Rebuilding AUTOMATIC1111 with Gradio Workflow

Жасанды интеллект және медиа өңдеу саласында автоматтандырылған жүйелердің жетілдірілуі маңызды бағыттың бірі болып отыр. AUTOMATIC1111 платформасының функционалдығын Gradio Workflow негізінде қайта құруы осы саладағы жаңалықтар мен құралдардың интеграциясы арқылы қолданушыларға ыңғайлы әрі қуатты шешім ұсынады. Бұл процесс жасанды интеллекттің файлдарды өңдеу, сурет жасау және бейне анимациялау сияқты тапсырмаларды үнемді әрі жылдам орындауына жол ашады.

Gradio Workflow негізіндегі AUTOMATIC1111-дің құрылымы

Workflow1111 — бұл AUTOMATIC1111 платформасының мультимедиялық он бір желісінен тұратын күрделі графы. Мұнда жетпіс үш торап қолданылады, олар мәтіннен сурет жасау, жоғары рұқсатты түзету, суреттен суретке ауысу, сұрау-матрицалық торлар, суретті тану және алдын ала өңдеу, ControlNet-стильдегі аннотация, фонды алып тастау, PNG файл мәліметтерін сақтау және суреттен бейнеге айналдыру сияқты функцияларды біріктіреді.

Әр бір торап белгілі бір операторды білдіреді, бұл операторларға Python функциялары, модельдер, Gradio Spaces және Hugging Face деректер жиынтығы қатарынан кіреді. Операторлардың кіріс және шығыс порттары графтағы “құйылғыштар” ретінде әрекет етеді.

Негізгі медиа желілердің сипаттамасы

Мәтіннен сурет жасау: Бұл негізгі желі, мұнда пайдаланушыға жайлы басқару элементтері бар: қарама-қарсы сұрау, қадамдар саны, орнатулар, тұқым және кескін өлшемдері енгізілетін өрістер. Сұрау мәтіні жеке функция арқылы реттеліп, таза әрі стандартты стильге келтіріледі, содан кейін InferenceClient арқылы модель шақырылып, өңдеу нәтижесі PNG форматындағы файлға метадеректермен бірге жазылады.

Жоғары рұқсатты түзету: Жабдықтың жоғары сапалы сурет шығару үшін екі сатылы өңдеуді жүзеге асырады. Ең алдымен, сурет кеңейтулікте жақсартылып, содан соң екінші дифузия филтрі қолданылады. Мұнда бұл процесс екі торап арқылы өтеді, бірінші торап суреттің теңгерімін, микротекстурасын жақсартады.

Суреттен суретке ауысу: Алдыңғы өңдеу торабы бұл функцияда да қолданылады. Қолданушы суретті жүктеп, өзгеру талабын сипаттайды, жүйе оны өңдеп қайтарады.

Табиғи тілдік модельдер қолдану: Қарапайым сұраумен басталған кезде, мысалы, «Баяндамада орнатылған диалог», Qwen3-4B сияқты ірі тілдік модельдер мәтінді кеңейтіп, нақты сипаттамалар мен белгілеулер тізіміне айналдырады, кейін бұл сипаттамалар сурет жасау моделі үшін негіз болады.

Контекст және мысалдар

Workflow1111 жүйесі бірнеше ерекше әрі күрделі тапсырмаларды атқаруға мүмкіндік береді. Мысалы, суретті талдау кезінде Qwen2.5-VL және ViT сыныптаушысы бірігіп жұмыс істейді: бір модель суретке сәйкес сұрау құрастырады, екіншісі суреттің мағынасы туралы сандық бағалар береді. Бұл процестер параллель жүріп, өңдеудің тиімділігін арттырады.

Объектілерді анықтау және суретті бояу процесінде DETR моделі заттарды дәл тауып, оларды екі түрде өңдеуге мүмкіндік береді: түпнұсқа суретте қорапшалар сызу және маскаға айналдырып, кейінгі өңдеу үшін пайдалану. Бұл тәсіл пайдаланушыға қолмен рәсімдеу қажеттігін жойып, жұмыс үдерісін жеңілдетеді.

Сұрау-матрицалық желісі бірнеше нұсқалы сурет жасауға бағытталған. Бір негізгі сипаттама әр түрлі контексттермен (күншығыс, дауыл, жұлдызды аспан және туман сияқты) үйлестіріліп, бірнеше сурет қатарынан жасалады. Бұл әдіс бір уақытта бірнеше визуалды нұсқаларын алу үшін тиімді.

Практикалық маңызы

Workflow1111 пайдаланушыларға төмендегідей мүмкіндіктер ұсынады:

• Жоғары деңгейдегі модульдік жүйемен жұмыс жасайды. Пайдаланушылар өз қажеттіліктеріне қарай графтарды өзгертіп, үйлестіре алады.
• Модельдерді өз серверінде немесе қашықтағы Inference Providers арқылы пайдалануға мүмкіндік бар. Бұл аппараттық талаптарды жеңілдетеді.
• Кіру жүйесі арқылы жеке Hugging Face шотын қолданып, ресурстарды тиімді пайдалану қамтамасыз етіледі.
• Барлық шыққан нәтижелер API арқылы ашық қолжетімді, бұл интеграция мен автоматизация үшін ыңғайлы.
• Кейбір операторлар желілік қосылымсыз, тек өз функцияларын пайдалана отырып, ойын-сауық пен жедел тестілеу мақсатында жұмыс істей алады.

Осылайша, Workflow1111 инженерлер мен зерттеушілерге, сондай-ақ сурет және видео контент жасаушыларға жан-жақты құралдар жиынтығын ұсынады.

Қорытынды

Gradio Workflow негізіндегі AUTOMATIC1111 жүйесінің қайта құрылымы жасанды интеллект технологияларын қолдануда жаңа мүмкіндіктер ашады. Функционалдар бұл платформаны мультимедиялық контент жасауға икемді әрі кең әрекетті етеді. Қажетті параметрлерді реттеп, әртүрлі модельдерді біріктіру арқылы қолданушылар автоматты, әрі көпжақты шешімдер ала алады. Бұл бағыттағы дамулар шығармашылық пен ғылыми зерттеулерге тың серпін береді.

TAGS: жасанды интеллект, мультимедиа, автоматтандыру, Gradio Workflow, сурет өңдеу, модельдер, Hugging Face

Дереккөз: Hugging Face Blog