Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra. # Générez des images par lots avec un modèle de diffusion sur Deadline Cloud Le bundle de tâches [ text\_to\_image\_batch GitHub ](https://github.com/aws-deadline/deadline-cloud-samples/tree/mainline/job_bundles/text_to_image_batch) exécute la génération d'images par lots à haut débit sur un JSONL d'invites à l'aide d'un modèle de diffusion. Le modèle par défaut est FLUX.2 Klein 4B, qui est sous licence Apache 2.0, non classé et distillé en 4 étapes. Le planificateur distribue les tâches entre les opérateurs GPU disponibles, le pipeline de diffusion étant chargé une fois par programme de travail et réutilisé pour chaque tâche de ce dernier. Une étape d'agrégation produit un fichier JSONL combiné et une visionneuse de galerie HTML statique. Lorsqu'une ligne JSONL contient un `caption` champ, ou un `generated_text` champ enchaîné à partir de la sortie du [Exécuter une inférence LLM par lots avec vLLM sur Deadline Cloud](examples-jb-vllm-batch.md) bundle, le travail compose le texte sur l'image générée sous forme de typographie nette. Les lignes sans légende produisent des images pures. Pour exécuter ce bundle, vous avez besoin d'un parc géré par des services avec des GPU NVIDIA et au moins 32 Go de RAM, ainsi que d'une file d'attente avec un environnement de file d'attente conda qui lit `CondaPackages` les paramètres et les tâches. `CondaChannels` Depuis le `job_bundles` répertoire du référentiel d'échantillons, soumettez la tâche : ``` deadline bundle gui-submit text_to_image_batch ``` Pour une présentation complète qui couvre la configuration de la ferme, le format d'entrée, les superpositions de sous-titres et le flux de travail de chaînage, consultez. [Générez des images par lots à l'aide d'un modèle de diffusion](tutorial-text-to-image-batch.md)