Qwen-Image-2.1, irudiak sortu eta editatzeko eredu ireki berria etxeko ordenagailuan dabil

Hitz gutxitan esanda, Qwen-Image-2.1, irudi-eredu bat da, eta bi gauza egiten ditu:

1. testu batetik abiatuta irudiak sortzen ditu, eta
2. lehendik dagoen argazki bat aldatzen du, erabiltzaileak esandakoari jarraituz. Berrikuntzarik handiena bigarran gauzatxo hau da, bi zereginak modelo berak egitea: orain arte ohikoena zen bat erabiltzea irudiak sortzeko eta beste bat hura zuzendu eta aldatzeko, eta hemen modelo bakar batek egiten ditu biak.

Bestalde, tamainaz eredu handiek baino askoz arinagoa da, eta horri esker ez du zertan hodeiko zerbitzari bat behar: etxeko ordenagailu batean erabili daiteke. Kalitateari dagokionez, 2K bereizmen arte lan egin dezake (2048 × 2048 pixel) eta formatu edo ratio ezberdinetako irudiak sor ditzake.

Hirugarren ezaugarri nabarmena edizioari dagokio: aldi berean hamar irudi arte har ditzake erreferentzia gisa, eta horiekin elementuak konbinatu, bat bestean txertatu edo irudi bateko piezak aldatu daitezke. Horrez gain, irudi barruan idatzitako testua ere ondo ulertu eta marrazten du, eta bertsio honetan erretratuen eta azalen xehetasunak hobetu dituzte.

Eredua Hugging Facen eta ModelScope-n dago eskuragarri, eta kodea GitHub-en.

Kalitatea: Nano Banana 2.0-ren parean

Argitaratzearekin batera zabaldu den daturik aipatuena Qwen-Image-Bench izeneko probaren emaitza da. Sailkapenean, eredu ireki honek 60,28 puntu lortu zituen; atzetik geratu ziren Nano Banana 2.0 eta Googleren zerbitzu itxia 59,82 punturekin eta GPT Image 1.5 OpenAIren eredua 59,65 punturekin. Hiru ereduak beraz, elkarren parean leudeke kalitateari dagokionez baina Qwen image 2.1 besteen aldean oso txikia da.

Hiru ereduen arteko aldea puntu batetik beherakoa da baina kontuan hartu behar da proba Qwen taldeak berak egina dela, ez hirugarren batek. Beraz, zuhur jokatuta esan daiteke tamaina txikiko eredu ireki bat tamaina handikoen maila bereko emaitzak ematen hasi dela dirudiela, baina honek ez duela esan nahi arlo guztietan besteen gainetik dagoenik. Hori bai, esan dugun moduan, eredu hau norberaren txartel grafiko bakarrean exekutatu daiteke doan eta ia inongo mugarik gabe.

Gainera tamainarekin batera, abiadura hobetzeko bideak ere landu dituzte. Erreferentzia-irudiak eta argibidea ez dira urrats bakoitzean aldatzen, beraz behin prozesatu eta gero emaitza hori aprobetxatzen dute, dena hasieratik berriz kalkulatu beharrean. Bestalde, testua eta irudia ere modu desberdinean prozesatzen dira, bakoitzak bere xehetasun-maila behar baitu. Irabazi nabariena irudi bat baino gehiago sartzen direnean nabaritzen da eta hori funtsezkoa da hamar irudi arte onartzen dituen modelo batean.

ComfyUI-rekin etxeko ordenagailuan

ComfyUI kode irekiko aplikazio bat da eta nodoz osatutako lan-fluxuak eraikiz irudiak sortzeko aukera ematen du. Qwenek argitaratu duen eredu berri honetarako hiru txantiloi ofizial eskeintzen ditu instalatu eta berehala erabiltzeko prest:

1.  Text to Image txantiloia testutik abiatuta irudiak sortzeko da
2.  Image Edit txantiloia argazki bat kargatu eta hura aldatzeko
3. Remove Background atzealdea kentzeko

Hirurek ezarpen mordoa dituzte irudia gure gustura sortu ahal izateko (xehetasunetan ez gara sartuko), baina ia ezer ukitu gabe ere, irudi sorkuntza prozesua oso sinplea da: prompta idatzi, behar izanez gero erreferentzia-irudiak erantsi eta prozesua exekutatu.

Zer GPU behar da?

ComfyUI-ren txantiloiek bertsio arin eta kuantizatuekin egiten dute lan eta horiek kaleko jende arruntak erabiltzen dituzten txartelentzat egokituta daude. 8 GB VRAM dituen txartel batekin nahikoa izan daiteke baina ez espero kalitate handiko irudirik, ez eta denbora azkarreko emaitzik ere. Aukera hori minimoa da eta irudiak editatzen hasita gauzak okertu egiten dira eta prozesuak memoria faltagatik huts egitea ohikoa da.

16 GB dituen txartel batean (RTX 5070 Ti bat adibidez) bertsio kuantizatu arruntak sartzen dira eta esperientzia askoz erosoagoa da. 24 GB-rekin modeloaren bertsio osoa sartzen da (RTX 3090, 4090 eta antzekoak) eta hori da erreferentziazko konfigurazioa. Eredu honen kalitate goreneko pisuekin berriz, 30 GB inguru behar dira eta 32 GB edo gehiago izanez gero, lasai ibili eta 2K bereizmeneko irudiak lortzeko tartea ere badago.

Eraduak 2K kalitateko irudiak sortzeko aukera ematen badu ere, kontuz. Tamaina horretako irudia sortzeko memoria izugarri behar baitu. Etxean, 1 megapixel ingururekin hasi eta pixkanaka igotzea da zentzuzkoena, batez ere erreferentzia-irudiak erabili behar ditugunean.

