Shuttle 3.1 Aesthetic - v1.0

# Shuttle 3.1 Aesthetic

Rejoignez notre [Discord](https://discord.gg/shuttleai) pour recevoir les dernières mises à jour, actualités, et plus encore.

## Variantes du modèle

Ces variantes de modèles offrent différents niveaux de précision et formats optimisés pour diverses capacités matérielles et cas d’usage

- [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 (bientôt)

Shuttle 3.1 Aesthetic est un modèle IA texte-image conçu pour créer des images détaillées et esthétiques à partir de prompts textuels en seulement 4 à 6 étapes. Il offre des performances améliorées en qualité d’image, typographie, compréhension de prompts complexes et efficacité des ressources.


Vous pouvez essayer le modèle via un site web à https://designer.shuttleai.com/

## Utilisation du modèle via API

Vous pouvez utiliser Shuttle 3.1 Aesthetic via API grâce à ShuttleAI

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

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

## Utilisation du modèle avec 🧨 Diffusers

Installez ou mettez à jour diffusers

```shell

pip install -U diffusers

```

Puis vous pouvez utiliser DiffusionPipeline pour exécuter le modèle

```python

import torch

from diffusers import DiffusionPipeline

# Chargez le pipeline de diffusion depuis un modèle pré-entraîné, en utilisant bfloat16 pour les types de tenseurs.

pipe = DiffusionPipeline.from_pretrained(

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

).to("cuda")

# Décommentez la ligne suivante pour économiser de la VRAM en déchargeant le modèle sur le CPU si besoin.

# pipe.enable_model_cpu_offload()

# Décommentez les lignes ci-dessous pour activer torch.compile et potentiellement améliorer les performances sur GPUs compatibles.

# Notez que cela peut considérablement augmenter les temps de chargement.

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

# pipe.transformer = torch.compile(

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

# )

# Définissez votre prompt pour la génération d’image.

prompt = "Un chat tenant un panneau disant bonjour le monde"

# Générez l’image avec le pipeline de diffusion.

image = pipe(

prompt,

height=1024,

width=1024,

guidance_scale=3.5,

num_inference_steps=4,

max_sequence_length=256,

# Décommentez la ligne ci-dessous pour utiliser une graine manuelle afin de reproduire les résultats.

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

).images[0]

# Sauvegardez l’image générée.

image.save("shuttle.png")

```

Pour en savoir plus, consultez la documentation des [diffusers](https://huggingface.co/docs/diffusers/main/en/api/pipelines/flux).

## Utilisation du modèle avec ComfyUI

Pour exécuter une inférence locale avec Shuttle 3.1 Aesthetic en utilisant [ComfyUI](https://github.com/comfyanonymous/ComfyUI), vous pouvez utiliser ce [fichier safetensors](https://huggingface.co/shuttleai/shuttle-3.1-aesthetic/blob/main/shuttle-3.1-aesthetic.safetensors).

## Détails de l'entraînement

Shuttle 3.1 Aesthetic utilise Shuttle 3 Diffusion comme base. Il peut produire des images similaires à Flux Dev en seulement 4 étapes et est sous licence Apache 2. Le modèle a été partiellement dé-distillé lors de l’entraînement. Nous avons surmonté les limitations des modèles de la série Schnell en employant une méthode d’entraînement spéciale, ce qui a amélioré les détails et les couleurs.