Shuttle 3.1 Aesthetic - v1.0

# Shuttle 3.1 Aesthetic

Junte-se ao nosso [Discord](https://discord.gg/shuttleai) para receber as atualizações, notícias e muito mais.

## Variantes do Modelo

Essas variantes do modelo oferecem diferentes níveis de precisão e formatos otimizados para diversas capacidades de hardware e casos de uso

- [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 (em breve)

Shuttle 3.1 Aesthetic é um modelo de IA texto-para-imagem projetado para criar imagens detalhadas e estéticas a partir de prompts textuais em apenas 4 a 6 passos. Oferece desempenho aprimorado em qualidade de imagem, tipografia, compreensão de prompts complexos e eficiência de recursos.


Você pode testar o modelo através do site em https://designer.shuttleai.com/

## Usando o modelo via API

Você pode usar Shuttle 3.1 Aesthetic via API através do ShuttleAI

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

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

## Usando o modelo com 🧨 Diffusers

Instale ou atualize os diffusers

```shell

pip install -U diffusers

```

Então, você pode usar DiffusionPipeline para executar o modelo

```python

import torch

from diffusers import DiffusionPipeline

# Carregue a pipeline de difusão a partir de um modelo pré-treinado, usando bfloat16 para tipos de tensor.

pipe = DiffusionPipeline.from_pretrained(

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

).to("cuda")

# Descomente a linha abaixo para economizar VRAM descarregando o modelo para CPU se necessário.

# pipe.enable_model_cpu_offload()

# Descomente as linhas abaixo para habilitar torch.compile e potencialmente melhorar o desempenho em GPUs compatíveis.

# Note que isso pode aumentar consideravelmente o tempo de carregamento.

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

# pipe.transformer = torch.compile(

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

# )

# Defina seu prompt para geração de imagem.

prompt = "Um gato segurando uma placa que diz olá mundo"

# Gere a imagem usando a pipeline de difusão.

image = pipe(

prompt,

height=1024,

width=1024,

guidance_scale=3.5,

num_inference_steps=4,

max_sequence_length=256,

# Descomente a linha abaixo para usar uma seed manual para resultados reproduzíveis.

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

).images[0]

# Salve a imagem gerada.

image.save("shuttle.png")

```

Para saber mais, consulte a documentação do [diffusers](https://huggingface.co/docs/diffusers/main/en/api/pipelines/flux)

## Usando o modelo com ComfyUI

Para rodar inferência local com Shuttle 3.1 Aesthetic usando [ComfyUI](https://github.com/comfyanonymous/ComfyUI), você pode usar este arquivo [safetensors](https://huggingface.co/shuttleai/shuttle-3.1-aesthetic/blob/main/shuttle-3.1-aesthetic.safetensors).

## Detalhes do Treinamento

Shuttle 3.1 Aesthetic utiliza Shuttle 3 Diffusion como base. Ele pode produzir imagens semelhantes ao Flux Dev em apenas 4 passos e é licenciado sob Apache 2. O modelo foi parcialmente de-destilado durante o treinamento. Superamos as limitações dos modelos da série Schnell empregando um método especial de treinamento, resultando em melhorias nos detalhes e nas cores.