Eta Mac batean? Artikulu honetako irudi guztiak Mac mini M4 Pro batean sortu dira, 24 GB memoria bateratuarekin, ComfyUI erabilita. Funtzionatzen du, baina pazientzia behar da: irudi bakoitzeko 6 eta 10 minutu artean behar izan ditu sortzeak, eta 20 eta 30 minutu artean editatzeak. Apple makinetako txipek memoria bateratua dutenez, motelagoak direlako da hau. Orokorrean AA eredu txiki/ertainak martxan jartzeko arazorik ez da izaten, baina bideojokoetako ohiko txartel grafikoak baino motelagoak dira.

Argazki baten zati bat aldatu, beste guztia ukitu gabe

Testutik sortutako irudiez gain, eredu honek lehendik sortutakoak editatzeko aukera ematen du. Jatorrizko argazkia kargatu, promptean zer aldatu nahi den deskribatu, eta modeloak gainerakoa mantentzen du: argiztapena, perspektiba, aurpegia, testura etabar.

Tokiko edizioa egiteko aukera ematen du, eta ereduari editatu nahi duzuna dekribatuz edo eremu bat "paint" bidez borobil batean inguratuta aldatu nahi dena ulertzeko gai da, argazki edizioetan erabili ohi diren maskara konplexuak erabili beharrean.

Beheko adibidean, argazki bat hartu eta pertsonari arropa aldatzeaz gain, atzealdean dinosauroak sartu zaizkio argi natural eta jatorrizko argiztapena mantenduta. Edo horretan saiatu da behintzat.

Jatorrizko selfiea, hauxe:

Hamar irudi batera konbinatu daitezke

Edizio bakoitzean hamar erreferentzia-irudi arte onartzen ditu modeloak. ComfyUI tresnan irudiak kargatu eta promptean <image1>, <image2> moduko erreferentziak erabiliz irudiak editatzeko jarraibideak eman ahal zaizkio.

Horrek hiru erabilera nagusi ematen ditu, eta praktikan asko erabiltzen dira. Lehenengoa elementuak konbinatzea da: irudi bateko pertsonaiaren aurpegia, beste bateko produktua, hirugarren bateko atzealdea eta laugarren bateko estiloa hartu, eta guztiak irudi bakar batean batzea. Bigarrena elementu bat eszena batean txertatzea: objektu bat beste irudi batetik hartu eta konposizio berri batean jartzea, argiztapenera eta perspektibara egokituta. Eta hirugarrena, agian erabilgarriena: irudi bateko elementuak aldatzea, konposizioa bere horretan utzita eta bertako pieza bat beste bategatik ordezkatuta.

Atzealde gardena

Hau da modelo honen berezitasunik nabarmenena. Irudia sortzen duenean, atzealdea zer den bereizten du, eta atzealde gardeneko irudia ematen du zuzenean. Horrela, ez da atzealdea kentzeko aparteko tresnarik behar. Beste inongo eredu ireki nagusi batek ere ez du hau egiten.

Prompt sinple batekin, ereduak berak erabakitzen du noiz atera irudi arrunta eta noiz gardena eta argazki erreal bat emanez gero, bertako subjektua zuzenean atera dezake atzealde gardeneko geruza gisa, ile-ertzak bezalako forma zailak atzealdetik erraztasunez bereizita adibidez.

Eredu irekia da baina ez da guztiz librea

Eredu honen pisuak irekiak dira baina Qwen Research License lizentziapean daude. Beraz, eredu hau ikerketarako eta ebaluaziorako erabil daiteke, baita aldatu eta birbanatu ere baina ezin zaio erabilera komertziala eman Apache 2.0 lizentziak uzten duen moduan adibidez. Horretarako Alibabarekin berariaz hitzartu behar da. 

Lizentzia alde batera utzita, badago beste alderdi bat ere ordea. Eredua norberaren ordenagailuan exekutatzen denez, ez dago hornitzaile baten hodeiko iragazkirik tartean eta AEBetako zerbitzu itxi askok ukatuko lituzketen irudiak sortu daitezke (pertsonaia ezagunenak barne).

Noski, irudiak sortzea gauza bat da, baina erantzukizuna erabiltzailearena. Egile-eskubideak eta marka erregistratuak errespetatzea eta norbera bizi den herrialdeko araudia betetzea kontuz begiratu beharrekoa da.

Zer-nolako irudiak ateratzen dituen

Gaitasun teknikoak alde batera utzita, hauek dira eredu honek sortutako gai eta estilo desberdinetako beste adibide batzuk. Denak Mac mini M4 Pro batean (24 GB) sortu ziren, ComfyUI erabilita.

Nola probatu

Kodea GitHuben dago QwenLM/Qwen-Image-2.1 errepositorioan, eta pisuak Hugging Facen: Qwen/Qwen-Image-2.1 bertsio originalean edota Comfy-Org/Qwen-Image-2.1 ComfyUIrako espreski prestatutako bertsio arinagoekin. Argitalpenaren xehetasunak eta egileek emandako argibideak berriz, ComfyUI-ren blogeko oharrean daude azalduta.

Hemen itsatsi ditugun pantaila-irudietan ikusiko duzue prompt edo aginduak ingelesez idatzi ditugula. Hori gomendatzen du Qwenek, baina zehaztasun gutxiagorekin eta geldoago ematen ditu irudiak euskarazko promptak sartuta ere.

Ezer instalatu nahi ez duenarentzat Hugging Faceko Space ofiziala dago eskura: https://huggingface.co/spaces/Qwen/Qwen-Image-2.1