Saltar al contenido
Revisión pendiente desde 21 ago 20262 fuentes primarias

Diffusers con Python reproducible

Cuando una imagen forma parte de un curso, campaña o producto, necesitas repetirla, compararla y documentarla. Ahí Diffusers gana: convierte la generación en código versionable.

Qué vas a conseguir ahora

Una decisión o prueba aplicada a «Diffusers con Python reproducible».

  1. 1Entiende el criterio
  2. 2Haz una práctica pequeña
  3. 3Guarda una evidencia
Evidencia

Una nota breve con qué hiciste, qué salió bien, qué falló y qué revisarías después.

Objetivos de aprendizaje
  • Crear un script mínimo de generación de imágenes.
  • Controlar seed, tamaño, pasos y nombre de salida.
  • Guardar un manifest para auditar resultados.
En cristiano: seed. Es el punto de partida aleatorio. Si guardas modelo, prompt, parámetros y seed, puedes acercarte al mismo resultado y comparar cambios con justicia.

Entorno

Terminal
mkdir imagenes-diffusers
cd imagenes-diffusers
python -m venv .venv
source .venv/bin/activate
pip install -U diffusers transformers accelerate sentencepiece safetensors

Script base

Terminal
import json
import torch
from diffusers import FluxPipeline

model_id = "black-forest-labs/FLUX.1-schnell"
prompt = "clear educational diagram about local AI, calm workspace, Spanish labels, no logos"
seed = 2048

pipe = FluxPipeline.from_pretrained(model_id, torch_dtype=torch.bfloat16)
pipe.enable_model_cpu_offload()

image = pipe(
    prompt,
    num_inference_steps=4,
    guidance_scale=0.0,
    generator=torch.Generator("cpu").manual_seed(seed),
).images[0]

image.save("salida-local-ai-2048.png")

manifest = {
    "model_id": model_id,
    "prompt": prompt,
    "seed": seed,
    "steps": 4,
    "guidance_scale": 0.0,
    "output": "salida-local-ai-2048.png",
}

with open("salida-local-ai-2048.manifest.json", "w", encoding="utf-8") as f:
    json.dump(manifest, f, ensure_ascii=False, indent=2)
Idea clave. FLUX.1 schnell está pensado para pocas iteraciones. Si cambias de modelo, revisa parámetros recomendados: no todos responden igual a pasos, guidance o resolución.
Cuidado. Diffusers facilita ejecutar modelos, pero no elimina sus requisitos de memoria. Si tu GPU no llega, usa offload, baja resolución o ejecuta en una máquina temporal con GPU.
Comprueba que funciona. Genera tres imágenes con la misma seed cambiando solo una palabra del prompt. Si puedes explicar qué cambió y por qué, ya tienes una base reproducible.
Guardar y reabrir el proyecto.
El manifest es parte del resultado. Una imagen sin modelo, prompt y seed es difícil de mejorar y difícil de defender.

Si has guardado la evidencia de esta lección, continúa con «Control, referencias y LoRA». Si no, repite la comprobación antes de avanzar.

Mapa completo de AulafyConsulta cómo encaja esta lección sin salir de tu ruta.

Mapa completo de Aulafy

Cómo se relacionan todos los cursos

No es una lista que debas completar. Empieza por la base, elige un resultado y profundiza solo cuando tu proyecto necesite más control.

  1. 1Comprender
  2. 2Aplicar o construir
  3. 3Operar con confianza
01

Empieza aquí

Crea una base común: qué puede hacer la IA, cómo pedir resultados y cómo comprobarlos antes de especializarte.

Desde esta base puedes aplicar la IA a una tarea o aprender a construir con código.

02

Elige una aplicación

Convierte la base en un resultado visible: una web, una mejora de negocio, contenido o una experiencia interactiva.

Si necesitas mantener código, datos o infraestructura, continúa por la rama técnica.

03

Construye con código

Prepara el entorno, trabaja con agentes de programación y aprende a ejecutar modelos con control sobre tus proyectos.

Esta rama prepara los conocimientos necesarios para diseñar y operar sistemas de IA fiables.

04

Lleva sistemas a producción

Combina recuperación, agentes, evaluación, seguridad, despliegue y adaptación de modelos cuando el problema lo exija.

No es obligatorio completarlo todo: elige solo la pieza que tu sistema necesita y vuelve al mapa cuando crezca.

Ver catálogo completo