية عند خطوات مختلفة؛ هذا الجزء لا يحتاج أوزاناً مدربة.
المخرجات المسجلة عند الاختبار
t= 0 sqrt(alpha_bar)=0.9999 corr(x0,xt)=1.000 t= 250 sqrt(alpha_bar)=0.7221 corr(x0,xt)=0.728 t= 500 sqrt(alpha_bar)=0.2789 corr(x0,xt)=0.293 t= 999 sqrt(alpha_bar)=0.0064 corr(x0,xt)=0.022
نُفّذ هذا المثال فعلياً واختُبر بتاريخ 21 نوفمبر 2026 على CPU — diffusers 0.43.0, torch 2.15.0, python 3.13.18
المزايا
- تصميم معياري واضح
- نماذج كثيرة على Hub
القيود
- تتطلب GPU قوية للنماذج الكبيرة
- تراخيص النماذج متباينة
المراجع والتحقق
- صفحة الحزمة على PyPI (مصدر الإصدار والترخيص وتاريخ الإصدار) تحقق مباشر
https://pypi.org/project/diffusers/
تاريخ التحقق: 21 نوفمبر 2026 — الإصدار المتحقق منه: 0.43.0 — المراجعة: فريق DLArabic
- الموقع الرسمي رابط تعلنه الحزمة رسمياً على PyPI
https://github.com/huggingface/diffusers
تاريخ التحقق: 21 نوفمبر 2026 — المراجعة: فريق DLArabic
- المستودع الرسمي رابط تعلنه الحزمة رسمياً على PyPI
https://github.com/huggingface/diffusers
تاريخ التحقق: 21 نوفمبر 2026 — المراجعة: فريق DLArabic
سجل الإصدارات المتحقق منها
| الإصدار | تاريخ الإصدار | تاريخ التحقق |
|---|---|---|
| 0.43.0 | 12 نوفمبر 2026 | 21 نوفمبر 2026 |
آخر مراجعة لمعلومات الصفحة: 21 نوفمبر 2026. الوصف العربي مكتوب أصلياً للموسوعة وليس منقولاً من المواقع الرسمية.
