Image-to-Image
Diffusers
Safetensors
PyTorch
StableDiffusionInstructPix2PixPipeline
pix2pix
conditional-generation
Instructions to use OpenPathAI/Orbit-1.2-image with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- Diffusers
How to use OpenPathAI/Orbit-1.2-image with Diffusers:
pip install -U diffusers transformers accelerate
import torch from diffusers import DiffusionPipeline from diffusers.utils import load_image # switch to "mps" for apple devices pipe = DiffusionPipeline.from_pretrained("OpenPathAI/Orbit-1.2-image", dtype=torch.bfloat16, device_map="cuda") prompt = "Turn this cat into a dog" input_image = load_image("https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/diffusers/cat.png") image = pipe(image=input_image, prompt=prompt).images[0] - Notebooks
- Google Colab
- Kaggle
File size: 1,426 Bytes
7c72f00 0882567 7c72f00 0882567 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 | ---
license: apache-2.0
tags:
- image-to-image
- pix2pix
- conditional-generation
- pytorch
library_name: diffusers
pipeline_tag: image-to-image
---
# Orbit 1.2 Image
**Orbit 1.2 Image** adalah model image-to-image yang dibangun di atas arsitektur **pix2pix** dengan optimasi khusus untuk berbagai tugas manipulasi gambar. Model ini memiliki **0.9 miliar parameter** dan menggunakan **tensor tipe FP16** untuk efisiensi komputasi tanpa mengorbankan kualitas hasil.
---
## 🛰️ Ringkasan
- **Nama Model**: Orbit 1.2 Image
- **Base Model**: pix2pix (Conditional GAN)
- **Jumlah Parameter**: 0.9B
- **Tipe Tensor**: FP16 (half precision)
- **Tugas Utama**: Image-to-Image Translation
- **Framework**: PyTorch / Hugging Face Diffusers
Model ini dirancang untuk mentransformasi gambar input menjadi output yang diinginkan berdasarkan kondisi tertentu (misalnya: pewarnaan, segmentasi ke foto realistis, atau perubahan gaya).
---
## 🧠 Arsitektur
Orbit 1.2 Image menggunakan arsitektur generator U-Net yang dimodifikasi dengan mekanisme attention dan normalisasi yang diadaptasi untuk menangani gambar resolusi tinggi secara efisien. Diskriminator juga ditingkatkan untuk memberikan umpan balik yang lebih baik selama pelatihan.
- **Generator**: U-Net dengan skip connections + self-attention
- **Diskriminator**: PatchGAN dengan spektral normalisasi
- **Fungsi Loss**: Kombinasi L1 loss + Adversarial loss (GAN)
--- |