# Puntos de control heredados

Estas configuraciones se aplican principalmente a los puntos de control más antiguos de la familia Stable Diffusion.

## Verificador de seguridad

Diffusers proporciona un [verificador de seguridad](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/stable_diffusion/safety_checker.py) para los puntos de control antiguos de Stable Diffusion para evitar la generación de contenido dañino. Examina la salida generada en contra de un conjunto de conceptos dañinos predefinidos. Los modelos más nuevos, como Qwen-Image, no tienen este verificador.

Si desea desactivar el verificador de seguridad, pase `safety_checker=None` en [from_pretrained()](/docs/diffusers/main/es/api/pipelines/overview#diffusers.DiffusionPipeline.from_pretrained) como se muestra a continuación.

```py
from diffusers import DiffusionPipeline

pipeline = DiffusionPipeline.from_pretrained(
  "stable-diffusion-v1-5/stable-diffusion-v1-5", safety_checker=None
)
"""
You have disabled the safety checker for <class 'diffusers.pipelines.stable_diffusion.pipeline_stable_diffusion.StableDiffusionPipeline'> by passing `safety_checker=None`. Ensure that you abide by the conditions of the Stable Diffusion license and do not expose unfiltered results in services or applications open to the public. Both the diffusers team and Hugging Face strongly recommend keeping the safety filter enabled in all public-facing circumstances, disabling it only for use cases that involve analyzing network behavior or auditing its results. For more information, please have a look at https://github.com/huggingface/diffusers/pull/254 .
"""
```

## Reescalado de los planes

El desruido comienza con ruido puro, por lo que la relación señal-ruido (SNR) parte de cero. Algunos modelos no comienzan realmente desde ruido puro, lo que dificulta la generación de extremos brillantes y oscuros.

> [!TIP]
> Entrena tu propio modelo con `v_prediction` añadiendo la bandera `--prediction_type="v_prediction"` a tu script de entrenamiento. También puedes [buscar](https://huggingface.co/search/full-text?q=v_prediction&type=model) modelos existentes entrenados con `v_prediction`.

Para un modelo de `v_prediction`, habilita estos argumentos del programador.

- Establezca `rescale_betas_zero_snr=True` para reescalar el programa de ruido hasta el último paso de tiempo con un SNR exactamente cero
- Establezca `timestep_spacing="trailing"` para forzar el muestreo desde el último paso de tiempo con ruido puro

```py
from diffusers import DiffusionPipeline, DDIMScheduler

pipeline = DiffusionPipeline.from_pretrained("ptx0/pseudo-journey-v2", device_map="cuda")  # or "mps", "xpu", "cpu"

pipeline.scheduler = DDIMScheduler.from_config(
    pipeline.scheduler.config, rescale_betas_zero_snr=True, timestep_spacing="trailing"
)
```

Establezca `guidance_rescale` en el pipeline para evitar imágenes sobreexpuestas. Un valor más bajo aumenta el brillo, pero algunos detalles pueden aparecer lavados.

```py
prompt = """
cinematic photo of a snowy mountain at night with the northern lights aurora borealis
overhead, 35mm photograph, film, professional, 4k, highly detailed
"""
image = pipeline(prompt, guidance_rescale=0.7).images[0]
```

  
    
    sin SNR cero
  
  
    
    con SNR cero y espaciado final