# AutoPipelineBlocks [`~modular_pipelines.AutoPipelineBlocks`] 是一种包含支持不同工作流程的块的多块类型。它根据运行时提供的输入自动选择要运行的子块。这通常用于将多个工作流程（文本到图像、图像到图像、修复）打包到一个管道中以便利。 本指南展示如何创建 [`~modular_pipelines.AutoPipelineBlocks`]。 创建三个 [`~modular_pipelines.ModularPipelineBlocks`] 用于文本到图像、图像到图像和修复。这些代表了管道中可用的不同工作流程。 ```py import torch from diffusers.modular_pipelines import ModularPipelineBlocks, InputParam, OutputParam class TextToImageBlock(ModularPipelineBlocks): model_name = "text2img" @property def inputs(self): return [InputParam(name="prompt")] @property def intermediate_outputs(self): return [] @property def description(self): return "我是一个文本到图像的工作流程！" def __call__(self, components, state): block_state = self.get_block_state(state) print("运行文本到图像工作流程") # 在这里添加你的文本到图像逻辑 # 例如：根据提示生成图像 self.set_block_state(state, block_state) return components, state ``` ```py class ImageToImageBlock(ModularPipelineBlocks): model_name = "img2img" @property def inputs(self): return [InputParam(name="prompt"), InputParam(name="image")] @property def intermediate_outputs(self): return [] @property def description(self): return "我是一个图像到图像的工作流程！" def __call__(self, components, state): block_state = self.get_block_state(state) print("运行图像到图像工作流程") # 在这里添加你的图像到图像逻辑 # 例如：根据提示转换输入图像 self.set_block_state(state, block_state) return components, state ``` ```py class InpaintBlock(ModularPipelineBlocks): model_name = "inpaint" @property def inputs(self): return [InputParam(name="prompt"), InputParam(name="image"), InputParam(name="mask")] @property def intermediate_outputs(self): return [] @property def description(self): return "我是一个修复工作流！" def __call__(self, components, state): block_state = self.get_block_state(state) print("运行修复工作流") # 在这里添加你的修复逻辑 # 例如：根据提示填充被遮罩的区域 self.set_block_state(state, block_state) return components, state ``` 创建一个包含子块类及其对应块名称列表的[`~modular_pipelines.AutoPipelineBlocks`]类。 你还需要包括`block_trigger_inputs`，一个触发相应块的输入名称列表。如果在运行时提供了触发输入，则选择该块运行。使用`None`来指定如果未检测到触发输入时运行的默认块。 最后，重要的是包括一个`description`，清楚地解释哪些输入触发哪些工作流。这有助于用户理解如何运行特定的工作流。 ```py from diffusers.modular_pipelines import AutoPipelineBlocks class AutoImageBlocks(AutoPipelineBlocks): # 选择子块类的列表 block_classes = [block_inpaint_cls, block_i2i_cls, block_t2i_cls] # 每个块的名称，顺序相同 block_names = ["inpaint", "img2img", "text2img"] # 决定运行哪个块的触发输入 # - "mask" 触发修复工作流 # - "image" 触发img2img工作流（但仅在未提供mask时） # - 如果以上都没有，运行text2img工作流（默认） block_trigger_inputs = ["mask", "image", None] # 对于AutoPipelineBlocks来说，描述极其重要 def description(self): return ( "Pipeline generates images given different types of conditions!\n" + "This is an auto pipeline block that works for text2img, img2img and inpainting tasks.\n" + " - inpaint workflow is run when `mask` is provided.\n" + " - img2img workflow is run when `image` is provided (but only when `mask` is not provided).\n" + " - text2img workflow is run when neither `image` nor `mask` is provided.\n" ) ``` 包含`description`以避免任何关于如何运行块和需要什么输入的混淆**非常**重要。虽然[`~modular_pipelines.AutoPipelineBlocks`]很方便，但如果它没有正确解释，其条件逻辑可能难以理解。 创建`AutoImageBlocks`的一个实例。 ```py auto_blocks = AutoImageBlocks() ``` 对于更复杂的组合，例如在更大的管道中作为子块使用的嵌套[`~modular_pipelines.AutoPipelineBlocks`]块，使用[`~modular_pipelines.SequentialPipelineBlocks.get_execution_blocks`]方法根据你的输入提取实际运行的块。 ```py auto_blocks.get_execution_blocks("mask") ```