Shuttle 3.1 Aesthetic - v1.0

# Shuttle 3.1 Aesthetic

Tritt unserem [Discord](https://discord.gg/shuttleai) bei, um die neuesten Updates, Nachrichten und mehr zu erhalten.

## Modellvarianten

Diese Modellvarianten bieten unterschiedliche Präzisionsniveaus und Formate, optimiert für verschiedene Hardwarefähigkeiten und Anwendungsfälle

- [bfloat16](https://huggingface.co/shuttleai/shuttle-3.1-aesthetic/resolve/main/shuttle-3.1-aesthetic.safetensors)

- [fp8](https://huggingface.co/shuttleai/shuttle-3.1-aesthetic/resolve/main/fp8/shuttle-3.1-aesthetic-fp8.safetensors)

- GGUF (bald)

Shuttle 3.1 Aesthetic ist ein Text-zu-Bild KI-Modell, das darauf ausgelegt ist, detaillierte und ästhetische Bilder aus Text-Prompts in nur 4 bis 6 Schritten zu erstellen. Es bietet verbesserte Leistung bei Bildqualität, Typografie, Verstehen komplexer Prompts und Ressourceneffizienz.


Du kannst das Modell über eine Webseite ausprobieren unter https://designer.shuttleai.com/

## Nutzung des Modells über API

Du kannst Shuttle 3.1 Aesthetic via API über ShuttleAI nutzen

- [ShuttleAI](https://shuttleai.com/)

- [ShuttleAI Dokumentation](https://docs.shuttleai.com/)

## Nutzung des Modells mit 🧨 Diffusers

Installiere oder aktualisiere diffusers

```shell

pip install -U diffusers

```

Dann kannst du DiffusionPipeline nutzen, um das Modell auszuführen

```python

import torch

from diffusers import DiffusionPipeline

# Lade die Diffusionspipeline von einem vortrainierten Modell, benutze bfloat16 für Tensor-Typen.

pipe = DiffusionPipeline.from_pretrained(

"shuttleai/shuttle-3.1-aesthetic", torch_dtype=torch.bfloat16

).to("cuda")

# Entferne den Kommentar der folgenden Zeile, um VRAM zu sparen, indem du das Modell bei Bedarf auf die CPU auslagerst.

# pipe.enable_model_cpu_offload()

# Entferne den Kommentar der folgenden Zeilen, um torch.compile für potenzielle Leistungssteigerungen auf kompatiblen GPUs zu aktivieren.

# Beachte, dass dies die Ladezeiten erheblich erhöhen kann.

# pipe.transformer.to(memory_format=torch.channels_last)

# pipe.transformer = torch.compile(

# pipe.transformer, mode="max-autotune", fullgraph=True

# )

# Definiere deinen Prompt für die Bildgenerierung.

prompt = "Eine Katze hält ein Schild mit der Aufschrift Hallo Welt"

# Erzeuge das Bild mit der Diffusionspipeline.

image = pipe(

prompt,

height=1024,

width=1024,

guidance_scale=3.5,

num_inference_steps=4,

max_sequence_length=256,

# Entferne den Kommentar der folgenden Zeile, um einen manuellen Seed für reproduzierbare Ergebnisse zu verwenden.

# generator=torch.Generator("cpu").manual_seed(0)

).images[0]

# Speichere das erzeugte Bild.

image.save("shuttle.png")

```

Weitere Informationen findest du in der [diffusers](https://huggingface.co/docs/diffusers/main/en/api/pipelines/flux) Dokumentation

## Nutzung des Modells mit ComfyUI

Um lokale Inferenz mit Shuttle 3.1 Aesthetic unter Verwendung von [ComfyUI](https://github.com/comfyanonymous/ComfyUI) durchzuführen, kannst du diese [safetensors-Datei](https://huggingface.co/shuttleai/shuttle-3.1-aesthetic/blob/main/shuttle-3.1-aesthetic.safetensors) verwenden.

## Trainingsdetails

Shuttle 3.1 Aesthetic nutzt Shuttle 3 Diffusion als Basis. Es kann Bilder ähnlich zu Flux Dev in nur 4 Schritten erzeugen und ist unter Apache 2 lizenziert. Das Modell wurde während des Trainings teilweise dé-distilliert. Wir haben die Einschränkungen der Schnell-Serie Modelle durch eine spezielle Trainingsmethode überwunden, was zu verbesserten Details und Farben führt.